自动驾驶轨迹规划之碰撞检测（二）

已于 2024-01-16 23:45:21 修改
阅读量1.9k 收藏 6
点赞数 5
分类专栏： 自动驾驶轨迹规划算法 文章标签： 游戏引擎 算法 自动驾驶
于 2024-01-16 23:43:42 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_65089713/article/details/135637809
版权

欢迎大家关注我的B站：

偷吃薯片的Zheng同学的个人空间-偷吃薯片的Zheng同学个人主页-哔哩哔哩视频 (bilibili.com)

目录

1.基于凸优化

2.具身足迹

3. ESDF

自动驾驶轨迹规划之碰撞检测（一）-CSDN博客

大家可以先阅读之前的博客 

1.基于凸优化

以此为代表的算法则是OBCA

无论是自车还是障碍物都可以表示为凸多边形，因此可以表示为多个超平面围成的空间

同时，自车与障碍物的避撞表达式就可以写成如下式子

然后就可以作为

了解本专栏 订阅专栏 解锁全文 超级会员免费看
无意2121
关注
  • 5
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
自动驾驶轨迹规划之碰撞检测（一）
weixin_65089713的博客
01-16 2175
这种方法是游戏中或物理引擎中常用的，AABB是指一个东西的包围盒，但是它横平竖直的，而OBB是会随着这个东西而旋转，包围盒始终不变，显然AABB相对保守但是后续计算简单，OBB更精确但是后续计算复杂。当对于两个凸边形是否相交，又可以转换为是否凸边形的每个顶点都在另一个凸边形之外，那么判断一个点是否在凸边形之外的计算几何算法就有很多，比如。对于自动驾驶汽车或机器人的路径规划，碰撞检测是其中非常重要的一个模块，因为碰撞检测不仅仍然是路径规划中的。受益于多边形的性质，对于两个都是多边形的物体，
自动驾驶轨迹规划之碰撞检测（三）
weixin_65089713的博客
01-17 1385
inflation_layer:膨胀层，用于在障碍物外标记一层危险区域，在路径规划时需要避开该危险区域当你选用了footprint，那么膨胀层就没有意义了，因为只有你是圆形的，障碍物才能进行有意义的闵可夫斯基和运算同时footprint是利用多边形计算代价，在耗算力，如果为了节省算力，可以用圆，冗余的部分当做缓冲就行如果你发现怎么调膨胀距离都会碰，因为膨胀层仅在圆形时有效，因此为了使用有安全距离的footprint，必须直接扩大footprint 通过下图来认识下为何要设置膨胀层以及意义：
自动驾驶-轨迹碰撞检测方法
AgingMoon的博客
11-29 4211
目录 1.自动驾驶的碰撞检测怎么做 2.基于圆形的检测方法 3.基于AABB方法 4.基于OBB方法 1.自动驾驶的碰撞检测怎么做 如上图所示，自动驾驶系统中，通过感知模块，针对周围环境的障碍物，如人-车-自行车等，会输出一个长方体 框住，而感知模块则是将长方体的尺寸和坐标输入给下游的规划模块，用于给规划模块在生成轨迹时，做碰撞检测，那么规划模块是如何进行碰撞检测的呢？ 自动驾驶场景，主要是针对一个二维平面在做碰撞检测，以下介绍几种典型的碰撞检测方法。 2.基于圆形的检测方法 .
【自动驾驶】碰撞检测算法
阅微草堂
07-07 5237
自动驾驶 碰撞检测
碰撞检测最新算法！OBCA公式详尽推导（泊车必备）
CV_Autobot的博客
12-01 1580
作者|论文推土机 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/667368813点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群本文只做学术分享，如有侵权，联系删文最近在推进一些非常屌的工作，还处于严格保密阶段。涉及到一些基础算法的回顾，这里包括很经典的一个OBCA算法，这个之前整理过论文推土机：使用混...
自动驾驶碰撞检查
ohayiye的博客
09-05 2354
简单来说主要从三个维度考虑，空间尺度，时间尺度和维度。举个栗子，和人开车一样，远处看下地图的拥堵情况，空间尺度有10km，时间尺度往往有10分钟，维度上红黄绿，要不要换线。近处看下前面老大爷会不会碰瓷，空间尺度10m，时间尺度100ms，维度上看他动作，要不要避让。这两个行为不一样，但你能感觉到任何一件事消耗的精力差别不大。计算机一样，如果把时空和维度数量算一个三维坐标系，换算栅格的数量往往是一样的。
Oriented Bounding Box 碰撞检测
lcbwlx的专栏
04-03 2383
rt, 这是项目中遇到的一个问题， 即： 给定两个点集， 如何判断他们是否相交。 其中， 输入自然是两个三维点集。 做法是分别求他们的包围盒， 然后看包围盒是否相交即可。 所以， 现在问题转换为给定一个三维点集， 求其包围盒。 这里有人说可以用pca求其特征向量， 这个向量就是这个点集的方向。 我觉得应该是对的， 但我没试过。 这里我采用的是网上的开元库。 省心省力。
