- 博客(212)
- 收藏
- 关注
RSS订阅原创 apollo的超车、绕行、跟车规划的流程
其流程遵循分层决策机制，但并非简单的“先决策后执行”，而是通过。：需精细调参以避免决策振荡（如频繁切换超车/跟车）。Apollo的超车/绕行/跟车行为是。在Apollo自动驾驶框架中，Apollo的决策规划模块分为。：灵活性高，适应动态环境；
2026-02-27 10:46:48
223
原创 矿山无人车更适合使用EMplanner还是latticeplanner
在矿山场景中，无人驾驶车辆的路径规划需要应对复杂地形、动态障碍物（如工程车辆、人员）、非结构化道路以及恶劣环境（如扬尘、泥泞）等特殊挑战。各有特点，但综合来看，
2026-02-26 17:15:46
348
原创 碰撞检测：射线法（Ray Casting）、分离轴定理（SAT）、向量法（Vector-Based Methods） 在多边形与多边形碰撞检测中的优劣势对比
根据项目需求选择，平衡。
2026-02-25 14:27:47
715
原创 自动驾驶中轨迹平滑，QP优化和SQP优化区别
算法核心特征适用场景轨迹平滑定位QP目标函数是二次函数，约束是线性约束 → 凸优化，有唯一最优解，求解速度极快简单约束、凸问题轨迹“轻量精修”SQP将非线性约束/目标函数拆成一系列QP子问题，迭代求解 → 非凸问题也能解复杂非线性约束、非凸问题轨迹“强约束优化”核心区别：QP解线性/二次凸问题（快、简单），SQP通过迭代QP解非线性非凸问题（强约束、稍慢）；矿卡适配：QP做“常规平滑”，SQP做“强非线性约束优化”；工程选型：优先用“采样+QP”保证实时性，复杂场景叠加SQP强化约束。
2026-02-11 14:37:09
324
原创 autoware的无人驾驶使用的局部轨迹规划算法是什么？
Autoware 局部轨迹规划是开源界的“全能型选手”双范式：结构化道路用Frenet 采样+QP 优化，自由空间用Hybrid A/RRT**版本演进：.ai 版 Lattice 简单轻量，Universe 版行为树+多规划器调度，工程化成熟行业定位：开源可定制，适合科研、矿区/园区等商用量产，是 Apollo/华为闭源方案的最佳开源替代核心结论DWA/TEB 仅辅助，Path Sampler+QP 是主干，Hybrid A是自由空间标配Autoware.Universe 局部规划适配矿卡的。
2026-02-11 11:45:13
878
原创 FAST planner的路径规划算法
FAST Planner核心：以“改进版RRT*/BIT*采样”找可行路径，以“多项式+QP优化”做平滑，兼顾速度与安全；矿卡适配关键：替换动力学约束、调整采样策略、重构代价函数（安全优先）；落地价值：适配矿区非结构化环境，实时性满足矿卡硬要求，是除Lattice/Hybrid A*外的优质选择。
2026-02-11 11:31:31
468
原创 apollo使用的局部规划算法
Apollo 局部轨迹规划是规则优化派的工业标杆双主干：EM Planner（Public Road）主稳定，Lattice 主机动底层范式：Frenet 坐标系 + 路径-速度解耦 + DP 粗搜 + QP 精修版本定位：3.5+ Public Road Planner 是量产绝对主力，Lattice 做机动补充行业地位：乘用车/商用车量产首选，矿区矿卡可直接复用架构，仅需动力学与场景定制Apollo EM Planner 适配矿卡的改造参数与约束清单Apollo 局部规划在矿区的。
2026-02-11 11:15:05
1111
原创 华为ADS（乾崑智驾）的局部轨迹规划
华为ADS局部轨迹规划是分层演进、软硬协同ADS 3.0：工程最优解，Lattice Planner + QP精修 + MPC跟踪，与行业主流一致但深度定制。ADS 4.0：技术前沿，WA-MoE端到端生成 + PDP时空规划 + 传统模块保底，大模型重构决策链路。3.0架构是量产必选，4.0大模型思路是下一代升级方向，TEB/DWA/Ego-Planner均不适合作为矿卡主局部规划。华为ADS Lattice Planner适配矿卡的改造参数与约束清单。
