论文解读——自动驾驶决策规划算法之Hybrid A*

论文解读——Hybrid A*

参考资料来源：《Practical Search Techniques in Path Planning for Autonomous Driving》、《Path Planning in Unstructured Environments:A Real-time Hybrid A* Implementation for Fast and Deterministic Path Generation for the KTH Research Concept Vehicle》、《自动驾驶汽车决策和控制》

注：第二篇论文ROS实现的github链接：https://github.com/karlkurzer/path_planner

0 Hybrid A*介绍

hybrid A*带字幕

视频地址https://www.youtube.com/watch?v=qXZt-B7iUyw，YouTube机翻的字幕不一定正确，辩证学习

上面是关于hybrid A*的介绍视频。HA *算法由2010年斯坦福大学首次提出，并在(DARPA)的城市挑战赛中得以运用。大家在学习HA * 算法的过程中请关注以下几个问题：

• 启发式函数如何设计
• 什么是Analytic Expansions
• 如何平滑路径

1 基础知识

1.1 A*算法admissible结论

当A*算法中启发式函数$\hat{h}$满足$\hat{h}<h$时，A *算法找到的路径是最优的，所以一般希望启发式函数设计的大一些，越靠近$h$意味着所拓展的节点数量较少。

注：
$\hat{h}$ : 启发式函数;
$h$ : 当前节点到目标节点的最短距离；
（上述是A*算法原文结论，一般来说都用$h$表示启发式函数！！!）

1.2 hybrid A*的搜索方式

上图是传统A*的搜索方式，其搜索方向共8个（东西南北、东北、东南、西北、西南方向），节点只能位于cell中心中，更为关键的是无人车不能执行的

该图是hybrid A*的搜索方式，其搜索方向共6个，节点可以不位于cell中心中，同时也是可以无人车可执行的，下面详细说一下搜索方向的问题。

HA*采用控制采样的方式，在给定T和U时，可以得到基于车辆运动学的轨迹，如下图所示共6条。（关于车辆运动学，后续会在自动驾驶控制模块介绍）

随后从起点到终点按照6个方向不断搜索，这也是与传统A*不相同的地方

1.3 Dubins和Reeds-Sheep曲线

关于Dubins和Reeds-Sheep曲线大家可以参考《自动驾驶汽车决策和控制》一书介绍的内容了解（懒得敲字了）

注：上述说明的两条曲线是实际可运行的，HA*中使用的曲线是Reeds-Sheep曲线

1.4 Voronoi Field

因为要求无人车生成的路径必须与障碍物保持一定距离，由于传统的人工势场法在狭窄路段有较高的数值，使得车辆无法通过，因此，构造需要Voronoi函数如下：

Voronoi图：
简单的说，当看到空间中的一系列给定的点，例如x,…，我们希望为每个点，例如点x，划定一个包围这个点的区域，例如区域Cx，这一包含了点x的区域 Cx 我们称为Voronoi Cell，构成的图即为Voronoi图

符号定义：

• $d_o$ : 离最近障碍物的距离
• $d_{}$