Apollo 规划技术详解——Optimization Inside Motion Planning
在自动驾驶软件的开发中,运动规划是最核心的模块之一。它将综合感知、定位和地图等信息,规划出无人车未来一段时间(约10秒)的一系列动作指令(方向盘转角、油门、刹车等)。
运动规划的问题——目标函数(objective function)和约束(constraint)。运动规划的最终目的就是找出一条最优的运动轨迹,使其能够最小化(或者最大化)目标函数,并且不违背任何约束。
约束问题的核心有三点:第一是目标函数的定义,目标函数比较清晰,对于后面的求解更有帮助。第二是约束,比如路网约束、交规、动态约束等。第三是约束问题的优化,比如动态规划、二次规划等。本节主要介绍动态规划和二次规划的基本概念,以及二次规划问题的求解方法和形式化方法。
动态规划
动态规划通过类似于有限元的方式,把问题从连续空间抽象成离散空间,然后在离散空间中进行优化。虽然这种方法可以逼近连续空间中的最优解,但是计算复杂度很高。针对计算时间长的问题,可以使用牛顿方法进行优化,它的收敛次数是指数平方,也叫二次收敛。
二次规划
二次规划算法的本质是牛顿法的 Taylor 展开,但是它的求解过程涉及更复杂的情况。因为二次规划方法并不一定是处理一维问题,可能涉及更高阶求导。在实践中,二阶导数基本可以满足问题需求。
二次规划问题的求解方式
然而,