2026-02-11 10:20:39
1021
原创 局部规划中的TEB，DWA，EGOplanner等算法在自动驾驶中应用？
DWA/TEB：机器人时代产物，自动驾驶里低速园区有用，矿卡基本不用。：现代轻量避障规划器，矿卡局部规划有改造价值。、MPC、采样+优化融合Ego-Planner 适配矿卡的改造点清单TEB/DWA 在矿卡中仅适合的功能范围一套矿区局部规划的算法架构选型与接口设计。
2026-02-06 11:20:39
360
原创 矿区无人驾驶矿车局部规划的算法有哪些？
矿区无人驾驶矿车（Local Planning）以为核心，算法分为四大类，下面按落地成熟度、适用场景分类整理，附矿车场景适配改造要点。
2026-02-06 11:03:43
433
原创 在路径规划中基于优化的路径规划和基于采样的规划区别与优略
在自动驾驶中，**基于优化(Optimization-based)。下面给出清晰的决策框架与选型原则。
2026-02-06 10:52:09
331
原创 搜索算法--黄金分割搜索
精度优势：提供连续轨迹上的精确最近点效率优势：对长路径计算效率更高平滑性优势：避免最近点的离散跳跃适应性优势：适合各种路径密度直接遍历的适用场景有限： 主要适用于路径点非常密集且对精度要求不高的简单应用。在高精度自动驾驶系统中，黄金分割搜索是更合适的选择，因为它能够满足自动驾驶对精度、平滑性和实时性的综合要求。
2026-02-04 14:25:51
375
原创 Apollo学习之EM Planner
局部路径规划的l-s曲线和速度规划的s-t曲线，通过参数化转换（将s作为中间变量，l=l(s(t))，即l-t曲线），融合为完整的Frenet时空轨迹，之后做最终的全约束校验横纵向协同校验：检查横向l-t曲线与纵向s-t曲线的联合动力学约束（如变道时横向加速度+纵向加速度的合加速度≤0.8m/s²）；碰撞最终校验：将融合后的时空轨迹投射到笛卡尔坐标系，与所有障碍物的预测轨迹做最终的碰撞检测，确保无物理碰撞；可执行性校验：检查轨迹是否在车辆的动力系统执行范围内（如最大加速度是否超过车辆实际动力）；
2026-02-04 10:01:59
963
原创 apollo中速度规划的s-t图讲解【针对借道超车的问题】
基于高精地图+感知车道线，在Frenet坐标系中为每一条车道定义横向有效范围l∈l1l2l∈l1l2），其中lll自车本车道l∈lm1lm2l∈lm1lm2（如l∈03.5ml∈03.5m，3.5m为标准车道宽度）；自车超车道l∈lo1lo2l∈lo1lo2（如l∈3.5m7.0ml∈3.5m7.0m对向车道l∈lp1lp2l。
2026-02-03 16:32:14
668
原创 开源的自动驾驶框架
全栈落地首选：Apollo（工业级、生态完善）、Autoware.Universe（低成本、开源社区）、ROS 2 Navigation2（低速移动机器人）；算法研发首选：OpenPCDet/MMDetection3D（感知）、OMPL/CasADi（规划控制）、Carla/LGSVL（仿真）；新手入门首选：MiniAuto（Python极简）、SelfDrivingCarSim（优达学城教程）；核心原则仿真先行、版本匹配、生态优先。
2026-02-03 16:14:05
886
原创 apollo学习之借道超车的速度规划
对向车辆的s-t投射：Apollo会将对向车道车辆的轨迹和速度投射到超车速度规划的s-t图中，经Frenet坐标映射→时空轨迹预测→安全冗余放大后，形成最高优先级的时空障碍物硬约束，速度曲线必须完全绕开；速度规划核心算法：基于DP全局搜索+QP局部优化，在带全环境时空约束的s-t图中生成无冲突曲线，兼顾全局最优和局部平滑；超车核心逻辑：在s-t图的对向车辆安全时空窗口内，完成“跟车-加速-匀速-减速-巡航”的速度曲线生成，横向变道与纵向加减速同步执行；安全设计：对向约束为最高优先级，取对向车辆。
2026-02-03 15:43:25
546
原创 apollo中车辆的减速绕行，和加速超车实现
