BigDavid123的博客

自动驾驶学习记录

详解了一些常见的自动驾驶规划术语

详解了车辆运动学和动力学的原理和推导

本文详解了B样条以及代码实现

详解了贝塞尔曲线的原理以及代码实现

详解了人工势场法原理以及代码实现

详解了曲线插值法以及代码实现

文章详细讲解了EM planner的理论，包括规划需要的背景知识🍎：五次多项式、凸优化和非凸优化、直角坐标与自然坐标转换，参考线🍎：平滑算法、避障(规划起点，轨迹拼接)，自动驾驶的轻决策和重决策🍎，二次规划带来的问题，SL、ST如何迭代求解

本文系统介绍了常见的基于采样的规划算法

本文详细讲解了基于搜索的规划算法BFS,A*,Dijstra,JPS😀😀😀

本文对高飞老师的移动机器人运动规划课程第一章做了学习记录，方便日后复习回顾😘

本文介绍了决策规划框架，解耦和耦合策略

本文讲解了基于优化的规划算法，包括数值优化基础、Frenet和笛卡尔之间的转换、问题建模、OSQP

本文将按顺序讲解基于车辆运动学的规划算法，以及需要的前置知识：自行车模型、Dubins和Reeds Shepp曲线、多项式曲线和螺旋曲线

本文详细介绍了常见的自动驾驶基于采样的规划算法，PRM算法、RRT算法、RRT*算法、CL-RRT算法

本文讲解BFS，Dijstra，A*，动态规划的算法原理，不正之处望读者指正

详细手撕了A*算法

规划随笔

本文概述了路径规划的基础知识

大幅修改EM planner，变成了public road planner(取消了SL,ST迭代机制，SL只管静态障碍物，ST只管动态障碍物,加入scenario模块)这种方法SL还是会影响ST，ST不影响SL，因为SL会生成一个路径，路径的几何形状会影响到动态障碍物的交互。所以SL影响ST，ST不影响SL。因为车的纵向变化能力高于横向，导致动态障碍物车的速度变化剧烈程度远高于路径，预测难以测准，预测不准导致ST图剧烈变化=>速度规划结果剧烈变化。若ST影响SL，会导致SL规划容易不稳定，朝令夕改。

ST图与迭代优化

1. 二次规划崩溃问题2. 车控制不稳，抖动剧烈问题3. 决策不稳定，朝令夕改问题4. 速度规划如何影响路径规划

结合即得到二次规划下的最优路径，再转化为Cartesian坐标，路径规划完成。接着上一讲学习记录b站老王对自动驾驶规划系列的讲解。二次规划的求解空间就在此凸空间中搜索。则分段加加速度约束为。

（2）有粗解，通过设计代价函数，可以使粗解“满足”硬约束（碰撞、最小曲率），这样使二次规划求解成功的机率大大增加（因为粗解在凸空间内部，所以该凸空间的“扭曲”程度至少有粗解兜底）大大缓解了基于人为规则的决策所造成的凸空间扭曲情况。轻决策：无先验规则，空间离散化，设计cost function,动态规划算法求解离散空间的最优路径，该最优路径开辟凸空间。（2）在感知不强的情况下仍然能做决策（融合了人的智慧）（2）人给出的决策所开辟的凸空间未必满足约束。轻决策和重决策的融合（博弈论）无需在意二次规划的约束形式（

用轨迹拼接，用上一帧的轨迹和当前时候做判断，如果误差不太大，证明控制做的不错，就以上一帧的t+100ms作为规划起点。,100ms的轨迹，但只把100ms后的点发了出去，必然造成控制效果变差。例：16:00:00开始规划 16:00::10规划完成，规划出了4秒轨迹。(找不到就找100ms相邻的2个时间，做插值)，作为规划输出发出去。答：发绝对时间（推荐），因为做推荐，做控制，绝对时间更直观方便。控制根据当前控制周期的时间，搜索轨迹，找到当前时间对应的。轨迹的时间是相对时间，还是绝对时间？

