智能驾驶规划控制理论学习07-规划算法整体框架

最新推荐文章于 2024-07-02 00:42:40 发布

张金卓2023

最新推荐文章于 2024-07-02 00:42:40 发布

阅读量1.2k

点赞数 17

文章标签：学习

本文链接：https://blog.csdn.net/m0_68682181/article/details/136511146

版权

一、解耦合策略

1、路径-速度解耦策略概述

路径-速度解耦指的是将车辆的运动分成路径规划和速度规划两部分，对两个部分分别进行研究。

路径规划：

假设环境是“静态的”，将障碍物投射到参考路径上，并规划一条避开它们的路径；

速度规划：

接收路径规划中给定的路径，将静态和动态障碍物都投影到st图上，并在图中规划大致的速度。

在路径规划中，基于当前的“静态”环境，生成路径边界来描述可通过的区域。并且这个可通行区域一般要求是凸集，这样能保证优化的质量。

并且路径规划在frenet坐标系和cartesian坐标系下都可实现，如下图所示：

在速度规划中，投影就是根据障碍物的预测信息，用红色和橙色标记为阻挡路径的障碍物。通过st图中障碍物投影与自车运动曲线（下图中红色曲线）的相对关系可以判断自车做出了何种策略。如假定最上方红色曲线为自车运动曲线，则自车对黄车做出了抢行的行为，因为在相同时间t，自车曲线具有更大的s；而对于下方第二条自车运动曲线，则是对黄车做出了让行的行为。

s(t)的高阶导数信息也包含在st图中。

在论文a real-time motion planner with trajectory optimization for autonomous vehicles中给出了路径速度解耦合的框架。

在该论文中作者使用四次螺旋多项式对路径进行规划生成轨迹，再在速度规划中利用三次多项式在st图中生成对应的曲线。路径速度解耦方法中，是先通过路径的集合和速度的集合生成对应轨迹的集合，再经过代价值计算选取最优曲线，再对最优曲线中的路径和速度进行优化。

上图是百度Apollo EM Motion Planner的框架，它的大体思想是对多条lane进行并行操作，生成对应的轨迹并打分，选择其中最优的。在每条lane的内部处理中分为E-step和M-step，E-step主要是进行障碍物的投影，M-step则是进行路径或速度的动态规划和二次规划，结合路径和速度的规划生成轨迹交给控制模块处理，同样也传送给最初的输入。大致流程和上篇论文的思想相同，下面对这个EM Planner进行一些具体的介绍。

2、EM Planner路径规划

SL Projection

路径优化器使用上一个周期的大致速度来估计与迎面来车和低速动态障碍物的相互作用。基于这个投影的过程，我们可以假设得到一个“静态的”环境。

DP Path Decision

在该部分，在自车前采样多行点。行点之间的间距取决于车速、道路结构等；不同行的离散点通过五次多项式曲线进行平滑连接；通过上述步骤得到的一系列曲线，我们可以使用DP（动态规划）在图中找到最优路径，这样就得到了一条能够避开障碍物类似安全通道的粗略解。

在动态规划过程中每条边的代价值计算设计如下：

这个代价函数还是比较好理解的，第一项 $C_{smooth}$ 是衡量驾驶平顺性，主要考虑车辆的速度、加速度和加加速度三个指标；第二项 $C_{obs}$ 主要考量车辆与障碍物的距离，采用分段函数的思想设置不同的值：当距离大于安全距离 $d_{n}$ 时为0，小于危险距离 $d_{c}$ 时给定一个较大的值 $C_{collision}$ ，当介于安全距离和危险距离也根据距离设置惩罚值；第三项 $C_{guidance}$ 主要为车辆离道路中心的偏移距离设置代价值。