Apollo对减速绕行和加速超车的处理，是自动驾驶全栈技术的协同体现安全优先，法规合规：减速绕行触发条件宽松，是基础避障手段；加速超车触发条件极其严格，仅在高速/快速路的合规区域执行，非必要不超车；规划为王，平滑为纲：所有操作的核心是规划模块生成的连续平滑的时空轨迹，路径和速度曲线都满足严格的舒适性和安全性约束，避免急加减速/急转弯；全栈协同，兜底保障：基于「感知-预测-决策-规划-控制」的经典流程，模块间低延迟通信，且所有操作都有完善的紧急兜底策略，保证全程安全。Apollo的设计逻辑贴合。
2026-02-02 15:51:49
511
原创 C++学习——C++中`memcpy`和**赋值拷贝**的核心区别
int/char/short/long/float/double/指针等，都是平凡可拷贝类型；自定义没有自定义的拷贝构造函数、赋值运算符、析构函数；所有成员变量都是平凡可拷贝类型；没有虚函数/虚基类（虚函数会引入虚函数表指针，memcpy拷贝会导致虚表指针混乱）；继承体系中的所有基类都是平凡可拷贝类型。没有自定义拷贝/析构逻辑、没有虚函数、成员都是内置类型的简单结构体/类，就是平凡可拷贝类型。以包含std::string的类为例（
2026-01-30 16:18:36
833
原创 yolo算法发展
YOLO系列通过持续创新，在保持实时性的同时不断提升精度，已成为工业界和学术界的首选目标检测框架。开发者应根据具体场景需求选择版本，并关注其官方GitHub仓库获取最新进展。YOLO（You Only Look Once）算法自2016年诞生以来，已成为实时目标检测领域的标杆技术。
2026-01-15 19:33:27
626
原创 在局部轨迹规划中，加速度和加加速度代价对轨迹的影响
加加速度代价（Jerk Cost）**的引入会显著影响路径的平滑性、舒适性和可行性，尤其在自动驾驶、机器人导航等动态系统中。在局部路径规划中，**加速度代价（Acceleration Cost）通过合理设计这两种代价，可以在动态环境中生成既平滑又响应灵敏的轨迹。速度曲线的高阶导数更平滑，接近人类驾驶的“自然”行为。
2026-01-09 10:28:48
699
原创 cmake的add_definitions和target_compile_definitions使用
标志）或编译选项的命令。它通常用于定义宏、设置编译器标志或传递全局配置参数。某些选项可能仅适用于特定编译器（如 GCC/Clang/MSVC），需用。在 Modern CMake 中，优先使用。是一个用于向编译器添加预处理器定义（，减少全局定义的影响。在 CMake 中，
2026-01-05 15:49:55
414
原创 VMware使用问题汇总
1、VMware扩展磁盘提示：在部分链上无法执行所调用的函数。请打开父虚拟磁盘原因：1、创建过快照，但是快照删除时候，残余文件没有删除干净。2、重新创建一个快照，然后在快照管理器中删除这个快照。问题解决！解决办法：先点1创建，再点2删除，然后在扩展磁盘。打开ubuntu，执行sudo apt-get install gparted安装之后打开软件完成。
2025-12-29 19:30:31
249
原创 C++数据结构学习之std::priority_queue
是一个容器适配器（Container Adapter），它基于底层容器（默认是。用于 Dijkstra 算法、A* 搜索等场景，通常需要最小堆（）提供优先队列（堆）的功能。，较大的元素优先级高）。比较，导致较大的元素排在前面。或自定义排序规则，必须提供。使用了自定义的比较函数。
2025-12-22 15:21:26
321
原创 C++学习之decltype使用
是C++11引入的类型推导关键字，用于查询表达式的类型而不实际计算该表达式。基本用法1. 推导变量类型2. 推导函数返回类型3. 模板编程中的应用详细规则简单标识符：带括号的表达式：如果表达式是左值，推导为T&如果表达式是右值，推导为T成员访问：与的区别特性推导基础基于初始化表达式基于给定表达式引用处理默认去除引用保留引用顶层const默认去除保留数组类型退化为指针保留数组类型实际应用场景1
2025-12-19 16:45:06
