自动驾驶路径规划加速方法

自动驾驶路径规划加速方法

附赠自动驾驶最全的学习资料和量产经验：链接

arXiv上2022年5月5日上传的论文“Accelerating Path Planning for Autonomous Driving with Hardware-assisted Memorization“，作者来自Cornell大学。

动态障碍物的自动驾驶路径规划是一个挑战，因为需要在满足实时约束的同时执行更高维搜索（包括时间）。作者提出了一种算法-硬件协同优化方法，加速基于高维搜索空间的路径规划。首先，将节点和障碍物映射到低维空间并存储最近的搜索结果，减少最近邻搜索和碰撞检测的时间。然后，提出一种用于高效存储的硬件扩展方法。在一个现代处理器和一个周期级（cycle- level）模拟器的实验结果表明，该算法的执行时间显著缩短。

---

路径规划的及时执行对车辆的安全和效率至关重要。修剪（pruning）是被用来在软件中加速的方法。针对RRT、PRM和A*等算法，人们用不同的硬件技术，包括FPGA或ASIC，还提出了特定于算法的加速器。虽然这些路径规划加速器确实解决了特定场景中的个人需求，但不是针对自动驾驶，也不考虑动态障碍。

此外，随着法规（regulation）和算法的不断发展，选择和修改加速路径规划算法的灵活性也非常重要。然而，许多现有路径规划加速器一次设计只考虑一个特定的算法，大多数超参在设计/编程时固化到加速器硬件中。虽然这些硬件化算法在发布时表现良好，并在目标场景提供良好的性能，但不够灵活，无法适应新的或修改算法。

• 动态障碍物的对付

自动驾驶车辆在2D平面执行路径规划。在不同的时间，障碍物将位于2D平面的不同位置。2D平面的动态障碍物成为一组障碍物，在三维空间的坐标可以用（x，y，t）来描述。

可以有效地将带有动态障碍物的2D规划问题视为3D规划问题。然而，时间维度不同于普通的空间维度，这需要对其进行额外约束。由于时间只沿一个方向移动，对于路径P上i<j的任意两个节点（xi，yi，ti）和（xj，yj，tj），必须保证ti<t j。在RRT选择最近邻时，将强制执行附加约束。

• 基于软件的存储RRT算法

用存储（memorization）来减少路径规划的总执行时间。在传统基于采样的规划（比如RRT）中，大部分执行时间都花在寻找最近邻（NN）以及检测会不会碰撞。为了加速这些