apollo学习笔记十一：apollo规划技术（一）

Basic Motion Planning and Overview

运动规划（Motion Planning）

规划问题本质上是一个搜索问题，即对一个给定的函数，寻找最优解。相对于无人车而言，规划问题就是给定现在的状态，找到无人车移动的最优解。通常由最优解目标函数F(x)定义。
从内容考虑，规划问题涉及三个领域，机器人领域，控制领域和人工智能。不同的领域对问题的理解不同。

（1）Robotic fields，规划就是如何产生轨迹以完成目标，涉及RRT， A*，D* lite等。
（2）Control theory，动态规划，理解为到达目标状态的动态系统，涉及MPC， LQR等。
（3）AI，是生成状态到动作的映射，涉及reinforcement learning，end-to-end imitation learning等。

构建自动驾驶的运动规划

从最简单问题出发，把运动规划抽象成一个path finding problem，只关心无人车怎样走，周围环境是不变的。

除了寻找路径（path finding ），还需要对路径的代价（cost）进行优化。可以通过启发式方式对搜索问题进行优化。广度优先搜索（BFS）和 深度优先搜索（DFS）都属于无信息搜索。而A-star算法有信息支持，其花费时间比广度优先算法时间更短，现在的一些路径搜索算法本质上都是从A-star算法出发。

部分感知环境

目前，A-star算法还不能直接用在规划模块上，因为A-star算法本身要求对整个环境全知，而自动驾驶对周围环境是部分观察的。对于部分感知环境，我们可以使用贪心算法，其实就是一个增量搜索，就是在有限的情况下走最优解。
利用D-star算法对部分观察的数据进行控制规划。它利用当前能够看到的信息进行增量规划，D-star的特点是处理在看到的有限范围的条件下，如何到达预定地点的搜索问题方法。这种增量搜索很难通过一步步的迭代达到全局最优解。

上述介绍的搜索技术与自动驾驶运动规划的差距

（1）规划模块怎么处理动态障碍物
（2）自动驾驶汽车能否按照规划的行驶
（3）如何将交通规则融入规划
（4）实时计算，目前来说百度要求规划模块运转周期是100毫秒。
运动规划问题就是让自动驾驶车辆能够安全平稳到达终点，本质是一个三维规划问题，即 XY 坐标加上时间维度，叫做 3D Trajectory Optimization Problem（轨迹优化问题）。从车辆动力学模型来说，维度需要进一步上升，因为涉及到车头的方向，车的转向角、加速度等问题。

运动规划可以获得两部分信息

(1)一部分是动态信息，包括从认知获得的信息，就是从感知模块和定位模块获得信息，
(2)一部分是静态信息，就是高精地图。

无人驾驶系统软件包括定位、感知、预测、运动规划和控制等。

• 定位就是知道汽车在哪里。
• 感知即是对周围环境信息的获取。
• 预测就是感知到的障碍物的行进意图，例如旁边有无人超车。
• 运动规划是在知道这些信息后，告知汽车如何运动。
• 控制模块就是得到指令之后如何控制汽车。
  车辆状态、交通灯信息、障碍以及障碍轨迹、导航、高精地图都是规划模块能获得的信息。规划就是在这样的部分可见信息中给无人车找到一条轨迹。它不仅是一条路径，而是随着时间推移路径该怎么走，它包含两方面，一是路径信息，二是速度配置文件，需要保证速度和路径变化都是平滑的。

motion planning with autonomous driving

Motion Planning Approaches

RRT

• 是PRM的一种增量搜索方法（PRM一种抽象连续空间的方法，空间随机撒点，在障碍物上的点被抹去，剩下的点都是可行进的点）
• 通过部分观察的环境上撒点，选择最近点，在最近点再散播点（若遇到障碍物，不能连接，则重新散播），找到最近，以此类推。
• 缺点：问题：没有曲率，曲线不平滑。
• 解决方法：增量搜索是有方向的，可以用平滑的线去代替折线连接。但仍有局限性，随机散播点会使得运动曲线弯弯绕绕，不符合常规驾驶路线。

Lattice

• 原始Lattice方案指数加点，计算难度大。
• 改进后，先撒点再连线，点量减少，通过动态规划，避免重复计算，简化运算。

function optimization

• 抽象曲线变成一个函数，优化函数。
• 找到一个凸优化空间，凸空间里有唯一的最优解，使用二次规划以非常快的速度找到最优解。
• 无人车问题不是一个凸问题，要使之变成一个凸问题。

Spline