【自动驾驶】Frenet坐标系与Cartesian坐标系（一）

已于 2022-06-10 15:25:54 修改
阅读量6.9k 收藏 137
点赞数 19
分类专栏： 自动驾驶 文章标签： 自动驾驶 几何学 线性代数 Frenet坐标系
于 2022-06-09 22:18:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42301220/article/details/125211683
版权

文章目录

参考资料

【自动驾驶】Frenet坐标系与Cartesian坐标系（二）

1. Frenet坐标系介绍

1.1 Cartesian坐标系

  • 一般情况下，我们使用Cartesian坐标系（笛卡尔坐标系）来描述物体的坐标，但对于车辆来说，笛卡尔坐标系并不是最佳选择。因为即使知道了笛卡尔坐标系下车辆的位置信息，也难以表达车辆与道路之间的相对位置，导致二者之间的相对关系不明确。

  • 因此，传统规划算法在笛卡尔坐标系下规划出的路径对于开放道路有良好的效果，但是对于公路环境，忽略车道信息导致路径的自由度太高而容易违反道路交通规则。

1.2 Frenet坐标系

Frenet坐标系在无人驾驶领域被普遍使用，特别是在城市、高速等道路交通环境下无人驾驶的路径规划系统中。

Frenet坐标系使用道路的中心线作为参考线，使用参考线的切线向量和法线向量建立坐标系。相比笛卡尔坐标系，Frenet坐标系简化了路径规划问题。

下图是自动驾驶车辆在全局坐标系与Frenet坐标系中的位置示意。

假设自动驾驶车辆在全局坐标系下的坐标为 ( x , y ) (x,y) (x,y)，从车辆的位置 ( x , y ) (x,y) (x,y)向参考线 T T T作投影，投影点为 F F F，则点 F F F与车辆位置 ( x , y ) (x,y) (x,y)的距离即为横向位移 d d d(方向为参考线当前的法向，称为横向，Lateral)；从参考线的起始点到投影点 F F F的曲线距离即为纵向位移 s s s（方向沿着参考线，称为纵向，Longitudinal）。

基于Frenet坐标系，将自动驾驶车辆每时每刻的位置状态分解在 s s s和 d d d两个方向来描述车辆的运动状态，从而在轨迹曲线拟合时，减少处理坐标信息的工作量。

1.3 Frenet公式

在向量微积分中，弗勒内-塞雷公式（Frenet–Serret 公式）用来描述欧几里得空间 R 3 R^3 R3中的粒子在连续可微曲线上的运动。更具体的说，弗勒内公式描述了曲线的切向，法向，副法方向之间的关系。

下图是空间曲线的切向量 T T T，法向量 N N N 和副法向量 B B B，以及切向量和法向量张成的密切平面。

单位切向量 T T T，单位法向量 N N N，单位副法向量 B B B，被称作 弗勒内标架，他们的具体定义如下：

  • T T T 是单位切向量，方向指向粒子运动的方向。
  • N N N 是切向量 T T T 对弧长参数的微分单位化得到的向量。
  • B B B 是 T T T 和 N N N 的外积 T × N T\times N T×N。

下图是螺旋线上弗勒内标架的运动。蓝色的箭头表示切向量，红色的箭头表示法向量，黑色的箭头表示副法向量。
在这里插入图片描述

Frenet公式如下：
{ d T d s = κ N d N d s = − κ T + τ B d B d s = − τ N (1.1) \tag{1.1} \left\{\begin{aligned} \frac{d T}{d s}&= \kappa N \\ \frac{d N}{d s}&= -\kappa T+\tau B \\ \frac{d B}{d s}&= -\tau N \end{aligned}\right. ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧​dsdT​dsdN​dsdB​​=κN=−κT+τB=−τN​(1.1)
其中， d ( ⋅ ) d s \frac{d(\cdot)}{d s} dsd(⋅)​ 表示是对弧长的微分， κ \kappa κ 为曲率（curvature)， τ \tau τ 为挠率 ( torsion)。弗勒内公式描述了空间曲线曲率挠率的变化规律。

  • 曲率：曲线不能形成一条直线的度量值，曲率越趋于 0 ，则曲线越趋近于直线；
  • 挠率：是曲线不能形成在同一平面内运动曲线的度量值，挠率越趋于 0 ，则曲线越趋近于在同一平面内运动。

