Apollo决策规划planning模块简要分析

最新推荐文章于 2023-03-05 18:24:31 发布
最新推荐文章于 2023-03-05 18:24:31 发布
阅读量2.8k 收藏 7
点赞数
分类专栏： 自动驾驶Apollo 文章标签： 自动驾驶 Apollo 决策规划 开源 c++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/javeme/article/details/104514309
版权
本文简要分析了Apollo自动驾驶系统的决策规划模块。主要介绍了Planning模块的初始化过程、业务逻辑，包括每隔100ms执行一次的定时任务，如获取定位数据、计算轨迹、进行决策等。在决策过程中，Planning模块调用多个子模块，如Planner和Task，如Decider（包括TrafficDecider、PathDecider和SpeedDecider）和Optimizer（如DpPolyPathOptimizer等）。这些子模块协同工作，实现路径规划和速度优化等功能。
摘要由CSDN通过智能技术生成

决策规划planning模块简要分析

入口

初始化

Planning模块的初始化见Planning::Init()（apollo/modules/planning/planning.cc）。

业务逻辑

Planning模块的业务逻辑见Planning::RunOnce()（apollo/modules/planning/planning.cc），该函数每隔一段时间执行一次（100ms?），由定时器Planning::OnTimer定时调用。

定时任务Planning::RunOnce()大体步骤如下：

  • 获取定位数据与底盘数据
    • AdapterManager::GetLocalization()->GetLatestObserved()
    • AdapterManager::GetChassis()->GetLatestObserved()
  • 计算拼接轨迹TrajectoryStitcher::ComputeStitchingTrajectory
  • 根据拼接轨迹进行决策Planning::Plan()

决策Planning::Plan()大体步骤：

  • 调用planner子模块Planner::Plan()进行实际决策
  • 输出决策结果ReferenceLineInfo::ExportDecision()

