apollo学习之---planning理论到实践（5-3）---路径边界计算

最新推荐文章于 2024-08-17 10:18:13 发布
最新推荐文章于 2024-08-17 10:18:13 发布
阅读量600 收藏 1
点赞数
分类专栏： apollo学习 文章标签： 自动驾驶 开发语言 算法
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/qq_41593516/article/details/121675518
版权
本文详细介绍了Apollo自动驾驶系统中Planning模块的路径边界计算过程，包括道路边界和障碍物边界的更新流程。通过参考文章和示意图，结合代码实践，展示了如何在Apollo环境下进行路径规划，并在LGSVL仿真器中验证行人障碍物的路径规划效果，重点探讨了路径边界限制条件的修改方法。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
DsAuto_汽车电子电控
关注
专栏目录
订阅专栏
Apollo Planning规划算法仿真调试(8)：路径规划PathBoundsDecider上
自动驾驶Player的博客
05-24 2175
前言： PathBoundsDecider 是Apollo Planning规划算法的第四个task，PathBoundsDecider根据lane borrow决策器的输出、本车道以及相邻车道的宽度、障碍物的左右边界，来计算path 的boundary，从而将path 搜索的边界缩小，将复杂问题转化为凸空间的搜索问题，方便后续使用QP算法求解。它的作用主要是： 根据借道信息、道路宽度生成FallbackPathBound 根据借道信息、道路宽度生成、障碍物边界生成PullOverPathBound、
ApolloVision视觉之旅（2）：基于形状轮廓的1对N，N对N的机器视觉模板匹配的快速实现
Pre-vision
05-16 1994
在机器视觉领域，最常见的功能莫过于形状匹配定位，无论是在对工件的有无判定、正反判定、工件的分类还是在工件尺寸的定位测量等需求均有非常广泛的应用。本文中我们将结合ApolloVision对此进行深入的讲解。 算法原理扫盲 基于形状的匹配算法，通常的理解是针对图像模板（从原图中截取的一部分）进行一个抽象，比如先对图像模板的分辨率进行调整，形成多个层级的图像元素（这一过程通常称为图像金字塔，主要目的是为了提高匹配速度，但同时也会对匹配精度造成对应的影响），然后对不同层级的图像元素进行边缘的提取（通常采用Can
Baidu Apollo代码解析之path_bounds_decider
silver bullet
03-11 4764
大家好，我已经把CSDN上的博客迁移到了知乎上，欢迎大家在知乎关注我的专栏慢慢悠悠小马车（https://zhuanlan.zhihu.com/c_1132958996826546176）。希望大家可以多多交流，互相学习。 ...
Apollo Planning学习（5）-------PATH_BOUNDS_DECIDER
m0_71477431的博客
02-02 1385
学习记录
Apollo planning之PathBoundsDecider
weixin_65089713的博客
08-14 2622
PathBoundsDecider类，，路径边界决策主要的就在Process方法中。Decider类继承了，，并且执行方法。和上述的方法相对应Task类，定义类，是路径边界决策的输入。
apollo学习之---planning理论到实践（1-1）总体流程及架构
qq_41593516的博客
09-24 1875
Lattice Planner从学习到实践
Apollo9.0 PNC源码学习之Planning模块—— Lattice规划（三）：静态障碍物与动态障碍物ST图构建
最新发布
BigDavid123的博客
08-17 145
本文详解了静态障碍物和动态障碍物S-T图的创建
自动驾驶---Planning模块详细介绍（以Apollo为例）
智能汽车人的博客
12-13 1464
主要介绍高速场景下Planning模块，至于低速的泊车场景对比高速场景或者城区场景有比较大的差距（后面也会介绍泊车场景），本篇Planning介绍主要包括三大子模块Routing，Behavioural Planning以及Motion Planining，并且对比较重要的Decider和Optimizer都做了通俗化的说明供大家思考，以便于后续理解更深入的内容，后面有时间会再开一些篇幅对这些模块进行更加深入的讲解。
Apollo决策规划 - EM planner
BigDavid123的博客
03-08 1779
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
