智能汽车人的博客

LQR控制器是一种基于状态反馈的最优控制策略，具有最优性、适应性和稳定性等特点。它在多个领域都有广泛的应用，并且与其他控制器相比具有优势。在实际应用中，可以根据具体需求选择和设计合适的LQR控制器，以实现精确、稳定的控制效果.

通过本篇博客，读者朋友们可以了解到特斯拉在近几年自动驾驶发展的过程，可以看到，其实特斯拉并不是直接进行端到端的研究，通过感知的端到端，再到规控的端到端，都是逐步切入的，有一个发展过程。同时也钦佩特斯拉的勇气，敢于使用前沿的技术，并将其落地量产。

OpenSpace规划在自动驾驶中涵盖了多种算法，这些算法共同协作以在开放、非结构化环境中实现安全、高效的路径规划。Hybrid A*算法是目前使用比较广的一种算法，不仅适用于泊车场景，也可适用于行车场景。

记忆泊车的技术原理主要基于自动驾驶和人工智能的相关技术，其核心在于通过学习和记忆泊车路线，实现车辆在停车场或特定区域内的自主泊车。首先，记忆泊车功能要求驾驶员首次使用时手动驾驶车辆行驶一遍停车路线，并在地库或停车场门前进行记忆设定，完成“记忆路线”的完整过程。这一过程中，车辆会利用车身上的摄像头、雷达等传感器设备，对周围环境进行扫描和感知，包括停车位的位置、大小、障碍物等信息。其次，当车辆再次行驶到该区域时，记忆泊车系统会根据之前学习的“记忆路线”，自动规划泊车路径，并控制车辆按照规划路径行驶。

本篇博客主要介绍了一种适用于复杂城市环境的轨迹生成策略。在之前的博客中已经介绍过生成corridor的过程，在corridor内通过多段Bezier曲线的特性及轨迹优化的结果来保证输出结果的安全性和可行性，论文中描述的局限性包括预测不确定性和交互不确定性，没有得到充分的建模验证，目前该方案也逐渐应用到量产的项目中。

Spatio-Temporal Semantic Corridor（STSC）是一个在复杂城市环境中用于轨迹规划和导航的概念。它主要利用时空语义信息来生成一个安全可行的轨迹走廊，使得车辆可以在这个走廊中安全、有效地行驶。以下是关于STSC的详细介绍：（1）概念定义STSC是一个在三维时空中的轨迹走廊，其中包含了语义信息，如道路标记、交通信号、行人、车辆等。这些语义信息有助于车辆更好地理解其周围环境，并做出合适的驾驶决策。

如果对path optimizer比较熟悉的读者，对于speed optimizer应该可以很快的看懂整个过程，因为两者有着比较高的相似度。同时读者也会对二次规划问题有了更深的认识，二次规划问题的“三部曲”（1）构造代价函数（2）构造约束（3）QP求解。自此，整个行车部分的planning模块讲解基本完结，前面对Routing，Behavior Planning，Motion Planning等模块的内容都分别做了比较详细的阐述。后续会针对泊车部分、控制模块开设博客。

其实在参考线平滑那篇博客中已经为读者讲解过二次规划问题的构造思路，看过之后的读者应该对二次规划问题有一个整体框架。本篇博客通过构造path优化的问题来求解轨迹横向的信息，其实主要还是三步：（1）构造优化问题（2）确定约束（3）构造H矩阵，g矩阵以及A矩阵进行QP求解。

本篇主要介绍了Apollo内部的几个和Speed Boundary相关的Decider，每个模块各自承担独立的任务，都是服务最终ST图的构建。《自动驾驶---Motion Planning之Path Boundary》文章中指出了一种新的方法----三维SLT的构建方式，由于篇幅已经比较长了，因此笔者会在《自动驾驶---Motion Planning之Speed Boundary（下）》来说明。