最低0.47元/天 解锁文章
Jermy Li
关注
专栏目录
Apollo9.0 PNC源码学习之Planning模块—— Lattice规划（六）：横纵向运动轨迹评估
BigDavid123的博客
08-23 229
本文详解了Latiice算法的横纵向轨迹评估
Apollo Planning决策规划算法代码详解 (22):决策规划算法最完整介绍
自动驾驶Player的博客
05-19 1万+
前言： 后台已经写完了Apollo Planning决策规划算法的完整解析，一路从规划模块的入口OnLanePlanning，介绍到常见的规划器PublicRoadPlanner；接着介绍了在PublicRoadPlanner中如何通过类似有限状态机的ScenarioDispatch进行场景决策。之后又介绍了在每个场景Scenario中如何配置以及判断当前所处的stage，以及对于每个stage又是如何注册tasks来执行具体的规划任务。 现在回头来看，这个系列应该是目前全网最完整的apollo规划算法
解析百度Apollo之决策规划模块
weixin_30544657的博客
06-20 3690
本文是Apollo项目系列文章中的一篇，会解析自动驾驶系统中最核心的模块 - 决策规划模块。 前言 Apollo系统中的Planning模块实际上是整合了决策和规划两个功能，该模块是自动驾驶系统中最核心的模块之一（另外三个核心模块是：定位，感知和控制）。 关于决策规划的理论值得我们研究好久。所以接下来会通过几篇文章来专门讲解Planning模块。 这些文章会以百度Apollo的Planni...
Apollo 公开课 规划
console.log(**)的博客
09-20 220
第一节课 规划本来就是一个搜索问题,找到objective function。 机器学习里面Mapping。 我们一开始从path finding problem 开始考虑 第一个想到的 就是BFS和DFS ,属于 non informatic search， A *属于 informatic search,但是这是global optimation是对全局全知的问题。 但是无人车是partica...
自动驾驶平台Apollo 5.5阅读手记：Cyber RT中的通信传输
热门推荐
世事难料，保持低调
09-12 1万+
前言 计算框架是自动驾驶系统中的重中之重，也是整个系统得以高效稳定运行的基础。为了实时地完成感知、决策和执行，系统需要一系列的模块相互紧密配合，高效地执行任务流。由于各种原因，这些模块可能位于不同进程，也可能位于不同机器。这就要求计算框架中具有灵活的、高性能的通信机制。我们知道，Apollo在3.5版本中推出了Cyber RT替代了原先的ROS。之前写过两篇相关的文章介绍了其中的调度部分：自动驾驶平台Apollo 3.5阅读手记：Cyber RT中的协程（Coroutine）和自动驾驶平台Apollo 5.
百度Apollo规划算法——轨迹拼接
Eleven的博客
03-05 4011
在apollo的规划算法中，在每一帧规划开始时会调用一个轨迹拼接函数，返回一段拼接轨迹点集，并告诉我们是否重规划以及重规划的原因，那大家是否深入了解并思考过什么是轨迹拼接、为什么要进行轨迹拼接以及是如何进行轨迹拼接的呢？本篇文章便是针对这几个问题，在参考了前辈的一些文章和Apollo代码的基础上进行解答。
百度apollo自动驾驶planning代码学习-Apollo\modules\planning\common\TrajectoryStitcher类代码详解
weixin_39199083的博客
06-18 1357
Apollo planning TrajectoryStitcher
apollo 的planning 模块详解
最新发布
12-14
Apollo Planning模块是自动驾驶系统的关键组件，负责为自动驾驶车辆规划安全且高效的行驶轨迹。该模块接收来自上游模块的数据，包括环境感知信息（如障碍物位置、动态等）、地图定位导航信息和全局路径信息，综合...
Apollo Planning决策规划算法代码详细解析 (1)：Scenario选择
自动驾驶Player的博客
03-22 1万+
本文重点讲解Apollo代码中怎样配置Scenario以及选择当前Scenario，Scenario决策是Apollo规划算法的第一步，本文会对代码进行详细解析，也会梳理整个决策流程，码字不易，喜欢的朋友们麻烦点个关注与赞。 在本文你将学到下面这些内容： 规划器planer的种类； 规划器planer的主要函数及逻辑； 场景管理类ScenarioManager的运行机制； 场景注册方法； 场景决策流程，如何选择当前场景 详细的apollo决策规划代码分析 代码具体过程如下： 1、Scenar
百度Apollo决策规划理解
学习分享平台
07-03 867
Apollo系统中的Planning模块实际上是整合了决策和规划两个功能，该模块是自动驾驶系统中最核心的模块之一（另外三个核心模块是：定位，感知和控制）。下图是Apollo系统的整体架构图。从这幅图中我们可以看出，整个系统可以分为5层。从下至上依次是：Planning模块负责整个车辆的驾驶决策，而驾驶决策需要根据当前所处的地理位置，周边道路和交通情况来决定。Planning不直接控制车辆硬件，而是借助于控制模块来完成。...
如何提取edit control中输入的数据_apollo介绍之Control模块(九)
weixin_39789499的博客
11-30 569
