Apollo 公开课 规划

第一节课

规划本来就是一个搜索问题,找到objective function。 机器学习里面Mapping。
我们一开始从path finding problem 开始考虑
第一个想到的 就是BFS和DFS ,属于 non informatic search，
A *属于 informatic search,但是这是global optimation是对全局全知的问题。
但是无人车是partical observed，第一个想到的是贪心算法 , incremented search。
环境是个动态的过程
无人车要求的反应时间是200-300ms,司机400-500ms
Global Routing -> Motion planning

第二节课

robotics问题
motion planning
现有方法：
RRT
Lattice

Complexity：
运动学模型

Constraints:
1, 障碍物的限制
2， 曲率的限制
3， 全局的限制

A* 离散化 + 动力学模型
离散空间 PRM pobability ， 在全空间撒点，然后全部线连接起来，就变成了A*问题

RRT

RRT 本质 就是prm的升级，prm是针对全局的 ，RRT是针对局部的，现在局部连线
但是连线很直， 需要用平滑的曲线去弄

Lattice

既然是structure的路为啥要随机离散点，
lattice 网格 ， 动态规划， 分一层层撒点， 然后把每一层的点连接起来。说白了。就是

函数化

说白了，就是把这条线函数化，然后去找objective function最优解， convex function

第三节课

自行车模型，坐标不仅涉及X,Y还有sita
车辆模型刚体
刚体会不会撞到障碍物， 先定SL坐标系。SL就是沿着线的，怎么转换到XY的坐标系。

怎么判断两个车相撞， 两个bounding box相交。
超平面分割定理，如果两个bounding box不相交，一定能找到一个超平面分割开这两个凸平面。

第四节课

要平滑 ， sl坐标系
有时候看起来很平滑，但是不是曲线，车没法走。
你不能单独把x,y坐标做平滑。 要先sl的做平滑。
Bezier Spline弄平滑
Smooth Spline也是弄平滑
spline 2d
lattice planning 会形成很多条线的网格，很多曲线可以重复用。

第五节课

优化问题，牛顿法。
无人车不是凸空间，不一定有最优解，所以把它变到凸空间，有最优解的地方。
两步走：
1， Sampling to get approximation ->DP
2, QP get optimal solution ->QP
https://imgur.com/ncmk1Wz
[外链图片转存失败(img-lEcw5wqZ-1568984087943)(https://imgur.com/ncmk1Wz)]

第六节课

rl思想还是不变的
optimize reward function
我已经见过这个的样子了，就能很快反应出来
见过的reward function怎么反应

就像学霸做题，你要有rule base这是基础，然后就是刷题。这样你看到题目了。就能很快做出来。
但是rl主要是为了提高效率，更快做题。
但是还是要有基础的rule based

看下Inverse reinforce learning ,通过学习把rewarding function 学出来