将公式(1.1)写作矩阵的形式，有
[ T ′ N ′ B ′ ] = [ 0 κ 0 − κ 0 τ 0 − τ 0 ] [ T N B ] (1.2) \tag{1.2} \left[\begin{array}{l} \mathbf{T}^{\prime} \\ \mathbf{N}^{\prime} \\ \mathbf{B}^{\prime} \end{array}\right]=\left[\begin{array}{ccc} 0 & \kappa & 0 \\ -\kappa & 0 & \tau \\ 0 & -\tau & 0 \end{array}\right]\left[\begin{array}{c} \mathbf{T} \\ \mathbf{N} \\ \mathbf{B} \end{array}\right] ⎣⎡​T′N′B′​⎦⎤​=⎣⎡​0−κ0​κ0−τ​0τ0​⎦⎤​⎣⎡​TNB​⎦⎤​(1.2)
其中系数矩阵是反对称矩阵。

对于无人驾驶路径规划应用，一般对高度信息不感兴趣，因此可以将车辆运动曲线投影到同一平面内，挠率可设定为 0 ，这样Frenet公式可以进一步简化为:
{ d T d s = κ N d N d s = − κ T (1.3) \tag{1.3} \left\{\begin{aligned} \frac{d T}{d s}&=\kappa N \\ \frac{d N}{d s}&=-\kappa T \end{aligned}\right. ⎩⎪⎪⎨⎪⎪⎧​dsdT​dsdN​​=κN=−κT​(1.3)

2. Frenet坐标系与全局笛卡尔坐标系转换

在Frenet坐标系下，经规划得到横向、纵向运动轨迹后，需要将其重新映射到全局笛卡尔坐标系，以供控制模块调用。

如图 所示, 受车辆运动学、动力学特性及道路环境 (避障) 限制, 车辆的实际行驶轨迹与参考线难以重合。

图中主要参数说明

首先, t ⃗ , n ⃗ \mathrm{\vec{t}}, \mathrm{\vec{n}} t ,n 都是单位向量且有:
{ t ⃗ r = [ cos ⁡ θ r , sin ⁡ θ r ] T n ⃗ r = [ − sin ⁡ θ r , cos ⁡ θ r ] T t ⃗ x = [ cos ⁡ θ x , sin ⁡ θ x ] T n ⃗ x = [ − sin ⁡ θ x , cos ⁡ θ x ] T (1.4) \tag{1.4} \left\{ \begin{aligned} \vec{t}_{r} &=\left[\cos \theta_{r}, \sin \theta_{r}\right]^T \\ \vec{n}_{r} &=\left[-\sin \theta_{r}, \cos \theta_{r}\right]^T \\ \vec{t}_{x} &=\left[\cos \theta_{x}, \sin \theta_{x}\right]^T \\ \vec{n}_{x} &=\left[-\sin \theta_{x}, \cos \theta_{x}\right]^T \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧​t r​n r​t x​n x​​=[cosθr​,sinθr​]T=[−sinθr​,cosθr​]T=[cosθx​,sinθx​]T=[−sinθx​,cosθx​]T​(1.4)

  • θ r : \theta_{r}: θr​: 表示参考线 r ⃗ \vec{r} r 的方向角
  • n ⃗ r \vec{n}_{r} n r​ : 表示r(s)单位法向量
  • t ⃗ r \vec{t}_{r} t r​ : 表示r(s)单位切向量
  • θ x \theta_{x} θx​ : 表示 x ⃗ \vec{x} x 的方向角
  • n ⃗ x \vec{n}_{x} n x​ : 表示 x ⃗ \vec{x} x 单位法向量
  • t ⃗ x \vec{t}_{x} t x​ : 表示 x ⃗ \vec{x} x 单位切向量

全局坐标系下

在全局坐标系下, 任意时刻 t t t 的车辆运动状态可以描述为 [ x ⃗ , θ x , κ x , v x , a x ] \left[\vec{x}, \theta_{x}, \kappa_{x}, v_{x}, a_{x}\right] [x ,θx​,κx​,vx​,ax​]。

其中:

