Apollo EM Planner（DP决策+QP优化）

已于 2022-04-23 20:14:17 修改
阅读量9.4k 收藏 156
点赞数 16
分类专栏： Apollo 决策规划 文章标签： wpf microsoft
于 2022-04-07 12:37:45 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/nudt_zrs/article/details/123286796
版权

EM算法源自论文Baidu Apollo EM Motion Planner，是Apollo早期版本的主要规划器，算法框架中带有决策（即DP、轻决策）。

虽然Apollo已经将主要规划器修改为piecewise jerk optimization，但其思想仍具有借鉴意义，尤其是在速度规划中，目前还是采用的DP+QP的解决方案。

 

Apollo 6.0的EM Planner (1)：路径规划的动态规划DP过程 - 知乎

Apollo 6.0的EM Planner (2)：路径规划的二次规划QP过程 - 知乎

Apollo 6.0的EM Planner (3)：速度规划的动态规划DP过程 - 知乎

Apollo 6.0的EM Planner (4)：速度规划的二次规划QP过程 - 知乎

Baidu Apollo代码解析之EM Planner中的DP Path Optimizer - 知乎

 Baidu Apollo代码解析之EM Planner中的QP Path Optimizer 1 - 知乎

Baidu Apollo代码解析之EM Planner中的QP Path Optimizer 2 - 知乎 

 Baidu Apollo代码解析之EM Planner中的QP Path Optimizer 2b - 知乎

 Baidu Apollo代码解析之EM Planner中的QP Path Optimizer 3 - 知乎

Baidu Apollo代码解析之EM Planner中的QP Speed Optimizer 1 - 知乎 

Baidu Apollo代码解析之EM Planner中的QP Speed Optimizer 2 - 知乎

 Baidu Apollo代码解析之EM Planner中的DP Speed Optimizer - 知乎

 

Apollo EM Planner阅读笔记_qyshen815的博客-CSDN博客

Apollo EM中path_assesment_task相关细节的讨论 - 知乎

论文研读笔记--"Baidu Apollo EM Motion Planner" - Challenging-eXtraordinary

path optimization and piecewise jerk optimization · Issue #9599 · ApolloAuto/apollo · GitHub

