EM Planner和Lattice Planner对比

目录

1.Lattice Planner流程

step1 末状态采样

step2 生成横纵向轨迹

step3 生成候选轨迹簇

step4 计算候选轨迹cost

step5 选取最优轨迹

2.EM Planner流程 

 step1 SL DP

 step2 SL QP

 step3 ST DP

 step4 ST QP

 step5 合成最优最优轨迹S-L-T

3.Lattice Planner和EM Planner对比

---

对自动驾驶中所使用的两种规划算法进行对比

1.Lattice Planner流程

step1 末状态采样

已知起始状态，对末状态进行采样

step2 生成横纵向轨迹

针对初始状态和末状态进行多项式拟合，分别得到横向和纵向轨迹

step3 生成候选轨迹簇

遍历横纵向中的SL、ST曲线，得到候选的轨迹簇

step4 计算候选轨迹cost

计算每条候选轨迹的cost

step5 选取最优轨迹

对cost最小的轨迹进行限制检测和碰撞检测，若未经过检测，将该轨迹剔除，重复step5，直至选出通过检测的cost 最小的轨迹。（限制检测包括加速度、加加速度和曲率）

更详细的说明可参考：Lattice Planner

2.EM Planner流程 

论文链接： Baidu Apollo EM Motion Planner

DP指动态规划，QP指二次规划，关于SL和ST百度frenet坐标系即可了解

 step1 SL DP

在SL图上lattice采样，采样点之间用五次多项式连接，计算各连接曲线的cost，采用DP迭代求解得到最优路径（此时仅为粗解）（采样范围为8s或200m）

 step2 SL QP

根据step1中DP求解的最优路径以及约束条件确定凸空间，构造代价函数，利用QP求解得到最终的路径（该路径平滑、贴近DP最优路径）

如下图所示分别为DP最优路径和QP求解得到的最终路径

 step3 ST DP

在ST图上采样，直接使用直线来连接采样点，计算cost，与step1中的最优路径求解类似，最优速度的求解也采用DP求得粗解，同时产生了一个ST凸空间

 step4 ST QP

根据step3中DP求解的最优速度以及确定的凸空间，利用QP求解得到最终速度曲线（平滑且贴近粗解）

 step5 合成最优最优轨迹S-L-T

将最优路径S-L和最优速度S-T合成最优轨迹S-L-T，传输至控制模块并供下一周期的规划使用

3.Lattice Planner和EM Planner对比

Lattice Planner能够更好的结合横向和纵向规划，同时考虑了车辆动力学，其性能可靠，更加适合简单场景； EM Planner则更擅长处理城区道路这样的复杂场景。