  • x ⃗ \vec{x} x 为车辆当前位置 Q Q Q, 表示车辆在全局坐标系下的位置信息 ( x , y ) (x, y) (x,y), 是一个向量;
  • θ x \theta_{x} θx​ 为方位角，即全局坐标系下的朝向；
  • κ x \kappa_{x} κx​ 为曲率
  • v x = ∣ ∣ x ˙ ⃗ ∣ ∣ v_{x}=||\vec{\dot x}|| vx​=∣∣x˙ ∣∣ 为Cartesian坐标系下的线速度;
  • a x = d v x d t a_{x}=\frac{dv_x}{dt} ax​=dtdvx​​ 为加速度.
  • 图中的 r ⃗ ( t ) \vec{r}(t) r (t) 为位置 Q Q Q 投影到参考线上的投影点 P P P 在全局坐标系 下的位置向量。

Frenet坐标系下

在 Frenet坐标系下, 车辆的运动状态可以描述为 [ s , s ˙ , s ¨ , d , d ˙ , d ¨ , d ′ , d ′ ′ ] \left[s, \dot{s}, \ddot{s}, d, \dot{d}, \ddot{d} , d^{\prime}, d^{\prime \prime}\right] [s,s˙,s¨,d,d˙,d¨,d′,d′′].

其中:

  • s s s 为纵向位移，即Frenet纵坐标；
  • s ˙ = d s d t \dot{s}=\frac{ds}{dt} s˙=dtds​ 为Frenet纵向速 度；
  • s ¨ = s ˙ d t \ddot{s}=\frac{\dot{s}}{dt} s¨=dts˙​ 为Frenet纵向加速度；
  • d d d 为横向位移, 即Frenet横坐标；
  • d ˙ \dot{d} d˙ 为Frenet横向速度；
  • d ¨ \ddot{d} d¨ 为Frenet横向加速度；
  • d ′ = d d s ( d ) d^{\prime}=\frac{\mathrm{d}}{\mathrm{d}s}(d) d′=dsd​(d) 为横向位移对纵向坐标的一阶导数,
  • d ′ ′ = d d s ( d ′ ) d^{\prime \prime}=\frac{\mathrm{d}}{\mathrm{d}s}(d^{\prime}) d′′=dsd​(d′) 为 横向位移对纵向坐标的二阶导数.

tips： x ˙ = d x d t \dot{x}=\frac{dx}{dt} x˙=dtdx​， x ′ = d x d s x'=\frac{dx}{ds} x′=dsdx​

由于正文篇幅字数的限制，这里只给出转换公式，具体推导见下一篇博客。

2.1 Cartesian转 Frenet公式

已知 ( x , y , θ x , v x , a x , k x ) , ( s r , x r , y r , θ r , k r , k r ′ ) (x, y, \theta_x, v_x, a_x, k_x), (s_r, x_r, y_r, \theta_r, k_r, k_r') (x,y,θx​,vx​,ax​,kx​),(sr​,xr​,yr​,θr​,kr​,kr′​)的前提下，求 [ s , s ˙ , s ¨ , d , d ˙ , d ¨ , d ′ , d ′ ′ ] \left[s, \dot{s}, \ddot{s}, d, \dot{d}, \ddot{d} , d^{\prime}, d^{\prime \prime}\right] [s,s˙,s¨,d,d˙,d¨,d′,d′′].

