<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[swaggytiger的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/swaggytiger</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; swaggytiger]]></copyright><item><title><![CDATA[自动驾驶轨迹规划算法——Apollo OpenSpace Planner]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150388102</link><guid>https://blog.csdn.net/swaggytiger/article/details/150388102</guid><author>swaggytiger</author><pubDate>Thu, 14 Aug 2025 12:25:21 +0800</pubDate><description><![CDATA[Apollo OpenSpace Planner是百度Apollo自动驾驶系统中专为非结构化道路设计的轨迹规划器。它直接在笛卡尔坐标系下进行空间搜索与轨迹优化，支持前进/倒车切换等复杂机动。核心流程包括：1) Hybrid A*算法在自由空间搜索可行路径；2) 轨迹平滑优化满足动力学约束；3) 时间参数化生成可执行轨迹。相比结构化道路规划器，它摆脱了车道线依赖，适用于自动泊车、狭窄调头、港口作业等低速场景。该算法通过状态空间离散化、混合启发式搜索、Reeds-Shepp分析连接等技术，在保证实时性的同时生成]]></description><category></category></item><item><title><![CDATA[自动驾驶轨迹规划算法——Apollo Lattice Planner]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150387641</link><guid>https://blog.csdn.net/swaggytiger/article/details/150387641</guid><author>swaggytiger</author><pubDate>Thu, 14 Aug 2025 11:59:24 +0800</pubDate><description><![CDATA[Apollo Lattice Planner是百度Apollo自动驾驶系统中的一种基于采样的实时轨迹规划算法。其核心思想是在离散化的状态空间中，对终端状态进行采样，并通过多项式曲线连接当前状态与候选终端状态，形成候选轨迹集，最后基于代价函数选择最优轨迹。该算法将车辆可达状态按纵向距离、横向偏移和速度等维度规则离散化，形成&quot;格点&quot;状态空间。 Lattice Planner通过三个主要步骤实现轨迹规划：1)终端状态采样，在规划时域内枚举多种驾驶意图；2)轨迹生成，使用五次多项式连接起点与各终]]></description><category></category></item><item><title><![CDATA[自动驾驶轨迹规划算法——Apollo EM Planner]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150360718</link><guid>https://blog.csdn.net/swaggytiger/article/details/150360718</guid><author>swaggytiger</author><pubDate>Wed, 13 Aug 2025 22:41:33 +0800</pubDate><description><![CDATA[Apollo EM Planner 是百度自动驾驶系统中的轨迹规划算法，采用期望-最大化（EM）迭代优化思想。其核心是将轨迹规划分解为路径优化（E-Step）和速度优化（M-Step）两个子问题，在Frenet坐标系下交替求解。算法先通过动态规划（DP）搜索粗路径，再使用二次规划（QP）进行平滑优化，并结合障碍物信息生成安全走廊。相较Lattice、Hybrid A*等规划器，EM Planner具有更好的实时性、动态障碍物处理能力和轨迹平滑性，适用于城市道路、高速公路等复杂场景。该算法通过解耦路径与速度优]]></description><category></category></item><item><title><![CDATA[自动驾驶决策算法 —— 有限状态机 FSM]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150278452</link><guid>https://blog.csdn.net/swaggytiger/article/details/150278452</guid><author>swaggytiger</author><pubDate>Tue, 12 Aug 2025 17:39:14 +0800</pubDate><description><![CDATA[有限状态机（FSM）是自动驾驶决策层的核心算法之一，通过离散状态描述车辆行为。其核心思想是&quot;在不同状态下执行不同动作，并根据事件触发状态切换&quot;。FSM由状态集合、事件集合、动作集合和状态转移函数组成，适用于高速公路巡航、变道、避障等场景。相比行为树和规则引擎，FSM具有高可读性但灵活性较低。设计时需明确场景需求、定义状态集合、提取触发事件并制定转移规则。为防止状态爆炸，可采用层次化FSM或模块化设计。典型的应用包括高速公路巡航决策和变道控制，通过状态转移实现安全驾驶。FSM为自动驾驶提供]]></description><category></category></item><item><title><![CDATA[自动驾驶控制算法——Stanley 控制器]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150153940</link><guid>https://blog.csdn.net/swaggytiger/article/details/150153940</guid><author>swaggytiger</author><pubDate>Sun, 10 Aug 2025 19:10:44 +0800</pubDate><description><![CDATA[摘要： Stanley控制器是一种用于车辆横向控制的路径跟踪算法，由斯坦福大学在2005年DARPA自动驾驶挑战赛中提出。