box2d 碰撞检测_自动驾驶运动规划中的碰撞检测
weixin_39626131的博客
01-04 845
自动驾驶的碰撞检测原理并不新鲜，和2 D游戏中的碰撞检测原理相同，原理大多是超平面分割定理，难点在如何提高碰撞检测的效率或者精度，这个方法和技巧就不简单了。先简单说一下超平面分割定理：如果存在两个集合 C 和 D（不相交 即 C ∩ D = ∅），且这两个集合都为凸集，则必然存在一个超平面（超平面既是凸集又是仿射集），使得对于集合 C 中所有点 x 满足 a T x ≤ b , x ∈ C，集合 ...
Baidu Apollo代码解析之碰撞检测
silver bullet
05-30 3037
在Lattice Planner中，需要对1D横纵向轨迹结合（combine）后形成的2D轨迹做限制检测（速度、加速度等）和碰撞检测。碰撞检测由CollisionChecker类完成，文件路径：apollo\modules\planning\constraint_checker\collision_checker.cc。碰撞检测主要是遍历每个障碍物的预测轨迹的每个轨迹点、遍历自车规划轨迹的每个轨迹...
自动驾驶场景构建-车-二轮车事故
12-21
然后是决策制定，当自动驾驶车辆检测到二轮车并对其行为进行预测后，需要决定如何应对。这可能包括减速、避让或者紧急停车等。这个场景中的“碰撞”提示我们，自动驾驶系统在某种程度上可能没有做出正确的决策，或者...
智能车辆局部轨迹规划与跟踪控制算法研究
03-03
边界框法简化环境障碍物和无人车的形状， 引进分离轴理论对轨迹进行碰撞检测。 最后针对常见的驾驶场景设计了仿真程序验证， 结果验证了本文提出的轨迹规划 器的有效性、安全性和实时性。 (3)基于汽车动力学建立了...
自动驾驶控制小仿真pure
05-15
6. **路径规划与轨迹跟踪**：自动驾驶车辆需要根据目标点生成可行的行驶路径，并能精确跟踪该路径。这可能涉及到基于样条曲线的路径平滑、路径跟随算法等。 7. **算法实现**：Python库如`numpy`和`scipy`在数值计算...
自动驾驶汽车硬件系统概述
09-13
自动驾驶汽车硬件系统概述.pdf 目前绝大多数自动驾驶研发车都是改装车辆,相关传感器加装到 车顶,改变车辆的动力学模型;改装车辆的刹车和转向系统,也缺乏 不同的工况和两冬一夏的测试。图中Uber研发用车是SUV车型自身...
自动驾驶机器人自主定位导航技术.zip
04-18
ADAS是自动驾驶技术的前驱，它提供诸如盲点检测、碰撞预警、自适应巡航等功能，逐步增强车辆的智能化程度。随着技术的发展，ADAS功能逐渐被整合进更高级别的自动驾驶系统中。 总结来说，自动驾驶机器人自主定位导航...
基于并行遗传算法的无人驾驶（自动驾驶）避障算法和安全性研究
04-11 5854
基于并行遗传算法的无人驾驶（自动驾驶）避障算法和安全性研究 无人驾驶系统，本质上分为输入（环境感知 标志车辆行人图像识别  车辆定位）  行为决策（导航路径规划 避障等）  输出（车辆控制 ），而行为决策里，最重要的就是避障算法，避障算法是无人驾驶系统的核心  传统的避障算法，比如vfh和dwa等，是一种数学优化，它们的问题很多，比如只考虑局部优化，不能考虑全局，只考虑单个目标
自动驾驶【基于libgeos的碰撞检测】
m0_67373678的博客
07-21 2010
自动驾驶轨迹规划中，为了安全，我们需要避免和障碍物（他车、行人、动物或者静态的物体）发生碰撞，因此在轨迹上我们需要进行碰撞检测。
Apollo中Lattice轨迹碰撞检测
王不二的路
06-08 8078
今天又向大佬们迈向一步～～～～～ Apollo中Lattice规划器的碰撞检测实现在HasOverlap中： for (const auto& obstacle_box : predicted_bounding_rectangles_[i]) { if (ego_box.HasOverlap(obstacle_box)) { return true; } } 轨迹碰撞检测目的 目的：剔除存在同障碍物碰撞风险的轨迹…如下，大致就是对于每个采样点，自车采
自动驾驶中的滞后碰撞检测(lazy-collision-checking)
gophae的博客
12-31 2113
本文我介绍一下我发明的在自动驾驶中使用的滞后碰撞检测法。滞后碰撞检测的基本原理可以参考我的论文： Dynamic Motion Planning Framework for Autonomous Driving in Urban Environments 核心思想就是把碰撞检测脱离开来，不再放在cost function里面，通常来说，很多人都会将碰撞检测作为cost function 中的一项，...