公式总结如下：
{ s = s r s ˙ = v x cos ⁡ Δ θ ( 1 − κ r d ) s ¨ = a x cos ⁡ Δ θ − s ˙ 2 [ d ′ ( k x 1 − k r d cos ⁡ Δ θ − k r ) − ( k r ′ d + k r d ′ ) ] 1 − k r d d = sign ⁡ ( ( y − y r ) cos ⁡ ( θ r ) − ( x − x r ) sin ⁡ ( θ r ) ) ( x − x r ) 2 + ( y − y r ) 2 d ˙ = v x sin ⁡ Δ θ d ¨ = a x sin ⁡ Δ θ d ′ = ( 1 − κ r d ) tan ⁡ Δ θ d ′ ′ = − ( κ r ′ d + κ r d ′ ) tan ⁡ Δ θ + 1 − κ r d cos ⁡ 2 Δ θ ( κ x 1 − κ r d cos ⁡ Δ θ − κ r ) (1.5) \tag{1.5} \left\{ \begin{aligned} s&=s_r\\ \dot{s} &=\frac{v_x\cos{\Delta \theta}}{\left(1-\kappa_{r} d\right) }\\ \ddot{s}&=\frac{a_{x} \cos \Delta \theta-\dot{s}^{2}\left[d^{\prime}\left(k_{x} \frac{1-k_{r} d}{\cos \Delta \theta}-k_{r}\right)-\left(k_{r}^{\prime} d+k_{r} d^{\prime}\right)\right]}{1-k_{r} d}\\ d&=\operatorname{sign}\left(\left(y-y_{r}\right) \cos \left(\theta_{r}\right)-\left(x-x_{r}\right) \sin \left(\theta_{r}\right)\right) \sqrt{\left(x-x_{r}\right)^{2}+\left(y-y_{r}\right)^{2}}\\ \dot d &= v_x\sin{\Delta \theta}\\ \ddot d &= a_x\sin{\Delta \theta}\\ d^{\prime}&=\left(1-\kappa_{r} d\right) \tan \Delta \theta \\ d^{\prime \prime} &=-(\kappa_{r}^{\prime} d+\kappa_{r} d^{\prime}) \tan \Delta \theta+ \frac{1-\kappa_{r} d}{\cos ^{2} \Delta \theta}\left(\kappa_{x} \frac{1-\kappa_{r} d}{\cos \Delta \theta}-\kappa_{r}\right) \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧​ss˙s¨dd˙d¨d′d′′​=sr​=(1−κr​d)vx​cosΔθ​=1−kr​dax​cosΔθ−s˙2[d′(kx​cosΔθ1−kr​d​−kr​)−(kr′​d+kr​d′)]​=sign((y−yr​)cos(θr​)−(x−xr​)sin(θr​))(x−xr​)2+(y−yr​)2 ​=vx​sinΔθ=ax​sinΔθ=(1−κr​d)tanΔθ=−(κr′​d+κr​d′)tanΔθ+cos2Δθ1−κr​d​(κx​cosΔθ1−κr​d​−κr​)​(1.5)

  • python实现

    import numpy as np
from math import *

def cartesian2Frenet(x,y,theta_x,v_x,a_x,k_x,s_r,x_r,y_r,theta_r,k_r,k_r_):
    """全局坐标系转Frenet坐标系

    Args:
        x (_type_): Cartesian坐标系下的车辆横坐标位置
        y (_type_): Cartesian坐标系下的车辆纵坐标位置
        theta_x (_type_): 为方位角，即全局坐标系下的朝向；
        v_x (_type_): Cartesian坐标系下的线速度大小;
        a_x (_type_): Cartesian坐标系下的加速度
        k_x (_type_): 曲率
        s_r (_type_): 投影点的弧长
        x_r (_type_): 投影点P点在Cartesian坐标系下的x坐标
        y_r (_type_): 投影点P点在Cartesian坐标系下的y坐标
        theta_r (_type_): 投影点P点在Cartesian坐标系下的朝向角
        k_r (_type_): 曲率
        k_r_ (_type_): 曲率对弧长s的一阶导数_

    Returns:
        _type_: Frenet坐标系下车辆的运动状态
    """
    delta_theta = theta_x-theta_r
    one_kr_d = 1-k_r*d
    s=s_r
    d=np.sign((y-y_r)*cos(theta_r)-(x-x_r)*sin(theta_r))*sqrt((x-x_r)**2+(y-y_r)**2)
    dot_d = v_x*sin(delta_theta)
    ddot_d = a_x*sin(delta_theta)
    dot_s=v_x*cos(delta_theta)/one_kr_d
    d_=one_kr_d*tan(delta_theta)
    d__=-(k_r_*d+k_r*d_)*tan(delta_theta)+one_kr_d/(cos(delta_theta))**2*(k_x*one_kr_d/cos(delta_theta)-k_r)
    ddot_s = (a_x*cos(delta_theta)-dot_s**2*(d_*(k_x*one_kr_d/cos(delta_theta)-k_r)-(k_r_*d+k_r*d_)))/one_kr_d

