Apollo规划模块-规划器迭代版本

一 三维问题，降维解决。

x-y维度求解路径规划；
在路径规划的基础上进行s-t速度规划。

二 Apollo 规划器版本迭代

rtk循  --1.0  
EM Planning 基于DP和QP --1.5
Lattice Planning 路径和速度同时规划的规划器  --2.5

RKT Planner

规划预先设置的轨迹，为循迹算法使用。

EM Planner

EM：最大期望算法
通过动态规划进行路径和速度规划。比如说路径规划会在范围内进行机动撒点，离散化解空间进行求解。

比如说，采样器在垂直于Lane的方向选择5个点是合适的；而在沿着道路方向，点的选取不需要特别密集，过于密集的选择白白浪费了计算资源，并且在下一步使用光滑曲线连接点的时候，造成求解的不稳定。所以，往往会根据当前的车速和路况进行选择，比如每隔15-20米选一组点，共选择4-5组。这样选点，结合了车辆与道路的特点，并且所有参数是可以配置的，具有高度的灵活性。

撒点后，通过Cost Function一层层的进行动态规划，从而对问题进行有效的简化。再通过平滑的曲线连接各层采样点得到最终的路径。

EM Planner中的速度规划，也可以采用和路径规划相似的方法。

Lattice Planner

Lattice 源于DARPA，吸收精华对其改进和升级。

Lattice Planner会根据起点和终点的状态，在位置空间和时间上同时进行撒点。撒点的起始状态和终止状态各有6个参数，包括了3个横向参数，即横向位置、横向位置的导数也就是Heading、Heading的导数；3个纵向参数，即纵向位置、纵向位置的一阶导数也就是速度、纵向位置的二阶导数（也就是加速度）。在确定了终点和起点状态以后，再通过五阶或者四阶的多项式连接起始状态和终止状态，从而得到规划的横向和纵向轨迹。

三 Planner 对比

四 Planner 轨迹后处理

在轨迹生成以后，往往还可以通过一些后处理，对轨迹进行平滑和验证。可以通过几何的算法或者更加高粒度的采样，对于生成轨迹每个点，进行额外的碰撞检查。也可以同时验证规划的轨迹是否符合车辆的物理学动力特性，比如看其是否有超过车辆加减速度上下界限，以及转弯半径界限的时候。

五 回退保障机制

在发生意外情况时 靠边停车

六 EM规划算法

1. EM的含义

最大期望算法在统计中被用于寻找，依赖于不可观察的隐形变量的概率模型，参数的最大似然估计。

EM算法实在概率模型中寻找参数最大似然估计或者最大后验估计的算法。其中概率模型依赖于无法观测的隐性变量。
EM期望算法经过两个步骤交替进行，第一步是计算期望E，利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化M，最大化在E步上求得最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

EM简单教程

算法流程如下：

1. 初始化分布参数；
2. 重复直到收敛：
   1.E步骤
   2.M步骤

2.变道超车在EM Planner中如何考虑？

3.Path和Speed迭代算法

Path

EM Planner会迭代的对路径和速度进行优化。