【游戏引擎之路】登神长阶（七）——x86汇编学习：凡做难事，必有所得
最新发布
黄金之海
07-11 1272
游戏引擎开发日记，汇编语言学习。汇编比自已想象中要强大很多。
自动驾驶轨迹规划 rrt算法
07-12
### 回答1： 自动驾驶技术中的轨迹规划是指通过算法确定车辆在行驶过程中的最佳路径，使其能够安全、有效地到达目的地。其中，RRT算法（Rapidly-exploring Random Tree）是一种常见的轨迹规划算法。 RRT算法是一种以树结构为基础的算法，它基于随机采样的方式在环境中逐渐扩展并探索可能的轨迹。RRT算法的主要步骤如下： 1. 初始化树结构，将起点放入树中。 2. 随机采样一个点，并在树中找到离该采样点最近的节点。 3. 在该最近节点和采样点之间插入新的节点，形成一条轨迹。 4. 检查新轨迹是否与环境中的障碍物相交，如果相交，则抛弃该轨迹；如果不相交，则将新节点插入树中。 5. 重复2-4步骤，直到生成的轨迹连接到目标点或达到最大迭代次数。 RRT算法的优点是可以在高维复杂环境中进行轨迹规划，而且能够对环境进行自适应学习，适应环境变化。它的生成轨迹的速度较快，在实时应用中表现良好。 不过，RRT算法也存在一些缺点。由于随机采样的方式，它可能生成的轨迹并不是最优解，而是局部最优解。同时，RRT算法在环境中有大量的障碍物时，也可能存在搜索效率低下的问题。为了解决这些问题，可以通过改进RRT算法，如RRT*算法，来提高轨迹的质量以及搜索效率。 综上所述，RRT算法是一种自动驾驶轨迹规划中常用的算法，通过随机采样的方式在环境中探索可能的轨迹，并逐渐生成最佳路径。它具有较快的生成速度和适应复杂环境的能力，但同时也存在局部最优解和搜索效率低下的问题。 ### 回答2： 自动驾驶轨迹规划是指在自动驾驶系统中，通过算法来确定车辆的行驶轨迹。其中一个常用的算法是RRT（Rapidly-exploring Random Trees）算法。 RRT算法通过随机采样的方式在地图上构建一棵随机探索树，树的节点代表车辆在地图上的位置，树的边代表车辆在不同位置之间的移动轨迹。算法初始化时，将起始位置作为树的根节点，然后不断迭代执行以下步骤，直到找到一条符合要求的路径： 1. 随机采样：根据地图的特点和限制条件，随机采样一个点作为新的节点。 2. 寻找最近节点：从树中已有的节点中找到离采样点最近的节点，作为起始节点。 3. 扩展树：以起始节点为起点，按照一定步长，在地图上搜索一条从起始节点到采样点的路径，将路径上的点作为新增的节点加入树中。 4. 碰撞检测：对新增的节点进行碰撞检测，判断是否与障碍物相交。 5. 连接节点：如果新增节点通过碰撞检测，没有与障碍物相交，且与目标点的距离小于阈值，则将新增节点与目标点直接连接。 6. 重复以上步骤，直到找到一条从起始点到目标点且不与障碍物相交的路径。 通过上述步骤，RRT算法可以在较短的时间内找到一条符合要求的车辆轨迹。然而，RRT算法存在一些缺点，如对于复杂环境需要较长的时间来找到一条路径，而且路径的质量可能不够优化。因此，研究者们也在不断改进和优化RRT算法，以提高自动驾驶系统的性能和安全性。 ### 回答3： 自动驾驶轨迹规划是指通过算法来确定车辆在道路上行驶的最佳路径，使得车辆能够安全、高效地达到目的地。其中，rrt（Rapidly-exploring Random Tree）算法是一种常见的路径规划算法。 rrt算法的基本思想是通过随机采样的方式，探索和扩展树结构，直到找到符合要求的路径。具体过程如下： 1. 初始化：将起点设置为树的起始节点，并将其加入树中。 2. 随机采样：根据特定的采样策略，在地图区域内产生一个随机的采样点，作为目标点。 3. 搜索：从树中选择最近邻的节点（树中距离目标点最近的节点），并通过运动模型生成一个新的节点。 4. 碰撞检测：判断新节点与障碍物是否有碰撞，如果有碰撞，则重复第3步。 5. 节点连接：将新节点添加到树中，并与最近邻节点进行连接。 6. 判断终点：判断新节点是否接近目标点，如果满足条件，则结束搜索。 7. 循环：重复第2至第6步，直到找到有效路径或达到最大搜索次数。 通过rrt算法进行自动驾驶轨迹规划，能够快速探索潜在的路径，同时有效避开障碍物。其优点是适用于复杂的环境和动态障碍物，能够找到可行解。然而，rrt算法也存在一些不足之处，例如路径不一定是最短路径，而且搜索过程中可能出现偏差。因此，实际应用中通常会结合其他算法对路径进行优化和改进，以提高路径规划的准确性和效率。

“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
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

无意2121

创作不易，多多支持

¥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