开放空间规划算法解析及实现--自主泊车为例

整体介绍

对于没有参考线的非结构化场景，如泊车、倒车入库、靠边停车

task::

(1)确定可行驶区域

（2） 粗糙轨迹生成

第一步生成可行轨迹的点，因为混合A*生成的轨迹存在曲率突变，不能直接使用。

第二步对轨迹进行进一步平滑，满足控制需求。

（3）对轨迹进行分割

根据前进还是后退，对轨迹进行分割，根据自车位置来判断进行哪一条轨迹以及是否需要更换轨迹

 （4）障碍物碰撞Fallback_Decider

如果检测与障碍物碰撞的轨迹需要fallback，重新规划一条

 基于混合A*的路径规划

【A*需要对环境提前已知，基于高精地图，这本身就是已知的，所以环境就是已知环境】

A*:

搜索算法，将可行使的环境进行栅格化【栅格化！！！】，迭代搜索8个方位，对呀！！！栅格化呀，就是一个个的点？？？SUMO里面A*搜索也是A*搜索呀，所以那个生成的net.xml文件是一个栅格地图？？---》》》去看SUMO里面那个带的A*算法的py文件证实研究一下，如果是这样的话，那可以参考一下A*别的py文件怎么画的图 ，SUMO中获取到了信息【这个信息的获取也没获取整明白哎！！！】

 g(n) ::  从起点到当前节点的cost；h(n)：：启发函数，从当前节点n到终点节点的预估cost

  A*算法走出的路径时折线，曲率突变点，路径不满足运动学约束，根据车辆运动学模型，实际车辆航向和后轴中心方向是一致的，所以将车辆运动轨迹等效成车辆后轴中心根据不同转弯半径的

的弧线组成，通过前轮转角可以算出后轴中心的转弯半径，所以对前轮转角进行采样，从而变成下图所示，方位不止8个方位，搜索维度也从2维升为3维（x,y,theta航向角）

 

 

 上述因为状态空间是连续的【？？？】，而搜索的点是离散的，固定的点不同的航向。

 ReedSheep : : 固定直线连接圆弧的方法，但是其无法考虑障碍物，所以混合A*算法将障碍物路径过滤掉，

 GenerateDPMap函数通过动态规划算法计算启发式函数。

 上图结果图，在直线和圆弧的交界处拐点曲率突变需要平滑：：

 

 

 

 在凸优化中有约束的极值问题通常是不好研究的，所以通常将有条件的极值问题转换为无条件的极值问题进行研究。

 

 

 

 

 

 

Apollo对算法的改进：

之前采样时间是固定时间，所以是 t 时间到达终点，变时间采样乘以一个固定时间系数 t（k） ,可以缩短到达终点的时间， 

 

 

 基于DL_IAPS的规划算法

OBCA算法通过凸优化的强对偶性很好解决开放空间无碰撞约束，但是算法求解效率和鲁棒性较差，

 

改进点是OBCA是将整个轨迹进行平滑，但是DL_IAPS是分段进行平滑，保证平滑后的路径不会与障碍物碰撞， 并满足曲率最大的要求

 

 

 算法实践

 

 

 绘制过程图：：

 

 改变可视化区域的边界点。改了以后规划失败了，改回去了。修改了下面的sphi  ---起始航向角