本文深入探讨了Apollo中EM Planner的开发，涉及三维空间SLT优化，如何处理静态和动态障碍物。M步与E步分别对应最大化和期望。面对高维空间挑战，文章提出了离散处理和迭代路径速度解决方法，后者本质上是贪心算法，用于逼近局部最优解。文章还强调了优化问题的关键要素：目标函数、约束条件和求解器，并提及动态规划与二次规划在平滑轨迹生成中的应用，以及如何处理逆行障碍物，如利用hotstar热启动加速算法。
5.understand more on the MP difficulty
本节主要介绍EMplanner的开发，
如何抽象constraint
三维空间（slt）优化问题，不仅能够避开静态障碍物，也能避开动态障碍物
M step就是maximization，E step就是expectation-期望
解决高维空间，有两种方法：一种是离散处理，从configuration space出发，然后离散化，生成一些三维空间的trajectory，然后再寻找一个最优解。但是这样sample时，仍然有颗粒度，不可能把全空间都sample，
Iterative path speed solving：当在高维解决不了得问题，则先在低维空间里把其中一个维度的问题先解决，在此基础上，再优化另一个维度，优化的差不多了，再在此基础上，再去优化开始的那个维度，以此类推，不断迭代优化。
这种迭代算法，本质上来讲，仍旧是一种贪心算法，贪心算法只能收敛到局部最优，不一定能收敛到全局最优----但是这种局部最优有时也够用
优化问题的三个关键，objective function ,constraint以及solver
就是先通过动态规划有一个大概的了解，然后再用QP（二次规划）生成一条平滑的轨迹。
Speed的DP与前面也一样
关于逆行障碍物：
算法提速-hotstar热启动，就是将上一帧求出来的最优解作为一个启发，当做下一帧的起始搜索点
扫一扫
4836
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