扫描线Sweep Line算法总结
leetcode 解题思路
01-13 6954
Number of Airplanes in the Sky 给出飞机的起飞和降落时间的列表，用序列interval表示. 请计算出天上同时最多有多少架飞机？ Example 样例 1: 输入: [(1, 10), (2, 3), (5, 8), (4, 7)] 输出: 3 解释: 第一架飞机在1时刻起飞, 10时刻降落. 第二架飞机在2时刻起飞, 3时刻降落. 第三架飞机在5时刻...
第一节 决策技术详解——ApolloPnc专项课
m0_62664599的博客
08-20 454
第三层是轨迹，轨迹是决策规划模块最终输出结果，其依据就是第⼆层的结果，同⼀时刻可能有多个参考线，⽐如变道的时候，⾃⾝⻋道和⽬标⻋道都有参考线，但是在决策的时候，Planning模块会决定⻋辆最终要⾛那⼀条路线。这样可以节省不必要的算⼒。因为我们的参考线是⾼精地图来的，⽽这个⾼精地图⼀般是⼈为采集的，⼀般都是不平滑的离散的点，如果直接拿来当参考线，可能导致规划轨迹不平滑，导致⻋辆具体。可以是⼀个静态的⼗字路⼝，也可以是⽆⼈⻋完成的动作，⽐如借道避让针对不同的⾃动驾驶场景，⽐如物流⻋，taxi也是不⼀样的。
Apollo Planning规划算法仿真调试(9)：路径规划PathBoundsDecider下
自动驾驶Player的博客
05-30 1065
PathBoundsDecider 是第四个task，PathBoundsDecider根据lane borrow决策器的输出、本车道以及相邻车道的宽度、障碍物的左右边界，来计算path 的boundary，从而将path 搜索的边界缩小，将复杂问题转化为凸空间的搜索问题，方便后续使用QP算法求解。它的作用主要是： 根据借道信息、道路宽度生成FallbackPathBound 根据借道信息、道路宽度生成、障碍物边界生成PullOverPathBound、LaneChangePathBound、Regula
Apollo决策技术分享
肥嘟嘟的左卫门
07-27 2291
决策技术的分享
Apollo 星火计划课程笔记 ---- Scenarios
Tianchao龙虾
10-23 538
Apollo Scenarios 场景模块 场景可以是地图中有一定特征的路段，比如路口，也可以是无人车想要完成的一系列复杂的动作，比如借道避让。 最大期望算法(Expectation Maximum)EM流程 参考线。 什么是参考线？就是高精地图所提供的道路的中心线，在此基础上做平滑得到的一条线。它是理想状态下没有障碍物的一条线。 要保证平滑，所以在运动的时候，汽车不会横向摆动 上图有个错误，应该是(s $\quad \dot{s} \quad \ddot{s}$)。 在Frenet坐标
Apollo path_bounds_decider解析
qq_34310307的博客
10-20 1367
apollo path_decider 解析
apollo决策规划学习--慢速障碍物超车
不荒废现在，不畏惧未来！
05-24 8326
巨人的肩膀： Apollo Planning 代码学习（一） apollo介绍之planning模块 Apollo Planning决策规划代码详细解析 (6):LaneChangeDecider 1 主要的函数流程如下： PlanningComponent::Proc() -> OnLanePlanning::RunOnce() -> OnLanePlanning::Plan(）-> PublicRoadPlanner::Plan() -> Scenario::
apollo学习之---planning理论到实践（12）变道策略
qq_41593516的博客
02-16 1568
变道策略欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编
【Apollo自动驾驶源码解读】车道线的感知和高精地图融合
铃灵狗的水墨书乡
03-10 2585
Apollo自动驾驶融合了全世界优秀的算法 铃灵狗对车道线感知和高精地图融合的方式产生了好奇 全网没有找到明确的分析和总结 因此亲自阅读源码 找到其中的奥妙之处
MBSE驱动的Model-Based FMEA：可靠性分析的数字化转型
MBSE的扩展应用之可靠性分析(Model-Based FMEA)是一个关键领域，随着数字化设计的普及，它在系统工程中的作用日益凸显。Model-Based Systems Engineering (MBSE)是一种创新的数字化方法，它不仅提升了系统早期方案...
评论
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

DsAuto_汽车电子电控

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