本文概述了无人车路径规划的通用方法，包括Old-School Pipeline，前端Path Finding（如Dijkstra、A*、RRT）和后端Trajectory Optimization。强调了前端结合车辆运动学约束的重要性，并提及了State Lattice Search和Hybrid A*算法。后端优化常使用最优化原理，如minimum jerk和minimum snap。
版权声明：本文为博主原创文章，原创不易, 转载请联系博主。
写此系列博客的目的，是希望将无人车路径规划算法成体系的总结展述出来，同时分享一些常用的算法库，源代码，以及与规划层联系紧密的感知层，定位层，控制层的基础知识，可能编写跨越周期较长，自身水平有限，若有不到之处，希望得到各位的批评指正。
通用规划方法（Old-School Pipeline）是指：
- 首先在前端利用图搜索等方法搜索出一条初始无碰撞的安全路径（低维，离散空间）
- 再在后端对已生成路径进行优化以获得一条可执行的优化轨迹（高维，连续空间）
- Mission -> Path Finding -> Trajectory Optimization -> Plan…
Path Finding 模块(Front-End)
主要通过构建地图进行搜索的方法或者基于采样的方法来实现前端搜索的目的：
- 在栅格图中（典型样例如costmap）进行图搜索，最早的是利用BFS(深度优先搜索方法),DFS（深度优先搜索方法）在建立好的图或者树中进行搜
最低0.47元/天 解锁文章
扫一扫
4796
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