    return s,dot_s,ddot_s,d,dot_d,ddot_d,d_,d__

2.2 Frenet转Cartesian公式

首先，作为参考系，投影点P点在笛卡尔坐标系下的坐标,角度,切向量角度以及曲率都已知，即 x r , y r , θ r , k r , k r ′ x_r, y_r, θ_r,k_r,k_r' xr​,yr​,θr​,kr​,kr′​。Frenet坐标系下, 车辆的运动状态 [ s , s ˙ , s ¨ , d , d ˙ , d ¨ , d ′ , d ′ ′ ] \left[s, \dot{s}, \ddot{s}, d, \dot{d}, \ddot{d} , d^{\prime}, d^{\prime \prime}\right] [s,s˙,s¨,d,d˙,d¨,d′,d′′]也已知。求在全局坐标系下的 [ x , y , θ x , κ x , v x , a x ] \left[x,y, \theta_{x}, \kappa_{x}, v_{x}, a_{x}\right] [x,y,θx​,κx​,vx​,ax​]。

公式总结如下：
{ x = x r − d sin ⁡ ( θ r ) y = y r + d cos ⁡ ( θ r ) θ x = arctan ⁡ ( d ′ 1 − k r d ) + θ r v x = [ s ˙ ( 1 − k r d ) ] 2 + ( s ˙ d ′ ) 2 a x = s ¨ 1 − k r d cos ⁡ Δ θ + s ˙ 2 cos ⁡ Δ θ [ d ′ ( k x 1 − k r d cos ⁡ Δ θ − k r ) − ( k r ′ d + k r d ′ ) ] k x = ( ( d ′ ′ + ( k r ′ d + k r d ′ ) tan ⁡ Δ θ ) cos ⁡ 2 Δ θ 1 − k r d + k r ) cos ⁡ Δ θ 1 − k r d (1.6) \tag{1.6} \left\{\begin{aligned} x&= x_{r}-d\sin \left(\theta_{r}\right) \\ y&= y_{r}+d \cos \left(\theta_{r}\right) \\ \theta_{x}&= \arctan(\frac{d'}{1-k_r d})+\theta_r\\ v_{x}&= \sqrt{\left[\dot{s}\left(1-k_{r} d\right)\right]^{2}+\left(\dot{s} d^{\prime}\right)^{2}} \\ a_{x}&=\ddot{s} \frac{1-k_{r} d}{\cos \Delta \theta}+\frac{\dot{s}^{2}}{\cos \Delta \theta}\left[d^{\prime}\left(k_{x} \frac{1-k_{r} d}{\cos \Delta \theta}-k_{r}\right)-\left(k_{r}^{\prime} d+k_{r} d^{\prime}\right)\right] \\ k_{x}&= \left(\left(d^{\prime \prime}+\left(k_{r}^{\prime} d+k_{r} d^{\prime}\right) \tan \Delta \theta\right) \frac{\cos ^{2}\Delta \theta}{1-k_{r}d}+k_{r}\right) \frac{\cos \Delta \theta}{1-k_{r} d} \\ \end{aligned}\right. ⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧​xyθx​vx​ax​kx​​=xr​−dsin(θr​)=yr​+dcos(θr​)=arctan(1−kr​dd′​)+θr​=[s˙(1−kr​d)]2+(s˙d′)2 ​=s¨cosΔθ1−kr​d​+cosΔθs˙2​[d′(kx​cosΔθ1−kr​d​−kr​)−(kr′​d+kr​d′)]=((d′′+(kr′​d+kr​d′)tanΔθ)1−kr​dcos2Δθ​+kr​)1−kr​dcosΔθ​​(1.6)

  • python实现

    import numpy as np
from math import *

def frenet2Cartesian(s,dot_s,ddot_s,d,dot_d,ddot_d,d_,d__,x_r,y_r,theta_r,k_r,k_r_):
    """Frenet转Cartesian

    Args:
        s (_type_): 为纵向位移，即Frenet纵坐标；
        dot_s (_type_): Frenet纵向速 度
        ddot_s (_type_): Frenet纵向加速度,
        d (_type_): 横向位移, 即Frenet横坐标
        dot_d (_type_): Frenet横向速度
        ddot_d (_type_): Frenet横向加速度
        d_ (_type_): 横向位移对纵向坐标的一阶导数
        d__ (_type_): 横向位移对纵向坐标的二阶导数
        x_r (_type_): 投影点P点在Cartesian坐标系下的x坐标
        y_r (_type_): 投影点P点在Cartesian坐标系下的y坐标
        theta_r (_type_): 投影点P点在Cartesian坐标系下的朝向角
        k_r (_type_): 曲率
        k_r_ (_type_): 曲率对弧长s的一阶导数_