其核心思想是通过同时修正航向误差和横向误差，使车辆贴合参考路径。控制律包含航向修正项和速度自适应的横向修正项，确保高速稳定性和低速响应性。相比纯跟踪法和PID控制，Stanley控制器具有更好的速度适应性和实现简单性，适用于轨迹跟踪、车道保持等自动驾驶场景。其实现基于单轨运动学模型，通过实时计算误差并代入控制律求解转向角，形成闭环控制。关键参数需调优以平衡响应速度和稳定性，适合低中速自动]]></description><category></category></item><item><title><![CDATA[自动驾驶控制算法——纯跟踪法（Pure Pursuit）]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150152182</link><guid>https://blog.csdn.net/swaggytiger/article/details/150152182</guid><author>swaggytiger</author><pubDate>Sun, 10 Aug 2025 18:08:21 +0800</pubDate><description><![CDATA[摘要： 纯跟踪法（Pure Pursuit）是一种基于几何原理的路径跟踪控制算法，通过预瞄距离选择目标点并计算转向角，实现路径跟踪。其核心思想是利用圆弧几何关系，计算车辆与预瞄点之间的转向角，具有实现简单、计算速度快等优点，适用于低速和中速场景。与Stanley、MPC等方法相比，纯跟踪法对车辆模型依赖较低，但性能受预瞄距离影响较大。典型应用包括轨迹跟踪、车道保持、AGV导航等。控制流程包括状态获取、预瞄点选择、航向误差计算、转向角求解和执行控制。尽管计算效率高，但其在高速或急弯场景下的跟踪精度有限，需合理]]></description><category></category></item><item><title><![CDATA[自动驾驶--车辆动力学模型]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150063078</link><guid>https://blog.csdn.net/swaggytiger/article/details/150063078</guid><author>swaggytiger</author><pubDate>Fri, 08 Aug 2025 12:31:08 +0800</pubDate><description><![CDATA[本文介绍了两种车辆运动模型：Kinematic Bicycle Model（运动学自行车模型）和Dynamic Bicycle Model（动力学自行车模型）。运动学模型适用于低速场景，通过几何约束建立车辆运动方程，包含位置、航向角和速度状态变量；动力学模型考虑轮胎侧向力、惯性质心偏移等因素，适用于中高速控制，增加了横向速度和偏航角速度状态变量。两种模型均结合纵向动力学建模，并给出了状态空间形式和典型控制约束参数，为车辆路径规划和控制提供理论基础。]]></description><category></category></item><item><title><![CDATA[自动驾驶控制算法——滑模控制（SMC）原理与建模]]></title><link>https://blog.csdn.net/swaggytiger/article/details/150007327</link><guid>https://blog.csdn.net/swaggytiger/article/details/150007327</guid><author>swaggytiger</author><pubDate>Thu, 07 Aug 2025 11:54:48 +0800</pubDate><description><![CDATA[自动驾驶滑模控制（SMC）原理与应用 本文介绍了滑模控制（SMC）在自动驾驶领域的应用原理。SMC是一种鲁棒的非线性控制方法，通过设计滑模面将系统状态强制&quot;吸引&quot;并沿面滑动，有效应对车辆动力学中的不确定性。文章首先阐述了SMC的核心思想，将其与PID、LQR、MPC等控制方法进行对比。随后以车辆横向控制为例，详细推导了SMC的建模过程，包括滑模面设计、控制律推导及抖振问题的解决方案。最后探讨了SMC的优化方向，包括最优滑模面设计、自适应控制和高阶滑模控制。SMC凭借其强鲁棒性和简单结构，]]></description><category></category></item><item><title><![CDATA[自动驾驶控制算法——MPC控制算法]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149945494</link><guid>https://blog.csdn.net/swaggytiger/article/details/149945494</guid><author>swaggytiger</author><pubDate>Tue, 05 Aug 2025 20:36:54 +0800</pubDate><description><![CDATA[自动驾驶MPC控制算法摘要 模型预测控制(MPC)是一种基于系统预测模型的先进控制算法，通过滚动优化方式求解最优控制输入。其核心流程包括：1)使用数学模型预测未来系统状态；2)定义优化目标函数衡量预测误差；3)求解满足约束的最优控制序列；4)仅执行第一步控制并重复该过程。 相比传统PID控制，MPC具有预测未来、多步优化、显式处理约束等优势，特别适合自动驾驶中对安全性要求高的场景，如轨迹跟踪、车道保持、联合纵横向控制、自动泊车和动态避障等。