 动态规划及其在Apollo项目Planning模块的应用_知行合一2018的博客-CSDN博客_apollo动态规划

牛仔很忙^
关注
  • 16
    点赞
  • 踩
  • 156
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
【Baidu Apollo】6.4 规划 动态规划DP 和 二次规划QP
笑扬轩逸的博客
02-05 9935
5、Optimization Inside Motion Planning   动态规划来自于动态系统， 通过类似于有限元的方式，把问题抽象再离散空间里面，把重复计算通过aggregating的方式进行简化。        问题：计算时长太长，，这么撒点太复杂。 对于凸问题，或者单调问题，求最优解，用binary search搜索某个点的值就可以，收敛速度是指数收敛。 牛顿法更快，考虑了不...
Apollo决策规划 - EM planner
BigDavid123的博客
03-08 1462
文章详细讲解了EM planner的理论，包括规划需要的背景知识🍎：五次多项式、凸优化和非凸优化、直角坐标与自然坐标转换，参考线🍎：平滑算法、避障(规划起点，轨迹拼接)，自动驾驶的轻决策和重决策🍎，二次规划带来的问题，SL、ST如何迭代求解
EM规划器：EMPlanner
lzw0107的博客
02-25 9241
EM规划器：EMPlanner EM规划器，也是规划模块Planning的核心，主要的任务是根据： 感知模块Perception和预测模块Prediction得到的障碍物以及未来时间(e.g. 5s内)的运动轨迹 当前路况，禁停区、减速带、停车标志、人行横道等等 来最终规划无人车的最优行驶路径。从参考线提供器ReferenceLineProvider可以看到，当无人车面临变道时，就会存在多条参考线(变道时间可随机扰动，变道早可能进入车道1，变道晚就可能进入车道2)。那么EM规划器就需要计算每条参考线上的
基于动态规划的路径规划和速度规划：参考Apollo的DP路径规划与速度规划，附带CPP代码实现
最新发布
IjdfVngeYXOa的博客
05-27 320
速度规划的目标是根据车辆的动态特性和道路的限制条件，生成一条安全、平稳的速度曲线，使得车辆能够按照规划的路径行驶。动态规划是一种常用的路径规划方法，它通过将整个路径划分为多个子问题，并逐步求解这些子问题的最优解，从而得到整个路径的最优解。动态规划通过将路径和速度离散化为多个子问题，并逐步求解这些子问题的最优解，从而得到整个路径和速度的最优解。在这篇文章中，我们将探讨基于动态规划的路径规划和速度规划的原理和应用，并参考apollo的dp路径规划和速度规划来进行分析。更新:增加cpp代码实现。
Baidu Apollo EM Motion Planner.zip
03-10
Apollo EM motion planner
Apollo 轨迹规划算法解析
WenbinYao&YouweiHu
02-02 4179
这篇文章主要整理一下前段时间学习的轨迹规划算法，关于轨迹规划问题可以查到的相关资料很多，但能把轨迹规划问题详细说清楚的并不太多，这导致我在学习过程中出现很多疑惑。这里我把Apollo的各个版本轨迹规划算法进行简单总结和汇总。
Apollo规划代码ros移植-EM planner
weixin_39735688的博客
05-31 1607
之前出了这一篇文章，Apollo规划代码ros移植-路径规划可跑工程代码编译版本分享1，里面的功能包括stanly控制算法，Lattcie规划移植，frenet采样规划，倒车规划，避开障碍物等。框架可以实现基于Lanelet高精度地图的路径规划，可以直接编译运行，跟其他模块结合后，可应用于实际车辆。今天，先介绍一下EM_Planner的Ros移植。当然，后面还会出变道和超车的算法移植，这次的EM_Planner我们暂时考虑单车道规划，对于代码更新，我都会第一时间在交流群分享，所以想进群学习的人，可以私信我。
自动驾驶决策规划算法学习（EM Planner）-7.5
X_wenliang的博客
07-05 301
一、仿真平台的搭建（Prescan8.5.0、Carsim2019.1、matlab R2020b联合仿真）选择Prescan中的 Demo_PrescanCarsim3D.cpar 文件。1、Prescan8.5.0 创建新项目命名为 "testemplanner "选择“Audi A8 Sedan”作为车辆模型。更改仿真频率为1000Hz。2、Carsim2019.1创建新项目。3、打开matlab R2020b。控制结果不错，平台搭建成功。二、运行仿真检验平台。设置仿真时间，运行仿真。
基于Carla的EMplanner教程三：参考线平滑理论完全解析(二次规划)
Thebluewinds的博客
07-29 681
本文章从零开始详细讲解了如何从最初的参考点进行处理，构建二次规划目标函数和约束，到最后求解。适合零基础入门学习，中间插叙了cvxopt求解器的简单介绍。
Apollo EM Planner阅读笔记
LeonShen的博客
05-25 1万+