302
原创 C++学习之std::move 的用法与优缺点分析
是 C++11 引入的一个重要特性，用于实现高效的资源转移（移动语义）。典型应用场景1. 移动构造和移动赋值2. 优化函数返回值3. 容器操作优点性能优势：避免不必要的深拷贝，特别是对于大型对象或资源密集型对象资源所有权转移：明确表示资源所有权的转移支持不可拷贝对象的转移：对于如等不可拷贝但可移动的对象特别有用标准库兼容：与STL容器和算法良好集成缺点和注意事项对象状态不确定：被移动后的对象处于有效但不确定的状态不是所有类型都支持：只有实现了移动构造/移动赋值的类
2025-12-19 16:41:44
310
原创 解析几何——求点A到点B和C组成直线的垂线的距离，以及点到线段的距离
使用向量叉积计算平行四边形的面积，然后除以底边长度得到高度。：O(1) 常数时间。
2025-11-05 18:56:43
341
原创 ubuntu更新指定内核
因为它最安全且由Ubuntu官方支持。如果方法一不可行，再考虑其他方法。这是最安全、最官方的方法，适用于该版本在Ub官方仓库中可用的情况。：安装新内核时不要删除旧内核，以便在出现问题时可以回退。：需要找到确切的5.15.0-78版本对应的下载链接。如果方法一找不到该版本，可以手动下载安装。：内核更新有风险，建议先备份重要数据。：确保新内核与你的硬件兼容。
2025-10-27 10:45:10
566
原创 自动泊车学习之混合A*+RS曲线解释
一个鲁棒、高效的自动泊车系统，其规划层通常采用以下流程：1.混合A+ RS 进行全局路径搜索*：目标：在存在障碍物的地图中，快速找到一条从起点到终点的、车辆能执行的可行路径。输出：一条由RS曲线构成的几何路径。2.轨迹平滑优化目标：将上一步得到的几何路径，优化成一条曲率连续、符合车辆动力学、舒适性好的轨迹。方法：通常使用二次规划（QP）或样条曲线，以原始路径为参考，施加曲率、加速度等约束进行平滑。输出：一条包含位置、朝向、曲率、速度、加速度等信息的时间序列轨迹。3.
2025-10-16 09:24:53
1102
1
原创 Cmake安装、升级以及版本切换
如果你不想手动编译安装CMake，你可以使用第三方的PPA源来快速获取最新的CMake版本。请注意，PPA源是由第三方维护的，并非官方源。要升级到较新的CMake版本，我们可以从官方源码进行编译安装。首先，我们需要下载最新的CMake源码包。通过以上步骤，可无缝切换到高版本 CMake，同时避免系统兼容性问题。选择高版本对应的数字编号，按回车确认。
2025-10-15 11:20:31
716
原创 Autoware不同版本之间的区别
Autoware 作为开源自动驾驶框架，其不同版本在架构、功能和支持的硬件上有显著差异。集成和GPU加速感知 pipeline 能显著提升效率。是最佳选择，尤其在CARLA中测试时，其。对于大多数仿真和算法开发场景，
2025-09-18 11:35:39
684
原创 Apollo学习之预测模块二
Apollo 10.0的预测模块是其自动驾驶系统的核心组件之一，主要负责预测周围交通参与者（车辆、行人等）的未来运动轨迹。的架构，结合深度学习与传统运动学模型，实现了高精度、低延迟的预测能力。Apollo 10.0的预测模块通过。Apollo预测模块采用。
2025-09-17 13:50:53
965
原创 算法学习之RS曲线和Dubin‘s曲线对比
通过理解这两种曲线的原理和取舍，可以更高效地设计无人系统（无人机、机器人）的运动规划模块。，适用于需要倒车的场景（如停车规划）。的车辆（如无人机、汽车）。其核心思想是通过组合。通过枚举这些组合并选择最短路径，得到最优解。RS曲线是Dubins曲线的扩展，允许车辆。通过枚举所有组合并选择最短路径。问题的经典方法，适用于。Dubins曲线是解决。
2025-09-16 17:48:22
787
我电脑的zsh配置，oh my zsh + powerlevel10k + Hack Nerd Font
2024-11-14
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人