MPC通过状态空间模型预测系统行为，在每个控制周期计算未来N步的控制]]></description><category></category></item><item><title><![CDATA[自动驾驶控制算法——LQR控制算法]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149883151</link><guid>https://blog.csdn.net/swaggytiger/article/details/149883151</guid><author>swaggytiger</author><pubDate>Sun, 03 Aug 2025 17:29:19 +0800</pubDate><description><![CDATA[摘要：LQR（线性二次型调节器）是一种基于状态反馈的最优控制算法，通过最小化二次型性能指标（误差和能耗）实现最优控制。其核心是求解黎卡提方程得到反馈增益矩阵K，使系统在误差最小化和控制能量最小化之间取得平衡。LQR具有多变量耦合处理能力、实时性强和理论最优性等特点，广泛应用于自动驾驶轨迹跟踪、车道保持等场景。通过调整Q（状态加权）和R（控制加权）矩阵可优化系统性能，如跟踪精度与舒适性的权衡。案例分析表明，LQR即使在非线性系统中也能有效工作。]]></description><category></category></item><item><title><![CDATA[自动驾驶控制算法——PID算法]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149802754</link><guid>https://blog.csdn.net/swaggytiger/article/details/149802754</guid><author>swaggytiger</author><pubDate>Thu, 31 Jul 2025 12:11:54 +0800</pubDate><description><![CDATA[自动驾驶中的PID控制算法摘要 PID控制算法是自动驾驶系统中实现车辆运动控制的经典方法。该算法通过比例(P)、积分(I)、微分(D)三环节协同工作：比例项快速响应当前误差，积分项消除稳态误差，微分项预测变化趋势抑制振荡。在自动驾驶应用中，PID常用于速度控制(纵向)和路径跟踪(横向)场景，其优势在于算法简单、响应迅速。典型案例分析表明，合理调节P、I、D参数可有效平衡系统响应速度和稳定性，其中比例系数决定基本控制强度，积分系数消除长期偏差，微分系数抑制超调。PID算法特别适合低速或规则场景下的车辆控制任务]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--Clothoid 路径平滑]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149785010</link><guid>https://blog.csdn.net/swaggytiger/article/details/149785010</guid><author>swaggytiger</author><pubDate>Wed, 30 Jul 2025 20:27:09 +0800</pubDate><description><![CDATA[摘要： Clothoid（欧拉螺线）是一种曲率随弧长线性变化的曲线，广泛应用于路径平滑优化。其优势包括：G²连续性（位置、切向、曲率连续），符合车辆动力学特性（避免转向突变），解析计算友好（Fresnel积分），以及易于拼接（Clothoid对或圆弧连接）。数学上，曲率κ(s)=κ₀+a·s，切向角θ(s)为二次函数，空间坐标需通过Fresnel积分求解。Clothoid Pair通过两段曲率线性增减的曲线拼接，实现任意两点间的G²连续路径规划，适用于自动驾驶和轨道设计。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--B样条（B-spline）路径平滑算法]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149755279</link><guid>https://blog.csdn.net/swaggytiger/article/details/149755279</guid><author>swaggytiger</author><pubDate>Tue, 29 Jul 2025 20:28:47 +0800</pubDate><description><![CDATA[B样条路径平滑算法通过分段低阶多项式曲线实现路径优化，克服了贝塞尔曲线的高阶震荡和全局修改问题。该算法利用控制点、节点向量和基函数定义平滑曲线，通过局部调整实现灵活优化。关键步骤包括：1)参数选择与节点向量构建；2)基于弦长的路径点参数化；3)最小二乘拟合控制点；4)曲线采样生成。实验表明，三次B样条能有效平滑离散路径点，保证C2连续性，同时通过局部控制特性避免全局重构。相较于贝塞尔曲线，B样条在路径平滑应用中展现出更好的稳定性和实用性。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--贝塞尔曲线算法（二）]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149713639</link><guid>https://blog.csdn.net/swaggytiger/article/details/149713639</guid><author>swaggytiger</author><pubDate>Mon, 28 Jul 2025 12:31:13 +0800</pubDate><description><![CDATA[本文介绍了贝塞尔曲线在机器人路径平滑中的应用，重点阐述了其数学原理、连续性条件及实现方法。贝塞尔曲线通过控制点定义平滑路径，具有一阶到n阶的递推公式。文章详细分析了G1连续性（切线连续）和G2连续性（曲率连续）的区别，并解释G2对机器人运动的重要性。介绍了三个基于贝塞尔曲线平滑路径的算法。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--贝塞尔曲线算法（一）]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149713630</link><guid>https://blog.csdn.net/swaggytiger/article/details/149713630</guid><author>swaggytiger</author><pubDate>Mon, 28 Jul 2025 12:28:02 +0800</pubDate><description><![CDATA[本文介绍了贝塞尔曲线在机器人路径平滑中的应用，重点阐述了其数学原理、连续性条件及实现方法。