    Returns:
        _type_: _description_
    """
    x = x_r-d*sin(theta_r)
    y = y_r+d*cos(theta_r)
    one_kr_d= 1-k_r*d
    theta_x = theta_r+atan2(d_,one_kr_d)
    delta_theta = theta_x-theta_r
    v_x = sqrt((dot_s*one_kr_d)**2+(dot_s*d_)**2)
    k_x = cos(delta_theta)/one_kr_d*(k_r+(cos(delta_theta))**2/one_kr_d*(d__+(k_r_*d+k_r*d_)*tan(delta_theta)))
    a_x = ddot_s*one_kr_d/cos(delta_theta)+dot_s**2/cos(delta_theta)*(d_*(k_x*one_kr_d/cos(delta_theta)-k_r)-(k_r_*d+k_r*d_))
    
    return x,y,theta_x,v_x,a_x,k_x

推导过程请详见：

【自动驾驶】Frenet坐标系与Cartesian坐标系（二）

CHH3213
关注
  • 19
    点赞
  • 踩
  • 137
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
frenet坐标系与笛卡尔坐标系转换公式
yanfang7722的博客
03-25 817
即沿参考线上的里程s，其相对时间的一二阶导数，横向偏移l，其相对s的一二阶导数。选择指引线上距离车辆位置（x，y）最近点的的点做参考点，参考点插值投影得。和reference line，根据指引线插值得到s_r对应参考点状态。，即参考点的累计长度s，位置xy，航向角，曲率，曲率对s导数。，即车辆位置x,y，航向角，曲率，速度，加速度。，和reference line，求参考点状态。frenet坐标系转笛卡尔坐标系。笛卡尔坐标系转frenet坐标系。
自动驾驶-基于Frenet坐标的路径规划
AgingMoon的博客
11-29 7558
目录 1.什么是Frenet坐标系 2.Frenet坐标与笛卡尔坐标转化 3.五次多项式系数推导 4.基于Frenet的横向路径规划 5.基于Frenet的纵向路径规划 6.典型的路径选择方法 7.参考文献 1.什么是Frenet坐标系 我们知道在笛卡尔坐标系下，表示一个点，用（x,y），但是在自动驾驶过程中，还是希望以驾驶员视角，同时为了计算简化，我们希望车道线为参考线，相对自车，来构建一个坐标系，这就是Frenet坐标系。 如上图所示，车辆的位置在笛卡尔坐标系下坐标为（x,y）,
笛卡尔坐标系和Frenet坐标系
Solititude的博客
05-11 1055
笛卡尔坐标系和Frenet坐标系的联系与区别，Frenet坐标系的优势
自动驾驶lattice规划详解：参考线、frenet标架与多项式拟合算法（上）。附Matlab和C++实现代码。
最新发布
oaMXPLjTnX的博客
04-18 1275
总之，本文通过介绍从零学习自动驾驶lattice规划的方法，并结合参考线、Frenet标架和多项式拟合等关键概念和算法，提供了Matlab和C++两种语言的代码实现，希望对读者在自动驾驶技术研究和实践中有所帮助。通过以上的描述，我们可以看出，从零学习自动驾驶lattice规划需要掌握参考线、Frenet标架和多项式拟合等关键概念和算法，并能够熟练运用Matlab和C++两种语言进行代码实现。当然，随着自动驾驶技术的不断发展和演进，路径规划算法也在不断改进和优化，我们在后续的文章中将继续探讨更多的内容。
Frenet坐标系及其与笛卡尔坐标的转换(2)——原理
qq_24561095的博客
05-16 2052
关于Frenent公式的推导过程第二部分
Frenet坐标系与Cartesian坐标系互转（一）：公式推导
热门推荐
昔风不起，唯有努力生存！
09-23 4万+
