轨迹规划综述

概述

轨迹规划的任务是计算出一个无碰撞可执行的轨迹（包含路径和速度信息），保证车辆从起点安全的驾驶到目的地，并尽可能高效。其问题的本质是一个多目标的数学优化问题。

优化目标

主要的优化目标包括：
安全性：避免与场景中的障碍物发生碰撞；针对动态障碍物，由于其未来运动的不确定性，降低其未来的碰撞风险；
稳定性：由于车辆的惯性较大，灵活性差，期望轨迹需要保证车辆的物理可行性和控制器的稳定性；
舒适性：考虑到乘员的舒适性，需要在满足安全性和稳定性的同时保证车辆的驾驶舒适度，包括加减速以及转向等过程；
驾驶效率：在满足安全性和稳定性的同时，保证车辆以更快的速度驾驶，从而更短的时间到达目的地。

在实际场景中，规划过程需要考虑各种物理约束，有且不限于：
加减速度约束：受到动力系统和制动系统的性能极限，及驾驶员的安全性和舒适性的制约；
非完整性约束：车辆具有三个运动自由度，但是只有两个控制自由度，其非完整性约束决定了轨迹的物理可行性；
动力学约束：考虑到车辆的动力学特性和车身稳定性，其驾驶过程中的曲率和横摆角速度具有一定的约束；

用到的算法

2.1 基于图搜索的算法：Dijkstra、A*、D*（全局路径规划）
2.2 基于曲线拟合的算法：圆弧与直线、多项式曲线、样条曲线、贝塞尔曲线、微分平坦（局部路径规划）
2.3 基于数值优化的算法：利用目标函数和约束对规划问题进行描述和求解（局部路径规划）
2.4 基于人工势场的算法：人工势场法（全局路径规划）
2.5 基于采样的算法：RRT（全局路径规划）
2.6 基于智能法的算法：模糊逻辑、神经网络、遗传算法（略）

Dijkstra

Dijkstra算法是广度优先算法，是一种发散式的搜索，Dijkstra算法的主要特点是以起始点为中心向外层层扩展（广度优先搜索思想），直到扩展到终点为止。迪杰斯特拉算法的成功率是最高的，因为它每次必能搜索到最优路径。但迪杰斯特拉算法的搜索速度是最慢的：随着图维度的增大，其计算效率会明显变低。

A*

基本步骤：

把起点加入 open list 。
重复如下过程：
a ) 遍历 open list ，查找 F 值最小的节点移到 close list ，把它作为当前要处理的节点。
b ) 判断当前方格的 8 个相邻方格的每一个方格，若为unreachalbe或者已在 close list 中则忽略。否则做如下操作。
c ) 如果它不在 open list 中，把它加入 open list ，并且把当前方格设置为它的父亲，记录该方格的 F ， G 和 H 值。
d ) 如果它已经在 open list 中，检查这条路径 ( 即经由当前方格到达它那里 ) 是否更好，用 G 值作参考。更小的 G 值表示这是更好的路径。如果是这样，把它的父亲设置为当前方格，并重新计算它的 G 和 F 值。

A*他是导航的基础算法（如百度地图）：

规划的第一步是路线导航。侧重于研究如何从地图上的A点前往B点：如手机导航系统。Apollo中通过路线规划模块处理该任务。
规划的第二步是：在路线规划的基础上进行轨迹规划。该轨迹由一系列点定义，每个点都有一个关联速度和一个指示何时应抵达那个点的时间戳。Apollo通过规划模块处理该任务。
路线规划的目标是，找到从地图上的A前往B的最佳路径。轨迹规划的目标是找到避免碰撞和保持舒适度的可执行轨迹。
下图形由“节点”(node)和“边缘”(edge)组成。节点代表路段，边缘代表这些路段之间的连接。例如：在交叉路口，汽车可从节点1移动到节点2、节点3或节点4，反之亦然。
我们可以对一个节点移动到另一个节点所需的成本进行建模。例如在现实生活中，拐过一个交叉路口比直行更费劲，所以从节点1到节点4的成本高于从节点1到节点3的成本.