论文地址：https://arxiv.org/abs/1807.08048 论文类型：Motion Planning 目录： 文章目录简介多车道EM Planner框架整体框架多车道策略路径-速度迭代算法决策和交通规则约束车道级EM PLanner框架整体框架SL和ST投影（E-step）SL投影ST投影DP路径（M-step）样条QP路径（M-step）DP速度求解（M-step）QP速度求解（M-step）解QP问题的说明DP和QP非凸问题的说明案例分析总结 简介 EM Planner是Apollo面向
入门必看丨解析百度Apollo之决策规划模块
热门推荐
weixin_43619346的博客
08-03 1万+
转自Apollo开发者社区 Apollo系统中的Planning模块实际上是整合了决策和规划两个功能，该模块是自动驾驶系统中最核心的模块之一（另外三个核心模块是：定位、感知和控制）。本章主要讲解自动驾驶系统中最核心的模块——决策规划模块。 下面是由社区开发者—强波提供的文章，对百度Apollo之决策规划模块进行详细讲解（Apollo 3.5之前版本），希望这篇文章能给感兴趣的开发者带来更多帮助。 01 Apollo系统与Planning 下图是Apollo系统的整体架构图。从这幅图中我们可以看出，整个系统可
Baidu Apollo EM Motion Planner_路径规划_motionplanner_自动驾驶决策_自动驾驶_ap
10-02
自动驾驶决策仿真，一种自动驾驶路径规划的方法
Baidu Apollo EM Motion Planner.pdf
08-02
百度自动驾驶论文，关于模型的下载，模型的生成，命令操作，及结果进行详细介绍
Apollo RCA.pdf
10-29
Apollo Root Cause Analysis A new way of thinking RCA
考古apollo3.0 EMplanner笔记rawio
02-18
在Apollo 3.0版本中，EM Planner（Expectation-Maximization Planner）是一个关键组件，用于实现车辆的路径规划和速度控制。EM Planner采用了先进的算法来处理复杂的道路环境，确保车辆能够安全、高效地行驶。以下是...
Fan 等。 - 2018 - Baidu Apollo EM Motion Planner1
08-04
- 2018 - Baidu Apollo EM Motion Planner】这篇论文介绍了一个基于百度Apollo开源自动驾驶平台的实时运动规划系统。该系统致力于解决四级工业水平的运动规划问题，同时考虑了安全、舒适性和可扩展性。以下是该系统...
【无人驾驶——路径规划】 第一章 基础知识
TommyGong08的博客
07-11 1396
系列文章目录 最近想系统地学习一下路径规划的相关知识，于是就打算写一个专栏记录一下。 Planning是目前无人车最困难也最具有挑战的部分之一。 文章目录系列文章目录Motion Planning的三个领域如何解决一个Motion Planning问题无人驾驶中的规划和A* search有什么区别？D* 搜索路径规划还需要什么？motion planning定义基本的Planning方法RRTLatticeDP（动态规划）Lattice DPQP（二次规划）参考文献 这篇文章是B站上面一个无人驾驶
路径规划-learning
BigDavid123的博客
10-17 669
本文概述了路径规划的基础知识
Apollo EM Planner 论文解读
m0_55918181的博客
01-04 3017
EM planner论文解读
emplanner算法
11-10
Emplanner算法是一种用于解决多目标规划问题的算法。多目标规划问题是一类在给定多个目标函数和约束条件下，寻找多个最优解的优化问题。 Emplanner算法基于进化计算的思想，使用群体智能算法进行求解。它的核心思想是通过不断地迭代，逐步优化解的质量，直到找到一组近似最优解。 该算法的基本步骤如下： 1. 初始化种群：随机生成一组可行解，作为初始种群。 2. 评估适应度：计算每个个体在目标函数下的适应度值。 3. 选择操作：根据适应度值，选择一定数量的个体作为父代。 4. 交叉操作：使用交叉算子对选出的父代进行交叉操作，生成一定数量的子代。 5. 变异操作：对子代进行变异操作，引入新的搜索空间。 6. 更新种群：将父代和子代合并，更新种群。 7. 重复步骤2-6，直到达到停止条件。 在Emplanner算法中，适应度值用于评估每个个体的解的质量。通常情况下，适应度值的计算基于目标函数的值，如果目标函数的值越小，适应度值越高。 通过一系列的迭代，Emplanner算法能够不断搜索近似最优解空间，提供一组解决多目标规划问题的有效解。它的优势在于不依赖于问题的具体形式和数学模型，具有灵活性和鲁棒性。 总之，Emplanner算法是一种用于解决多目标规划问题的进化计算算法，通过优化解的质量，寻找一组近似最优解。

“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 1
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

牛仔很忙^

雪中送炭者，定当铭记在心！

¥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