自动驾驶 规划综述

Motion Planning

What is motion planning?

规划的本质是：

- 搜索问题

- “好”的规划就是一个目标函数：,求最优解

Motion Planning的三个领域

• Robotic Fields
  • 生成轨迹寻找目标
  • RRT， A*, D* ，D* Lite
• Control Theory
  • 动态系统理论实现目标状态
  • MPC模型预测控制， LQR线性二次型
• AI:状态到action的映射
  • 强化学习，模仿学习等

http://planning.cs.uiuc.edu/http://planning.cs.uiuc.edu/par1.pdf

如何解决一个Motion Planning问题?

我们需要找到一个简单的突破口，首先是一个path finding 问题，也就是路径选择问题。在这个问题中，我们不关心速度，不关心机器人如何运动，我们只关心路径的生成。

什么样的Path才是最好的path？

PathFinding.jshttps://qiao.github.io/PathFinding.js/visual/

• 路径最短
  • BFS & DFS
  • Dijkstra
• 基于启发式的搜索方法：A*
  • 大概知道了终点的位置
  • Heuristic function
  • Introduction to the A* Algorithmhttps://www.redblobgames.com/pathfinding/a-star/introduction.html

无人驾驶中的规划和A* search有什么区别？

• 无人驾驶场景下是部分感知
• 有动态障碍物
• 复杂环境：交通约束、碰瓷
  
• 而A* 是一个global algorithm

• Partial observed situation
  • 贪心算法
    increamental search:目前状态求解到最优
    

• D* 
  • 部分环境信息的一种搜索算法，经典的apollo登月小车上就采用了这种算法。
  • D* Lite
  • 使用D*算法进行路径搜索不一定能够搜索到全局最优解，但是经过统计学的分析，是能够逼近全局最优解的。
    Stentz Anthony, "Optimal and Efficient Path Planning for Partially-Known Environments", 1994

至此，我们已经有了如下几个方法：

• 构造目标函数并且结合了平滑性和目标cost
• 使用通用的search方法来最小化Cost从而找到一个最优解
• 通过Partial observed information 来做局部planning

路径规划还需要什么？

• 处理动态障碍物，动态环境
• 遵守交通规则，公共安全
• 实时计算
  • 计算时间100ms-150ms
  • 人的一般反应时间300ms-500ms
  • 酒驾 1000ms
  • 有限时间内找到最优解
    这就是为什么很多大公司使用C++而不用python的原因，因为C++能够对代码进行更多的优化。

motion planning定义

• Safely
• Smootly
• Achieve to destination （能够到达目的地）
• 输出三维的轨迹 X，Y，Time ：3D trajectory optimization problem
• 无人车硬件系统
  • 定位设备
  • 感知设备</