贝塞尔曲线通过控制点定义平滑路径，具有一阶到n阶的递推公式。文章详细分析了G1连续性（切线连续）和G2连续性（曲率连续）的区别，并解释G2对机器人运动的重要性。介绍了三个基于贝塞尔曲线平滑路径的算法。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--DiscretePointsSmoother]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149564977</link><guid>https://blog.csdn.net/swaggytiger/article/details/149564977</guid><author>swaggytiger</author><pubDate>Wed, 23 Jul 2025 11:05:41 +0800</pubDate><description><![CDATA[DiscretePointsSmoother 是 Apollo 自动驾驶规划模块中的一个关键组件，用于对原始参考线（reference line）进行平滑处理，生成适合车辆行驶的平滑路径。它通过优化离散点集（而不是拟合连续曲线）来实现高效、鲁棒的平滑效果，非常适合实时自动驾驶应用。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--Polynomial Spiral（多项式螺旋法）]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149548612</link><guid>https://blog.csdn.net/swaggytiger/article/details/149548612</guid><author>swaggytiger</author><pubDate>Tue, 22 Jul 2025 21:55:11 +0800</pubDate><description><![CDATA[Polynomial Spiral（多项式螺旋法）是一种用于自动驾驶路径平滑的优化算法，通过将曲率κ表示为弧长s的多项式函数（如κ(s)=a+bs+cs²+ds³）来生成平滑路径。该方法通过数值积分计算路径坐标，并设定起点和终点的边界条件（位置、方向、曲率）。优化过程综合考虑平滑性（最小化曲率变化率）、贴近参考路径和满足车辆动态约束（如最大曲率限制）。Apollo系统采用数值方法（如高斯-勒让德积分）进行求解，通过离散化和数值积分实现高效计算，最终生成符合车辆运动学的平滑路径。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--QpSpline平滑原理]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149502638</link><guid>https://blog.csdn.net/swaggytiger/article/details/149502638</guid><author>swaggytiger</author><pubDate>Mon, 21 Jul 2025 12:34:07 +0800</pubDate><description><![CDATA[自动驾驶路径平滑优化算法采用多段低次多项式（如五次样条曲线）拟合初始离散路径，通过二次规划（QP）优化实现平滑目标。该方法将路径分段处理，每段用低次多项式拟合，避免高次多项式振荡问题。优化目标包括最小化路径方向变化、曲率及其变化率，同时保持与初始路径的贴合度。通过设置连续性约束（位置、方向、曲率）和不等式约束（位置边界、曲率限制），确保路径平滑且物理可行。QP求解过程包括构建Hessian矩阵、约束条件，并使用求解器迭代优化。该方法在保证路径平滑性的同时，兼顾计算效率和实时性要求。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--L-BFGS法]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149452826</link><guid>https://blog.csdn.net/swaggytiger/article/details/149452826</guid><author>swaggytiger</author><pubDate>Fri, 18 Jul 2025 20:40:29 +0800</pubDate><description><![CDATA[L-BFGS（Limited-memory Broyden–Fletcher–Goldfarb–Shanno）是一种高效的准牛顿优化方法，特别适用于大规模无约束优化问题。在路径平滑任务中，它通过迭代调整初始路径$\mathcal{X} = \{x_1, \dots, x_n\}$（通常由栅格Hybrid A*、RRT*等搜索算法生成），来最小化目标函数$f(\mathcal{X})$，从而解决路径中的**锯齿、曲率突变、障碍边缘过近**等问题。以下是对优化过程的详细描述，包括目标函数的构成和计算步骤。]]></description><category></category></item><item><title><![CDATA[路径平滑优化算法--BFGS法]]></title><link>https://blog.csdn.net/swaggytiger/article/details/149442218</link><guid>https://blog.csdn.net/swaggytiger/article/details/149442218</guid><author>swaggytiger</author><pubDate>Fri, 18 Jul 2025 19:18:43 +0800</pubDate><description><![CDATA[BFGS算法是一种高效的准牛顿优化方法，适用于解决无约束非线性路径平滑问题。文章详细阐述了如何利用BFGS优化由搜索算法（如Hybrid A、RRT）生成的初始路径 X={x 
1
​
 ,…,x 
n
​
 }，解决路径存在的锯齿、曲率突变和靠近障碍物等问题。]]></description><category></category></item></channel></rss>