论文阅读20220523_Baidu Apollo EM Planner

0、摘要

主要工作：提出了一种分层的路径规划以及一种鲁棒的跟踪控制框架。

1、该系统的顶层是一个多车道策略，通过比较并行计算的车道级轨迹来处理车道变换场景。

2、 在车道级轨迹生成器中，它基于Frenet框架迭代求解路径和速度优化。

3、 在路径和速度优化方面，将动态规划与样条二次规划相结合，构建了一个可扩展且易于优化的框架，可同时处理交通规则、障碍决策和平滑度。

apollo/modules/planning at master · ApolloAuto/apollo · GitHub

1、介绍

在紧急情况下，系统可以在100毫秒内做出反应,300ms是人类的反应速度。下图为apollo的架构图

运动规划器不仅应该能够处理简单的驾驶场景.

无人驾驶时的舒适性也很重要。在运动规划中，舒适性通常由所提供的自动驾驶轨迹的平滑度来衡量

这份手稿介绍了阿波罗电磁规划器，它是基于电磁类型的迭代算法([1])。该规划器以多车道、路径速度迭代、交通规则和决策相结合的设计为目标，以安全性和乘车体验为目标。关于这个规划师的直观介绍如下:

1.1 多车道策略

被动变道定义为当默认车道被动态环境阻塞时的自我车辆机动。 提供安全、顺利、成功率高的换道策略

1.2 路径规划

有的人将速度和路径一起规划，但是导致栅格大小太大，故很难最优。

路径规划躲避静态障碍物，速度规划躲避动态障碍物，EM Planner是一个将路径与速度分开求解的方法。

1.3 决策信息与交通规则

EM Planner在提供一个平滑的轨迹之前就做了决策。

手动调优的决策可以更轻松地优化，但是可扩展性更小，有些场景总是超乎想像。基于模型的决策和手动调优的决策都无法生成无碰撞轨迹，并验证其可行性。

EM Planner的决策中， 首先，用一个粗略可行的轨迹描述自我小车的运动意图。使用二次规划对三次样条进行优化。

第二节介绍了EM planner中的多车道框架。第三节讨论了车道级优化，并逐步讨论了EM迭代。在第四节中，我们以迎面而来的车流为例进行简单的演示。

2、EM Planner 的多车道决策

基于高精地图与来字路由模块的导航信息进行处理。 首先构建一个基于指定参考线的Frenet框架。

数据中心（高精地图）->参考线生成->构建坐标系->路径生成->速度坐标系构建->速度生成->评估

3、车道上的轨迹优化

用障碍物运动轨迹来描述动态障碍物的运动意图。考虑到之前的循环规划轨迹，我们可以评估在每个时间点估计的动态障碍物和自我车的位置。 出于安全考虑，动态障碍物SL投影只考虑低速交通和迎面而来的障碍物。

它通过平行换道策略解决高速运行的场景。

两次地图的构建都是由动态规划与二次规划联合规划的。 对于基于二次规划的样条优化器，我们使用粗糙决策来确定凸包。

3.1 SL图和ST图

静态障碍物的转化很简单，动态障碍物利用上一次循环的结果进行规划。 这将提供特定时间的车辆位置估计坐标。

3.2 轨迹生成的DP部分

首先采样生成一个lattice 

依照以下标准进行选择：

3.3 三次样条QP生成

碰撞约束：

3.4：速度DP搜索。

速度的DP COST：

进行优化：

3.5 对与求解QP问题的一些注释

3.6 为什么使用DP+QP

1) EM planner首先使用DP在网格内进行搜索以获得一个粗略的分辨率。

(2)利用DP结果生成凸域，引导QP。

(3) QP用于在最可能包含全局最优的凸区域内寻找最优解。

4、 案例研究

EM Planner是一个轻决策的路径规划方法，来解释为什么这样的轻决策的方法存在的好处。

自动驾驶汽车的一个关键问题是安全性与通过性的挑战。严格的规则会增加车辆的安全性，但会降低通过能力，反之亦然。以换道案例为例;如果后面有一辆车，用简单的规则就可以很容易地暂停变道过程。这可以保证安全性，但大大降低了通过能力。本文描述的EM planner也是为了解决潜在决策和规划的不一致性，同时也提高了自动驾驶车辆的可通过性。

EM规划器通过将三维站位横向速度问题转化为两个二维站位横向/站位速度问题，大大降低了计算复杂度。它可以显著减少处理时间，从而提高整个系统的交互能力。

994、阅读总结

将路径规划与轨迹规划分开使用DP求解。在进行完第一次轨迹优化后，对

998、 Linked Papers

999、词语积累

compromise v. 妥协

multilane adj、多车道的

negotiable adj. 可协商的

project v. 映射

参考文献

[1] EM-type iterative algorithm

[2][3] 搜索算法

[4][5] 将速度与路径一起规划

[6] 速度规划算法形成

[5][7] 直接求解最优，并且同步地决策和规划

[3][8][9] 手动调优的决策

[10][11] 基于模型的决策

[12][13]  提出一个统一的框架来同时处理决策和障碍预测

endl;