Apollo控制模块的逻辑相对比较简单，控制模块的作用是根据规划(planning模块)生成的轨迹，计算出汽车的油门，刹车和方向盘信号，控制汽车按照规定的轨迹行驶。采用的方法是根据汽车动力和运动学的知识，对汽车进行建模，实现对汽车的控制。目前apollo主要用到了2种控制方式：PID控制和模型控制。 Control模块简介首先我们需要搞清楚control模块的输入是什么，输出是什么？ 可以看...
Apollo项目消息适配器及消息回调函数分析
davidhopper的博客
02-13 4174
严正声明：本文系作者davidhopper原创，未经许可，不得转载。 Apollo项目在处理消息循环时应用了C++设计模式之适配器模式（Adapter Pattern）。适配器其实很好理解，网上经常提到的一个例子：中国电压标准是220V，美国电压标准是110V，中国电器要在美国使用，必须借助一个变压器，这个变压器就是适配器。另外一个例子：中国插座标准是扁孔，欧洲插座标准是圆孔，中国的电源插头到欧...
EM规划器：EMPlanner
lzw0107的博客
02-25 1万+
EM规划器：EMPlanner EM规划器，也是规划模块Planning的核心，主要的任务是根据： 感知模块Perception和预测模块Prediction得到的障碍物以及未来时间(e.g. 5s内)的运动轨迹 当前路况，禁停区、减速带、停车标志、人行横道等等 来最终规划无人车的最优行驶路径。从参考线提供器ReferenceLineProvider可以看到，当无人车面临变道时，就会存在多条参考线(变道时间可随机扰动，变道早可能进入车道1，变道晚就可能进入车道2)。那么EM规划器就需要计算每条参考线上的
Apollo Planning决策规划算法代码详细解析 (19):SpeedDecider 障碍物纵向决策下
自动驾驶Player的博客
06-12 2177
SpeedDecider 是lanefollow 场景下，Apollo Planning算法所调用的第13 个 task，属于task中的decider 类；本文主要介绍Apollo Planning决策规划算法中纵向决策器SpeedDecider中根据障碍物不同位置，具体的决策逻辑。...
apollo学习之---planning理论到实践（3）参考线规划实践
qq_41593516的博客
11-11 1788
文章目录实践 实践
apollo决策规划学习--慢速障碍物超车
不荒废现在，不畏惧未来！
05-24 8426
巨人的肩膀： Apollo Planning 代码学习（一） apollo介绍之planning模块 Apollo Planning决策规划代码详细解析 (6):LaneChangeDecider 1 主要的函数流程如下： PlanningComponent::Proc() -> OnLanePlanning::RunOnce() -> OnLanePlanning::Plan(）-> PublicRoadPlanner::Plan() -> Scenario::
入门必看丨解析百度Apollo之决策规划模块
weixin_43619346的博客
08-03 1万+
转自Apollo开发者社区 Apollo系统中的Planning模块实际上是整合了决策和规划两个功能，该模块是自动驾驶系统中最核心的模块之一（另外三个核心模块是：定位、感知和控制）。本章主要讲解自动驾驶系统中最核心的模块——决策规划模块。 下面是由社区开发者—强波提供的文章，对百度Apollo之决策规划模块进行详细讲解（Apollo 3.5之前版本），希望这篇文章能给感兴趣的开发者带来更多帮助。 01 Apollo系统与Planning 下图是Apollo系统的整体架构图。从这幅图中我们可以看出，整个系统可
Apollo项目类对象创建之工厂模式分析
davidhopper的博客
01-29 4725
前段时间写过这样一篇文章，因为CSDN的一个Bug，把原有文章覆盖了，咨询版务人员得知无法恢复，只能凭记忆再写一遍，供自己和可能需要帮助的人参考借鉴。
apollo planning决策规划算法代码详细解析
06-28
### 回答1： Apollo Planning决策规划算法在无人驾驶领域中被广泛应用，在自动驾驶车辆中起着至关重要的作用。该算法主要通过对车辆周围环境的感知和分析，实现智能驾驶路线的规划和决策，确保车辆安全行驶。 该算法的代码主要包含三个部分：感知模块、规划模块和控制模块。其中感知模块主要负责采集车辆周围的环境信息，包括车辆所处的位置、路况、障碍物等。规划模块通过对这些信息的分析，提出一系列可能的驾驶路线，并通过评估这些路线的优劣来选择最佳驾驶路线。控制模块负责实现规划模块中选择的最佳驾驶路线，并控制车辆按照路线行驶。 在Apollo Planning决策规划算法中，规划模块是实现驾驶决策的最重要模块，也是最具技术难度的模块。规划模块通过对车辆当前状态和环境信息的分析，提出一系列汽车驾驶路线。该算法采用在线生成路线方案的方法，路线生成的步骤如下： 1. 动态路径规划：根据车辆的位置和行驶状态，实时选择当前最佳的驾驶路线。 2. 静态路线生成：基于当前车辆所处的环境信息，生成固定的驾驶路线。 3. 组合路径规划：将动态路径规划和静态路线生成相结合，生成最终的驾驶路线。 除此之外，Apollo Planning决策规划算法还包括计算机视觉、机器学习、深度学习和人工智能等技术，这些技术的综合应用使得Apollo Planning决策规划算法成为无人驾驶领域中应用最广泛的决策规划算法。 ### 回答2： Apollo Planning决策规划算法是一种用于自动驾驶系统的规划算法。该算法的主要作用是实时生成安全、有效且符合路况的路径以实现自动驾驶功能。本文将对该算法进行详细解析。 Apollo Planning决策规划算法主要包括三个步骤：路线规划、运动规划和决策规划。具体代码如下： 1. 路线规划 ```c++ bool Planning::PlanOnReferenceLine() { std::vector<const hdmap::HDMap*> hdmap_vec; hdmap_vec.reserve(1); if (!GetHdmapOnRouting(current_routing_, &hdmap_vec)) { AERROR << "Failed to get hdmap on current routing with " << current_routing_.ShortDebugString(); return false; } const auto& reference_line_info = reference_line_infos_.front(); std::vector<ReferencePoint> ref_points; if (!CreateReferenceLineInfo(hdmap_vec.front(), reference_line_info, &ref_points)) { AERROR << "Failed to create reference line from routing"; return false; } // Smooth reference line Spline2d smoothed_ref_line; std::vector<double> s_refs; std::vector<double> l_refs; std::vector<double> headings; std::vector<double> kappas; std::vector<double> dkappas; if (!SmoothReferenceLine(ref_points, &smoothed_ref_line, &s_refs, &l_refs, &headings, &kappas, &dkappas)) { AERROR << "Failed to smooth reference line"; return false; } reference_line_info.SetTrajectory(&smoothed_ref_line); reference_line_info.SetReferenceLine(&ref_points); // set origin point if (!reference_line_info.SLToXY(s_refs.front(), 0.0, &origin_point_)) { AERROR << "Failed to get origin point on reference line"; return false; } return true; } ``` 在路线规划阶段中，Apollo Planning决策规划算法首先获取当前行驶路线和高精度地图数据。然后根据行驶路线和地图数据构建参考线，对参考线进行平滑处理，得到平滑后的参考线。此时我们可以得到平滑后的参考线的位置、方向和曲率等信息，这些信息将作为后面的运动和决策规划的输入。 2. 运动规划 ```c++ bool Planning::PlanOnPrediction() { PredictionObstacles prediction_obstacles; if (!GetPrediction(&prediction_obstacles)) { AERROR << "Prediction failed"; return false; } std::vector<Obstacle> obstacles; if (!BuildObstacle(prediction_obstacles, &obstacles)) { AERROR << "Unable to build obstacle"; return false; } const auto& reference_line_info = reference_line_infos_.front(); const auto& reference_line = reference_line_info.reference_line(); SpeedData speed_data; Cruiser::PlanningTarget planning_target; Status status = cruiser_->Plan(reference_line_info, obstacles, 0.0, reference_line.Length(), &speed_data, &planning_target); if (status != Status::OK()) { AERROR << "Failed to plan path with status: " << status; return false; } RecordDebugInfo(reference_line_info, obstacles, speed_data); return true; } ``` 运动规划主要用于生成车辆在参考线上的运行轨迹。在运动规划阶段，Apollo Planning决策规划算法首先获取预测障碍物信息，将预测的障碍物转化为Obstacle对象。