无人驾驶——对frenet坐标的理解

好的确定车和路之间的关系,我们通常将车辆的在大地坐标坐标转化为车辆和道路之间的frenet坐标。

可能有人会疑问为什么转换后就方便了呢?我们来看一个例子。

在大地坐标下:

无人车首先要知道红色车的位置。通过传感器得到目标在车辆坐标系下的坐标,车辆的笛卡尔坐标系下坐标可以由惯导得到,可以推出目标在笛卡尔坐标下的位置信息,然后再和道路坐标比较,判断红色车辆在哪条车道内。

在frenet坐标下:

 

可以看出在frenet坐标下,车相对于道路的位置信息更加清楚。

给出笛卡尔坐标和frenet坐标相互转换的代码:

vector<double> getFrenet(double x, double y, double theta, vector<double> maps_x, vector<double> maps_y, vector<double> maps_s)
{
    int next_wp = NextWaypoint(x,y, theta, maps_x,maps_y);
    int prev_wp;
    prev_wp = next_wp-1;
    if(next_wp == 0)
    {
        prev_wp  = maps_x.size()-1;
    }
    double n_x = maps_x[next_wp]-maps_x[prev_wp];
    double n_y = maps_y[next_wp]-maps_y[prev_wp];
    double x_x = x - maps_x[prev_wp];
    double x_y = y - maps_y[prev_wp];
    // find the projection of x onto n
    double proj_norm = (x_x*n_x+x_y*n_y)/(n_x*n_x+n_y*n_y);
    double proj_x = proj_norm*n_x;
    double proj_y = proj_norm*n_y;
    double frenet_d = distance(x_x,x_y,proj_x,proj_y);
    //see if d value is positive or negative by comparing it to a center point
    double center_x = 1000-maps_x[prev_wp];
    double center_y = 2000-maps_y[prev_wp];
    double centerToPos = distance(center_x,center_y,x_x,x_y);
    double centerToRef = distance(center_x,center_y,proj_x,proj_y);
    if(centerToPos <= centerToRef)
    {
        frenet_d *= -1;
    }
    // calculate s value
    double frenet_s = maps_s[0];
    for(int i = 0; i < prev_wp; i++)
    {
        frenet_s += distance(maps_x[i],maps_y[i],maps_x[i+1],maps_y[i+1]);
    }
    frenet_s += distance(0,0,proj_x,proj_y);
    return {frenet_s,frenet_d};
}

// Transform from Frenet s,d coordinates to Cartesian x,y
vector<double> getXY(double s, double d, vector<double> maps_s, vector<double> maps_x, vector<double> maps_y)
{
    int prev_wp = -1;
    while(s > maps_s[prev_wp+1] && (prev_wp < (int)(maps_s.size()-1) ))
    {
        prev_wp++;
    }
    int wp2 = (prev_wp+1)%maps_x.size();
    double heading = atan2((maps_y[wp2]-maps_y[prev_wp]),(maps_x[wp2]-maps_x[prev_wp]));
    // the x,y,s along the segment
    double seg_s = (s-maps_s[prev_wp]);
    double seg_x = maps_x[prev_wp]+seg_s*cos(heading);
    double seg_y = maps_y[prev_wp]+seg_s*sin(heading);
    double perp_heading = heading-pi()/2;
    double x = seg_x + d*cos(perp_heading);
    double y = seg_y + d*sin(perp_heading);
    return {x,y};
}int NextWaypoint(double x, double y, double theta, vector<double> maps_x, vector<double> maps_y)
{
    int closestWaypoint = ClosestWaypoint(x,y,maps_x,maps_y);
    double map_x = maps_x[closestWaypoint];
    double map_y = maps_y[closestWaypoint];
    double heading = atan2( (map_y-y),(map_x-x) );
    double angle = abs(theta-heading);
    if(angle > pi()/4)
    {
        closestWaypoint++;
    }
    return closestWaypoint;
}

想要源代码的朋友可以在评论区留下联系方式。

转载于:https://www.cnblogs.com/fuhang/p/9848992.html

  • 1
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Frenet坐标系是一种常用于无人驾驶路径规划中的局部路径规划方法。它是由两个坐标系组成的,分别是Frenet纵向坐标系和横向坐标系。 Frenet纵向坐标系主要用于描述车辆在路径上的纵向运动,它的原点位于路径上的某一点,纵轴与路径的切线方向一致。其中,s轴表示纵向距离,表示车辆在路径上行驶的位置。而d轴表示横向距离,表示车辆在路径上的横向偏移量,即车辆离路径的距离。 Frenet横向坐标系用于描述车辆在路径上的横向运动,它的原点也位于路径上的某一点,横轴与路径的法向方向(垂直于切线方向的方向)一致。其中,l轴表示横向距离,表示车辆在路径的左右偏移量,即车辆相对于路径的位置。而r轴表示横向曲率半径,表示车辆所在位置的曲率半径,它与路径的曲率有关。 使用Frenet坐标系进行路径规划时,首先需要根据路径曲线,将路径离散化为一系列的路径点。然后,根据车辆当前状态(包括位置、速度、加速度等),在Frenet坐标系下进行规划。局部路径规划的目标是生成一条较短且安全的路径,能够使车辆沿着路径稳定行驶。 在Frenet坐标系下,路径规划算法主要涉及到横向运动和纵向运动的规划。横向运动规划主要考虑车辆与车道的对齐以及避免碰撞等因素,通常使用虚拟弓形路径或者多项式拟合等方法进行规划。纵向运动规划主要考虑车辆的速度和加速度等因素,以及与前车的保持安全距离和行驶速度的匹配等要求,一般采用经典的PID控制方法或者模型预测控制等技术。 总之,Frenet坐标系是无人驾驶路径规划中一种常用的局部路径规划方法,通过将车辆位置在路径上的纵向和横向运动分解为Frenet坐标系下的变量,并结合车辆动力学和环境约束,可以实现车辆的稳定行驶和避免碰撞等目标。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值