Apollo Planning决策规划算法代码详细解析 (10)：PiecewiseJerkPathOptimizer

已于 2022-05-02 01:03:04 修改
阅读量4.9k 收藏 4
点赞数 7
分类专栏： Apollo决策规划模块代码详解 文章标签： 自动驾驶 c++ 人工智能 机器学习
于 2022-04-15 01:16:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nn243823163/article/details/124185202
版权

PiecewiseJerkPathOptimizer 是lanefollow 场景下，所调用的第 5 个 task，属于task中的optimizer类别它的作用主要是：

1、根据之前decider决策的reference line和 path bound，以及横向约束，将最优路径求解问题转化为二次型规划问题；

2、调用osqp库求解最优路径；

Apollo Planning决策规划系列文章 

Apollo Planning决策规划代码详细解析 (1)：Scenario选择​​​​​​

Apollo Planning决策规划代码详细解析 (2)：Scenario执行​​​​​​

Apollo Planning决策规划代码详细解析 (3)：stage执行</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
自动驾驶Player
关注
  • 7
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
订阅专栏
路径规划新增一个matlab动态案例，包含速度规划包含cpp代码实现
CEOlccsw的博客
01-26 399
首先，通过控制加速度控制点的位置和数量，我们可以实现路径在时间和空间上的优化。这意味着我们可以通过调整加速度控制点的位置来实现路径的快速或者平缓，从而满足不同场景下的需求。通过本文的介绍和动态案例的演示，读者可以更深入地了解piecewiseJerkPathOptimizer路径规划的原理和应用，并在实际项目中灵活运用。它的主要思想是通过分段定义路径的加速度，并根据加速度曲线的连续性和光滑性来优化整个路径。根据问题的需求，我们可以灵活地调整加速度控制点的个数和位置，从而实现不同的路径规划结果。
path_optimizer:车辆的实时路径规划
05-07
path_optimizer 该ROS软件包为非完整车辆生成了可行的路径。 模拟视频 （1） （2） 运行演示 0.安装依赖项并进行构建 Ubuntu 16.04上的ROS动力学 OpenCV 3 mkdir -p workspace/src && cd workspace/src git clone git@github.com:LiJiangnanBit/path_optimizer.git sudo bash path_optimizer/scripts/install_deps.sh cd .. catkin build path_optimizer source devel/setup.bash install_deps.sh将安装其他依赖项（已安装的依赖项将被跳过）。 这些依赖项包括： gflags 渗透质 grid_map ros_viz_tools tinysp
利用piecewiseJerkPathOptimizer进行路径规划与速度规划，附带matlab动态案例和cpp代码实现
最新发布
BhldpxVmro的博客
05-03 257
首先，通过控制加速度控制点的位置和数量，我们可以实现路径在时间和空间上的优化。这意味着我们可以通过调整加速度控制点的位置来实现路径的快速或者平缓，从而满足不同场景下的需求。通过本文的介绍和动态案例的演示，读者可以更深入地了解piecewiseJerkPathOptimizer路径规划的原理和应用，并在实际项目中灵活运用。它的主要思想是通过分段定义路径的加速度，并根据加速度曲线的连续性和光滑性来优化整个路径。根据问题的需求，我们可以灵活地调整加速度控制点的个数和位置，从而实现不同的路径规划结果。
《Planning Algorithm》第一章：简介
hujiawei_SJTU的博客
09-09 1782
Introduction Material前言课程的必修和选修章节罗列第一章: 简介1.1 规划1.2 举例和应用1.3 基本规划要素1.4 算法、规划器和书籍1.4.1 算法1.4.2 规划器1.4.3 规划1.5 本书的组织结构第一部分：简介第二部分：运动规划第三部分：决策理论规划第四部分：在不同约束下的规划 前言 规划算法是机器人领域、人工智能领域和控制理论领域中的重要组成部分。本系列博客将一同学习Steven M. LaValle的Planning Algorithm。 机器人领域（robotic
《Planning Algorithm》第二章： 离散规划
hujiawei_SJTU的博客
09-15 1208
第二章 离散规划（Discrete Planning）2.1 离散可行规划简介（Discrete Feasible Planning）2.1.1 问题描述2.1.2 离散规划的举例2.2 可行规划搜索（Searching for Feasible Planning）2.2.1 一般前向搜索（General Forward Searching）2.2.2 特定前向搜索方法（Particular Forward Search Methods）2.2.3 其他一般搜索方案（Other General Searc
自动驾驶算法详解(1) : Apollo路径规划 Piecewise Jerk Path Optimizer的python实现
自动驾驶Player的博客
04-08 9227
本文作为Apollo Planning决策规划代码详细解析系列文章的补充，将使用Python代码以及anaconda环境，来实现Apollo 决策规划Planning 模块里的 Piecewise Jerk Path Optimizer算法。 Piecewise Jerk Path Optimizer算法以上游模块决策的path bound，参考线reference line，规划起点start point为基础，通过在凸空间里将规划问题构建为二次优化问题，调用OSQP 库的求解器进行二次规划问题求解，.
《Planning Algorithm》 第三章：几何表示与变换
hujiawei_SJTU的博客
09-27 450
在连续空间内的规划 第三章：几何表示与变换一级目录二级目录三级目录 一级目录 二级目录 三级目录
Apollo规划算法介绍
03-30
"Apollo规划算法介绍" 在自动驾驶领域中，规划算法扮演着极其重要的角色。Apollo规划算法是其中的一种，主要应用于自动驾驶领域，旨在解决路径规划和轨迹规划问题。本文将深入探讨Apollo规划算法的原理和实现细节。...
