本文为Apollo自动驾驶教程的学习笔记，主要聚焦于运动规划部分。介绍了运动规划的本质——搜索最优解问题，以及如何将问题简化为Path finding。讨论了无人车算法与经典搜索算法的区别，如A*算法在动态环境中的局限性，引出了局部规划的概念。同时，提出了规划中的平滑问题，以及在动态环境中规划模块面临的挑战，如实时性和交通规则融合。最后强调了无人车系统中各模块的协同重要性。
课程链接：http://bit.baidu.com/Course/detail/id/294.html
讲师：樊昊阳 百度Apollo研发工程师
说明：因个人工作方向变更的原因，该系列学习笔记不再更新，如有影响还请抱歉
接下来的几节课内容，讲解关于运动规划的知识。老师也很可爱，思路挺流畅。
运动规划部分的内容分为：
- 基本介绍（也就是这一节）
- Robotics基本知识以及和运动规划的关系
- 怎么处理信息
- 算法核心，最优解问题
- EM Planning
- 发展方向，数据驱动方面
基本运动规划
motion planning，即运动规划，规划的本质是搜索问题，也就是求某个目标函数的最优解的问题。对于无人车来说就是求无人车运动的最优解问题。
简单化
首先将问题简单化：就是一个Path finding问题，搜索最优路径。
比较经典的算法：深度优先、广度优先算法，他们的问题是没有利用目标位置，运算量会相对较大；
还有A算法，问题是它是全局搜索，需要知道全局信息，通常作为全局优化算法。
现在很多算法依然是基于最初A的思路衍生出来的。
无人车算法的区别
无人车算法相对于这个简单问题来说，有一些更为复杂的问题，比如：
最低0.47元/天 解锁文章
扫一扫
1460
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