依照笔者的习惯，依然以Apollo作为切入点，带领读者熟悉path boundary的概念及作用。然后结合量产中的内容（区别于Apollo的部分）作简单介绍，供各位读者思考。2.1 Apollo之PathBoundsDeciderApollo中的PathBoundsDecider是其自动驾驶决策规划系统中的重要一环，它负责计算车辆行驶的路径边界，以缩小路径搜索范围，将复杂问题转化为凸空间的搜索问题，从而方便后续使用QP（Quadratic Programming，二次规划）算法进行求解。

笔者也经常提到优化的思想在规划模块中使用非常多，在参考线平滑模块，属于二次规划，通常构造二次规划问题的三个基本步骤：（1）确定优化变量；（2）构造代价函数；（3）确定约束条件。文中详细介绍了整个二次规划问题的构造和求解过程。

基于Routing模块的输出得到粗糙的参考线可能比大家想象的要麻烦一些，在Apollo里的处理也是偏工程化的，在量产项目上需要更多工程化的处理，可以从中借鉴一些内容作为参考。本篇博客的内容并不能覆盖到每一个细枝末节，读者如果对代码有更细节说明的需求，可参考第四节中的两组链接。

笔者分别介绍了两种变道的方式。在Apollo中使用的变道决策，耗费的资源较大，还需要依赖后续的path_decider和speed_decider用于确定优化问题的边界，但是在灵活性和安全性等方面也有其优势，这也是Apollo架构下的一个产物；而在MCTS下的变道决策，整个架构更简洁一些，虽然有一定门槛，但只要理解了蒙特卡洛树的搜索过程，后面就很容易了解该算法了，并且MCTS的普适性和稳定性需要更多的数据来验证。

在Apollo中，有比较多的Decider，本篇博客笔者会大概介绍各自的作用，在后续篇幅中，笔者会抽取比较重要的Decider（量产中使用）进行讲解。

EUDM在自动驾驶领域具有广泛的应用前景。通过有效处理不确定性因素，它能够在复杂的交通环境中生成安全、高效的驾驶决策。此外，由于采用了高效的剪枝策略和引导分支方法，该方法的计算效率较高，适用于实时性要求较高的自动驾驶系统。随着自动驾驶技术的不断发展，该方法有望在未来的自动驾驶系统中发挥重要作用。

该篇论文的主要作者来自于多伦多大学计算机科学部和博世中国上海研发中心。论文中的主要研究成果也开源了代码。如果自动驾驶汽车进入城市和高速公路环境，那么就需要开发鲁棒性强、适应性强的行为规划系统。研究提出了一种创新的方法来解决这一挑战，利用基于蒙特卡罗树搜索（MCTS）的自动驾驶行为规划算法。核心目标是利用MCTS固有的探索与利用之间的平衡，促进复杂的智能驾驶决策。

自动驾驶的行为规划（Behaviour Planning）是自动驾驶系统中的关键组成部分之一，主要涉及车辆对周围环境的感知、理解和判断，以及基于这些信息作出决策的过程。行为规划是无人车规划模块的一层，位于全局任务规划层（Routing）和动作规划层（Motion Planning）之间，也被称为驾驶行为决策。它的主要作用是根据上层全局最优行驶路线信息，以及当前交通场景和环境感知的信息，来确定自身当前驾驶状态。在交通规则的约束和驾驶经验的指导下，规划出合理的驾驶行为。

routing模块是整个Planning模块的入口，像一盏指路明灯，为下游的planning模块照亮前行的路，是非常重要的一部分。本文详细讲解了routing的工作机理，通俗化的说明了从base map到routing map的一个演变过程，结合实际量产经验解释了无图下的routing是如何工作的。

主要介绍高速场景下Planning模块，至于低速的泊车场景对比高速场景或者城区场景有比较大的差距（后面也会介绍泊车场景），本篇Planning介绍主要包括三大子模块Routing，Behavioural Planning以及Motion Planining，并且对比较重要的Decider和Optimizer都做了通俗化的说明供大家思考，以便于后续理解更深入的内容，后面有时间会再开一些篇幅对这些模块进行更加深入的讲解。