百度apollo lane_change_decider 详细注释代码
04-02
百度apollo lane_change_decider 详细注释代码
decider:帮助团队快速决定并记住
06-06
开始： 下载流浪者： ://www.vagrantup.com/downloads.html 在这个项目的根目录下，输入vagrant up （第一次运行可能需要10分钟） 笔记： ssh 到 Vagrant 框，输入vagrant ssh Vagrant box 的 IP 地址是 10.0.50.50...
Apollo Control代码改写成Matlab代码
01-06
在本项目中，我们面临的是将Apollo控制代码，一个基于C++的自动驾驶系统，转换为Matlab语言。这个过程涉及到对原始代码的理解、重构以及在Matlab环境中的实现。Apollo控制代码是百度开源的自动驾驶平台的关键组成...
planning algorithm
01-19
Steven M. LaValle University of Illinois Published by Cambridge University Press PLANNING ALGORITHMS 机器人规划算法的基础，英文版
Planning Algorithm
03-01
Planning Algorithm 英文版 Steven M. LaValle 著 规划算法
Planning Algorithms
01-16
This book presents a unified treatment of many different kinds of planning algorithms. The subject lies at the crossroads between robotics, control theory, artificial intelligence, algorithms, and computer graphics. The particular subjects covered include motion planning, discrete planning, planning under uncertainty, sensor-based planning, visibility, decision-theoretic planning, game theory, information spaces, reinforcement learning, nonlinear systems, trajectory planning, nonholonomic planning, and kinodynamic planning. "Motion planning is an important field of research with applications in such diverse terrains as robotics, molecular modeling, virtual environments, and games. Over the past two decades a huge number of techniques have been developed, all with their merits and shortcomings. The book by Steve LaValle gives an excellent overview of the current state of the art in the field. It should lie on the desk of everybody that is involved in motion planning research or the use of motion planning in applications." _ _ | | | | _ _ | | _____ ____ _____| | _| |_ ___ ____ ____ _____ ____ _| |_ ___ | || ___ |/ _ (____ | | (_ _) _ / ___) ___) ___ | _ (_ _)/___) | || ____( (_| / ___ | | | || |_| | | | | | ____| | | || |_|___ | _)_____)___ _____|_) __)___/|_| |_| |_____)_| |_| __|___/ (_____| -LEGAL TORRENTS Purpose: create a balance, share the already free stuff, public domain works, freeware, free music, free ebooks, articles, manifestos, movie trailers, and more. show the copyright owners that torrent websites shouldn't bear the responsibility of what their users upload, torrent websites are very much similar to google.. users upload what they want to upload, download what they want to download, and search for what they want to search.. by creating this balance and sharing the already free stuff, we hope to take the pressure of torrent websites.. _ _ | | | | _ _ | | _____ ____ _____| | _| |_ ___ ____ ____ _____ ____ _| |_ ___ | || ___ |/ _ (____ | | (_ _) _ / ___)
Planning algorithm
12-10
机器人的规划算法的描述，从建模以及诸多算法的介绍
planning algorithm（规划算法）英文版
12-03
这个是绝版书了，有需要的可以下载！
Baidu Apollo EM Motion Planner_路径规划_motionplanner_自动驾驶决策_自动驾驶_ap
10-02
压缩包中的“Baidu Apollo EM Motion Planner.pdf”很可能是详细介绍这个路径规划算法的文档，涵盖了理论背景、实现细节、性能评估等内容。深入阅读这份文档将有助于更全面地理解百度Apollo在自动驾驶决策上的技术...
决策规划算法四：Piecewise Jerk Path Optimizer
肥嘟嘟的左卫门
05-07 6377