回顾上一节：参考线，提供光滑的frenet坐标轴以host在reference line的投影为坐标原点，建立frenet坐标系。障碍物投影，生成SL图确定规划的起点定位得到的host_x,host_y投影到referenceline，得到SL坐标(0,l0l_0l0​)，以此点为路径规划的起点这样做是错的考虑控制是不完美的规划以100ms周期执行，在上个周期已经规划出轨迹。正确的做法：以（S0l0S_0,l_0S0​l0​）作为规划的起点。

一般情况下不会，规划周期是100ms，即使以50m/s运动，车也只是走了五米。五米内的道路不太可能出现这么扭曲的几何，在上个规划周期的匹配点上一般只有一个极小值。每个规划周期内，找到车在导航路径上的投影点，以投影点为坐标原点，往后取30m，往前取150m范围内的点，做平滑，平滑后的点的集合称为参考线。（1）减少规划频率，规划算法会100ms执行一次，控制算法每10ms执行一次。（1）过长的路径不利于坐标转换(找匹配点，计算s)希望cost function越小越好。对应的点作为本周期的匹配点。

龙格现象：高次多项式拟合可能会出现震荡，慎用高次多项式。尽可能用分段低次多项式去拟合，而不是高次多项式。在数学中，笛卡尔坐标系 (Cartesiancoordinate system) 是一种正交坐标系，亦称为直角坐标系。用向量法推导，降低推导难度车：host_vehicle已知车在Cartesian坐标系下的rh⃗vh⃗ah⃗khrh​​vh​​ah​​kh​，求车在以道路为坐标轴的frenet坐标下的坐标ss˙s¨ll′l。

算出一条满足约束的最优轨迹。什么是最优？平滑性舒适性尽可能短，耗时少约束：（1）轨迹连续性（2）无碰撞（3）交规（4）车辆动力学衡量轨迹质量往往用cost function表示sfta0a1ta5t5sfta0​a1​t...a5​t5a0a1a5都是未知常数(a_{0},a_{1},...,a_{5}都是未知常数)a0​a1​...a5​都是未知常数Jw1f˙2w2f¨2。

自动驾驶决策规划之五次多项式上一讲：b站老王 自动驾驶决策规划学习记录（一）接着上一讲学习记录b站老王对自动驾驶规划系列的讲解参考视频：自动驾驶决策规划算法第一章第一节 细说五次多项式0 前言有必要理解一下曲线插值法，对理解五次多项式很有帮助。常用三次多项式曲线或五次多项式曲线规划无人车运动轨迹。多项式曲线一般为奇数，这是因为他的边界条件所导致。边界条件一般包含车辆的初始状态和终止状态，所以两个状态有偶数个系数，也造成了方程是奇数多项式。三次多项式：位置、速度（2 x 2 = 4）五次

（1）决策算法会给一个车辆的行驶意图，会指导车辆该避让，该超车，该左转还是该右转，但是决策规划算法不会给具体的运动建议，例如左转多少度，车辆加速到多少。运动规划生成的轨迹是决策规划模块的最终输出，具有详细的路径速度信息，执行频率与决策相同，为10Hz，同样，运动规划也要求一定的稳定性。L2这个概念很宽泛，自动驾驶的功能只有巡航、车道保持或者车什么都能做，但是只要驾驶员要负全责，这个车就是L2级别的自动驾驶。EM Planner是Apollo的经典决策规划算法，擅长处理复杂环境下的决策规划问题。

路径规划：在规定范围的区域，连接起点和终点的序列点或曲线成为路径，构成路径的策略叫路径规划。路径规划的目标：规划出无碰撞的路径，同时路径的长度尽可能短。全局路径规划：已知地图信息，根据给定的目标点进行总体路径的规划。局部路径规划：地图信息未知或部分可知，根据附近的障碍物信息进行避障轨迹的规划。离线路径规划：在环境先验信息上进行的，完整的先验信息只适用于静态环境。在线路径规划：基于传感器信息的不确定环境的路径规划，轨迹需要在线规划。基于曲线拟合：直线、圆弧、多项式曲线、贝塞尔曲线、羊角曲线。