Frenet坐标系在无人驾驶领域被普遍使用，特别是在城市、高速等道路交通环境下无人驾驶的路径规划系统中。Frenet坐标系使用道路的中心线作为Base frame，使用参考线的切线向量和法线向量建立坐标系。相比笛卡尔坐标系，Frenet坐标系简化了路径规划问题。网上关于Frenet坐标系的博客或资料很多，此处不再赘述。本文先给出简单的转换公式推导过程，然后给出三对Frenet坐标系与Cartesian坐标系互转的python代码与使用示例方便自己查阅使用。详细推导参见博客Apollo项目坐标系研究。not.
关于Frenet坐标系的介绍与应用（含Python与Matlab）
m0_50019540的博客
01-09 2312
本文初步介绍了Frenet坐标系以及初步的python与matlab代码
一种基于Frenet坐标系的优化轨迹动作规划方法.pdf
07-12
。。。
matlab开发-转换坐标系坐标系
08-27
在MATLAB中进行坐标系转换是一项常见的任务，特别是在地理信息系统（GIS）和地球科学领域。本教程主要关注如何将大地坐标（Geodetic Coordinates）转换为笛卡尔坐标（Cartesian Coordinates），包括在三轴、双轴椭球...
基于Frenet坐标系采样的自动驾驶轨迹规划算法研究_王沙晶.caj
03-17
泊车轨迹规划与跟踪控制
在frenet坐标下三次样条插值的python代码
11-29
首先实现了三次样条插值，然后将xy坐标系下的坐标转化为frenet坐标系下的坐标，并计算了偏转角和曲率。
基于Frenet优化轨迹的无人车动作规划实例
06-22
基于Frenet优化轨迹的无人车动作规划实例，使用Python实现，主要为高速场景，具体参考博客：https://blog.csdn.net/AdamShan/article/details/80779615
Optimal Trajectory in a Frenet Frame
10-23
Optimal Trajectory Generation for Dynamic Street Scenarios in a Frenet Frame，该文章讲了FRNEET框架下动态街道场景的最优轨迹生成的方法，用于表示车辆与地图的相对位置。百度Apollo开源项目中应用到了此种方法...
自动驾驶规划算法基础第三节-frenet与笛卡尔cartesian坐标系的转换
qq_41655797的博客
03-25 2276
该笔记来自b站up主（偶像）：憨厚老实的老王
直角坐标系（Cartesian或Rectangular coordinate system）
山涧果子（JIanhongwei810）
12-23 4816
（1）用语说明 直角坐标系（直交坐标系，Rectangular coordinate system，或Cartesian）是数学上平面或空间中表现任意点的方式，一般多用于2维或3维坐标系，有时也用于4维以上的坐标系.根据首先确认直角坐标系概念的法国数学家笛卡尔的名字，命名为笛卡尔坐标系（Cartesian coordinate system） （2）直角坐标系的表现 直角坐标系是以3个轴（x，y，z）的坐标来表示 （3）直角坐标系的特征 直角坐标系的各轴是相互垂直构成的。用2个轴形成测量平面，剩下的轴成为空
基于Frenet坐标系的无人车轨迹规划详解与实现
robinvista的专栏
04-28 2万+
　目的 　　本文通俗地介绍Frenet坐标系下的无人车轨迹规划方法，随后探讨在ROS下的代码实现细节，以及如何调节各项参数，需要重点注意的地方。 　前言 　　Frenet坐标系下的无人车轨迹规划方法是由Moritz Werling在2010年提出的，由于其简单有效的特点被广泛采用，甚至MATLAB都设计了相应的函数：trajectoryOptimalFrenet。一些开源的项目虽然不直接使用这种方法，但是也大量借鉴了方法中包含的思想，例如百度的Apollo无人驾驶项目，其中有很多Frenet坐标系的影子。
单变量微积分笔记——积分的应用
One step, One punch
06-02 2814
本文内容对应我的博客中微积分笔记总目录下的第四章，积分的应用。 4. 积分的应用 4.1 平均值和加权平均值（Averages and Weighted Averages） 4.2 求二维曲线轨迹长度（Arc Length）、三维曲面面积和体积（Surface and Volume） 4.2.1 坐标系和参数方程（Coordinates and Parametric Equations） 4.2....
Apollo_ADS_路径规划- frenet 坐标系
chepwavege的专栏