一，问题分析 路径规划的本质目的：规划出一条安全（无碰撞），舒适（平滑），符合车辆运动学的轨迹。 如下图所示，决策算法开辟凸空间后，路径规划算法用数值优化的方法搜索出一条最优路径，即将问题转化为二次规划的问题，采用二次规划的求解器进行求解。 二次规划问题的求解顺序： 1，确定优化变量 2，确定目标函数 3，确定约束条件 4，将目标函数和约束条件变形为二次规划的标准形式 5,用二次规划求解器进行求解，获得优化变量的序列，使得目标函数取得最小值。 注：路径的最终表达式为：，..
Apollo planning之PiecewiseJerkPathOptimizer
weixin_65089713的博客
08-15 3032
路径规划是自动驾驶汽车运动规划的关键组成部分。路径指定车辆将行驶的几何形状，因此，安全性和舒适性是至关重要的。对于城市驾驶场景，自动驾驶汽车需要能够在杂乱无章的环境中导航，例如，道路部分地被许多车辆/障碍物挡住。如何去生成一个运动学可行、平滑的、并且能够在复杂环境中避障的路径，这是路径规划中极具挑战的问题。在这篇论文中，我们提出了一个能生成最优路径的新颖的二次规划方法，这是以一定分辨率来完全避障的方法。.........
apollo planning决策规划算法代码详细解析
06-28
### 回答1： Apollo Planning决策规划算法在无人驾驶领域中被广泛应用，在自动驾驶车辆中起着至关重要的作用。该算法主要通过对车辆周围环境的感知和分析，实现智能驾驶路线的规划和决策，确保车辆安全行驶。 该算法的代码主要包含三个部分：感知模块、规划模块和控制模块。其中感知模块主要负责采集车辆周围的环境信息，包括车辆所处的位置、路况、障碍物等。规划模块通过对这些信息的分析，提出一系列可能的驾驶路线，并通过评估这些路线的优劣来选择最佳驾驶路线。控制模块负责实现规划模块中选择的最佳驾驶路线，并控制车辆按照路线行驶。 在Apollo Planning决策规划算法中，规划模块是实现驾驶决策的最重要模块，也是最具技术难度的模块。规划模块通过对车辆当前状态和环境信息的分析，提出一系列汽车驾驶路线。该算法采用在线生成路线方案的方法，路线生成的步骤如下： 1. 动态路径规划：根据车辆的位置和行驶状态，实时选择当前最佳的驾驶路线。 2. 静态路线生成：基于当前车辆所处的环境信息，生成固定的驾驶路线。 3. 组合路径规划：将动态路径规划和静态路线生成相结合，生成最终的驾驶路线。 除此之外，Apollo Planning决策规划算法还包括计算机视觉、机器学习、深度学习和人工智能等技术，这些技术的综合应用使得Apollo Planning决策规划算法成为无人驾驶领域中应用最广泛的决策规划算法。 ### 回答2： Apollo Planning决策规划算法是一种用于自动驾驶系统的规划算法。该算法的主要作用是实时生成安全、有效且符合路况的路径以实现自动驾驶功能。本文将对该算法进行详细解析。 Apollo Planning决策规划算法主要包括三个步骤：路线规划、运动规划和决策规划。具体代码如下： 1. 路线规划 ```c++ bool Planning::PlanOnReferenceLine() { std::vector<const hdmap::HDMap*> hdmap_vec; hdmap_vec.reserve(1); if (!GetHdmapOnRouting(current_routing_, &hdmap_vec)) { AERROR << "Failed to get hdmap on current routing with " << current_routing_.ShortDebugString(); return false; } const auto& reference_line_info = reference_line_infos_.front(); std::vector<ReferencePoint> ref_points; if (!CreateReferenceLineInfo(hdmap_vec.front(), reference_line_info, &ref_points)) { AERROR << "Failed to create reference line from routing"; return false; } // Smooth reference line Spline2d smoothed_ref_line; std::vector<double> s_refs; std::vector<double> l_refs; std::vector<double> headings; std::vector<double> kappas; std::vector<double> dkappas; if (!SmoothReferenceLine(ref_points, &smoothed_ref_line, &s_refs, &l_refs, &headings, &kappas, &dkappas)) { AERROR << "Failed to smooth reference line"; return false; } reference_line_info.SetTrajectory(&smoothed_ref_line); reference_line_info.SetReferenceLine(&ref_points); // set origin point if (!reference_line_info.SLToXY(s_refs.front(), 0.0, &origin_point_)) { AERROR << "Failed to get origin point on reference line"; return false; } return true; } ``` 在路线规划阶段中，Apollo Planning决策规划算法首先获取当前行驶路线和高精度地图数据。然后根据行驶路线和地图数据构建参考线，对参考线进行平滑处理，得到平滑后的参考线。此时我们可以得到平滑后的参考线的位置、方向和曲率等信息，这些信息将作为后面的运动和决策规划的输入。 2. 