然后根据当前平滑后的参考线、障碍物等信息进行运动规划。运动规划的目标是生成符合规划目标的速度曲线。最后，Apollo Planning决策规划算法记录调试信息，以便后续分析调试。 3. 决策规划 ```c++ bool Planning::MakeDecision() { const auto& reference_line_info = reference_line_infos_.front(); const auto& reference_line = reference_line_info.reference_line(); std::vector<const Obstacle*> obstacles; if (!Obstacle::CreateObstacleRegions(FLAGS_max_distance_obstacle, reference_line_info, &obstacles)) { AERROR << "Failed to create obstacle regions"; return false; } for (auto obstacle_ptr : obstacles) { const auto& obstacle = *obstacle_ptr; if (obstacle.IsVirtual()) { continue; } if (obstacle.IsStatic()) { continue; } if (obstacle.type() == PerceptionObstacle::BICYCLE || obstacle.type() == PerceptionObstacle::PEDESTRIAN) { continue; } const auto& nearest_path_point = obstacle.nearest_point(); const SLPoint obstacle_sl = reference_line_info.xy_to_sl(nearest_path_point); if (obstacle_sl.s() < -FLAGS_max_distance_obstacle || obstacle_sl.s() > reference_line.Length() + FLAGS_max_distance_obstacle) { continue; } ObjectDecisionType decision; decision.mutable_avoid(); decision.mutable_avoid()->set_distance_s(-obstacle_sl.s()); reference_line_info.AddCost(&obstacle, &decision); } std::vector<ObjectDecisionType> decisions; if (!traffic_rule_manager_.ApplyRule(reference_line_info, &decisions)) { AERROR << "Failed to apply traffic rule manager"; return false; } reference_line_info.SetDecision(decisions); return true; } ``` 决策规划是基于当前环境信息和规划的路径等输入信息，实时生成控制命令的过程。在Apollo Planning决策规划算法中，决策规划阶段根据当前参考线、障碍物等信息生成决策。该算法根据不同的规则和策略，生成不同的控制命令，以保证车辆安全、有效地运行。 综上，Apollo Planning决策规划算法是自动驾驶系统中重要的规划算法之一，它通过路线规划、运动规划和决策规划三个步骤，实现了安全、有效和符合路况的路径规划，为自动驾驶车辆的控制提供了重要的支持。 ### 回答3： Apollo Planning（阿波罗规划）是百度自动驾驶平台Apollo中的一种决策规划算法，主要用于规划车辆的驾驶行为。该算法基于深度强化学习，使用了运动学模型和环境感知技术，可以根据车辆当前位置和目的地，生成一条最优的行驶路径，包括车辆的控制指令和行驶速度等。 该算法的核心技术是深度强化学习，它通过对驾驶过程进行大量的仿真，让计算机通过自我学习得到驾驶规则，使车辆能够根据不同的场景做出最优的决策。具体而言，算法先通过神经网络生成一系列潜在的行动策略，然后通过与环境进行交互、执行行动并接收环境反馈来评估每个策略的优劣，最终选取最优策略进行执行。 在实现上，Apollo Planning算法主要由四个模块构成：感知模块、规划模块、执行模块和控制模块。感知模块主要用于获取车辆周围环境的信息，包括车辆位置、速度、道路情况、交通灯等；规划模块根据感知模块提供的信息和车辆的目的地，生成一条最优的行驶路径；执行模块则根据规划模块生成的路径信息，实现车辆的自主驾驶；控制模块则根据执行模块生成的控制指令，控制车辆的加速、刹车、转向等行为。 在算法实现上，Apollo Planning采用了C++编程语言，结合ROS框架实现各模块之间的数据交互和代码复用，保证了算法的高效性和可维护性。算法代码实现方面还采用了许多优化技术，包括多线程并发执行、高效的数据结构和算法等，以提升算法的运行效率和稳定性。 总之，Apollo Planning是一种基于深度强化学习的决策规划算法，具有高效、自主、可靠等特点，在智能驾驶领域具有广泛应用前景。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值