07-11 2963
参考： https://www.cnblogs.com/fuhang/p/9848992.html 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...
关于Cesium中的常用坐标系及说明
XLSMN的博客
07-27 1万+
Cesium是一个基于JavaScript的开源框架，可用于在浏览器中绘制3D的地球，并在其上绘制地图（支持多种格式的瓦片服务），该框架不需要任何插件支持，但是浏览器必须支持WebGL。        Cesium中常用的坐标系主要有两种：WGS84坐标系和笛卡尔空间直角坐标系。平时我们常见的某个点的经纬度就是在WGS84坐标系下某个点的坐标，它的坐标原点在椭球的质心；而笛卡尔坐标系主要是用来做
frenet坐标系与cartesian
06-28
### 回答1： 坐标系 Frenet坐标系和Cartesian坐标系都是用于描述物体在空间中的位置和运动状态的坐标系。 Frenet坐标系是一种基于曲线的坐标系，它描述了物体在曲线上的位置和运动状态。它由三个坐标轴组成：切线轴、法线轴和副法线轴。切线轴指向曲线的切线方向，法线轴指向曲线的凸侧，副法线轴与切线轴和法线轴垂直，指向曲线的弯曲方向。 Cartesian坐标系是一种基于直角坐标系的坐标系，它描述了物体在三维空间中的位置和运动状态。它由三个坐标轴组成：x轴、y轴和z轴。x轴和y轴在水平面内，z轴垂直于水平面。 两种坐标系都有各自的优缺点，选择使用哪种坐标系取决于具体的应用场景和需求。 ### 回答2： Frenet坐标系和Cartesian坐标系都是数学中常见的坐标系。它们都可以用来描述物体在不同的状态下的位置和运动状态。不同之处在于它们的定义和使用方法略有不同。 Frenet坐标系，也称为切向量坐标系，是一种基于曲线的坐标系，用于描述物体在曲线上的位置和运动状态。Frenet坐标系的三个坐标轴分别是曲线的切向量、法向量和副法向量。其中，切向量是曲线在任意一点的切线方向，法向量是垂直于切向量的向量，而副法向量是垂直于切向量和法向量的向量。这种坐标系的优点在于能够有效地描述曲线的弯曲和转向情况，使得计算曲线上任意一点的速度和加速度等物理量更加方便。 相比之下，Cartesian坐标系是一种基于直线的坐标系，用于描述物体在直角坐标系中的位置和运动状态。在这种坐标系中，物体的三个坐标轴分别是x、y、z轴，它们垂直于彼此形成一个直角三角形。这种坐标系的优点在于计算简单，容易理解。但它不能有效地描述曲线的特性，因为在直线上一些物理量的计算需要涉及到微积分和向量的运算，这使得计算比较麻烦并且容易出现误差。 总的来说，Frenet坐标系和Cartesian坐标系各有优缺点，具体使用哪种坐标系取决于需要描述物体的特性和应用场景。在实际应用中，这两种坐标系常常相互转换，以便更好地描述物体在运动过程中的位置和状态。 ### 回答3： Frenet坐标系是一种曲线坐标系，用于描述空间中的曲线。与笛卡尔坐标系不同，Frenet坐标系以曲线的切线、法向和副法向为基准，通过参数化曲线的方式来描述曲线的位置。因此，Frenet坐标系可以更好地描述曲线的几何性质，例如曲率和扭率等。 在Frenet坐标系中，曲线的位置可以由三个参数来描述，即曲线的弧长s、曲率k和扭率τ。这三个参数分别对应着曲线的沿切线变化、沿法向变化和沿副法向变化。通过这些参数，可以准确地描述曲线的位置和方向，而且可以轻松地计算曲线上任意点的切线、法向和副法向。 相比之下，笛卡尔坐标系则是以直角坐标系为基准，使用x、y和z三个坐标轴来描述空间的位置。尽管笛卡尔坐标系在描述平面和立体图形时比较简便，但当描述曲线的时候就显得比较复杂。因为曲线的位置和方向不能通过单一的坐标轴来描述，必须使用更复杂的公式和计算方法。 总的来说，Frenet坐标系相对于笛卡尔坐标系来说，在描述曲线几何性质上更加直观和准确。在实际应用中，Frenet坐标系有广泛的应用，例如在计算机图形学、机器视觉等领域中，以及在车辆导航和机器人路径规划中也有广泛的应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

CHH3213

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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