本文探讨了自动驾驶中轨迹横向优化的问题，介绍了Apollo系统中轨迹优化的解耦方法，包括优化目标、约束条件和求解过程。主要内容涉及横向位移、速度、加速度、Jerk及障碍物距离的考量，以及连续性、安全性、曲率约束的设定。
1 背景
在之前的几篇文章中，不管是通过构建SL图《自动驾驶---Motion Planning之Path Boundary》，ST图《自动驾驶---Motion Planning之Speed Boundary》，又或者是构建SLT图《自动驾驶---Motion Planning之构建SLT Driving Corridor》，最终我们都是为了得到boundary的信息。
构造优化问题求解的前提：首先确定问题的代价函数，有初值，有边界（约束），然后进行求解。笔者会先阐述Apollo中轨迹横纵向优化的问题，接下来会在后面的博客中继续讲解STSC中的轨迹优化问题。
2 轨迹横向优化
总体流程图以车道保持场景为例子进行说明。task的主要功能位于Process()函数中。规划模块的运动总体流程图如下：
订阅专栏 解锁全文
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