运动规划 ```c++ bool Planning::PlanOnPrediction() { PredictionObstacles prediction_obstacles; if (!GetPrediction(&prediction_obstacles)) { AERROR << "Prediction failed"; return false; } std::vector<Obstacle> obstacles; if (!BuildObstacle(prediction_obstacles, &obstacles)) { AERROR << "Unable to build obstacle"; return false; } const auto& reference_line_info = reference_line_infos_.front(); const auto& reference_line = reference_line_info.reference_line(); SpeedData speed_data; Cruiser::PlanningTarget planning_target; Status status = cruiser_->Plan(reference_line_info, obstacles, 0.0, reference_line.Length(), &speed_data, &planning_target); if (status != Status::OK()) { AERROR << "Failed to plan path with status: " << status; return false; } RecordDebugInfo(reference_line_info, obstacles, speed_data); return true; } ``` 运动规划主要用于生成车辆在参考线上的运行轨迹。在运动规划阶段，Apollo Planning决策规划算法首先获取预测障碍物信息，将预测的障碍物转化为Obstacle对象。然后根据当前平滑后的参考线、障碍物等信息进行运动规划。运动规划的目标是生成符合规划目标的速度曲线。最后，Apollo Planning决策规划算法记录调试信息，以便后续分析调试。 3. 决策规划 ```c++ bool Planning::MakeDecision() { const auto& reference_line_info = reference_line_infos_.front(); const auto& reference_line = reference_line_info.reference_line(); std::vector<const Obstacle*> obstacles; if (!Obstacle::CreateObstacleRegions(FLAGS_max_distance_obstacle, reference_line_info, &obstacles)) { AERROR << "Failed to create obstacle regions"; return false; } for (auto obstacle_ptr : obstacles) { const auto& obstacle = *obstacle_ptr; if (obstacle.IsVirtual()) { continue; } if (obstacle.IsStatic()) { continue; } if (obstacle.type() == PerceptionObstacle::BICYCLE || obstacle.type() == PerceptionObstacle::PEDESTRIAN) { continue; } const auto& nearest_path_point = obstacle.nearest_point(); const SLPoint obstacle_sl = reference_line_info.xy_to_sl(nearest_path_point); if (obstacle_sl.s() < -FLAGS_max_distance_obstacle || obstacle_sl.s() > reference_line.Length() + FLAGS_max_distance_obstacle) { continue; } ObjectDecisionType decision; decision.mutable_avoid(); decision.mutable_avoid()->set_distance_s(-obstacle_sl.s()); reference_line_info.AddCost(&obstacle, &decision); } std::vector<ObjectDecisionType> decisions; if (!traffic_rule_manager_.ApplyRule(reference_line_info, &decisions)) { AERROR << "Failed to apply traffic rule manager"; return false; } reference_line_info.SetDecision(decisions); return true; } ``` 决策规划是基于当前环境信息和规划的路径等输入信息，实时生成控制命令的过程。在Apollo Planning决策规划算法中，决策规划阶段根据当前参考线、障碍物等信息生成决策。该算法根据不同的规则和策略，生成不同的控制命令，以保证车辆安全、有效地运行。 综上，Apollo Planning决策规划算法是自动驾驶系统中重要的规划算法之一，它通过路线规划、运动规划和决策规划三个步骤，实现了安全、有效和符合路况的路径规划，为自动驾驶车辆的控制提供了重要的支持。 ### 回答3： Apollo Planning（阿波罗规划）是百度自动驾驶平台Apollo中的一种决策规划算法，主要用于规划车辆的驾驶行为。该算法基于深度强化学习，使用了运动学模型和环境感知技术，可以根据车辆当前位置和目的地，生成一条最优的行驶路径，包括车辆的控制指令和行驶速度等。 该算法的核心技术是深度强化学习，它通过对驾驶过程进行大量的仿真，让计算机通过自我学习得到驾驶规则，使车辆能够根据不同的场景做出最优的决策。具体而言，算法先通过神经网络生成一系列潜在的行动策略，然后通过与环境进行交互、执行行动并接收环境反馈来评估每个策略的优劣，最终选取最优策略进行执行。 在实现上，Apollo Planning算法主要由四个模块构成：感知模块、规划模块、执行模块和控制模块。感知模块主要用于获取车辆周围环境的信息，包括车辆位置、速度、道路情况、交通灯等；规划模块根据感知模块提供的信息和车辆的目的地，生成一条最优的行驶路径；执行模块则根据规划模块生成的路径信息，实现车辆的自主驾驶；控制模块则根据执行模块生成的控制指令，控制车辆的加速、刹车、转向等行为。 在算法实现上，Apollo Planning采用了C++编程语言，结合ROS框架实现各模块之间的数据交互和代码复用，保证了算法的高效性和可维护性。算法代码实现方面还采用了许多优化技术，包括多线程并发执行、高效的数据结构和算法等，以提升算法的运行效率和稳定性。 总之，Apollo Planning是一种基于深度强化学习的决策规划算法，具有高效、自主、可靠等特点，在智能驾驶领域具有广泛应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

自动驾驶Player

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值