appllo课程笔记之规划模块

视频链接：http://bit.baidu.com/Course/detail/id/294.html

part1：

规划的本质是搜索，即在构造空间中搜索处一条最优的轨迹，它包含了路径信息和速度配置信息。

规划在不同的领域有不同的含义：机器人领域：涉及RRT， A*，D* 等，控制领域，涉及MPC,LQR等，

而在最新的人工智能领域，是生成状态道动作的映射，如强化学习，模仿学习等。

 

无人车的规划问题，如果简单定义为一个路径搜索问题（静态路网路径查找），典型的可以使用BFS DFS  A*等

多种方法。这些方法需要我们对全局路网都有一个预先的认知。但事实上我们只能得到附近的环境信息，此时我们

可以用贪心的策略，或者一种增量式的手段解决。对于动态路网，还有D*算法，D*也是目前月球无人车领域的主流

算法。

以上的搜索技术与无人车的规划有一些值得借鉴之处：

有一个目标函数，可以衡量距离，平滑度等等；启发式搜索的方法；局部规划中的增量式搜索（贪心）的思想

但还缺少不少东西：

对动态障碍物的考虑；计算的实时性要求；考虑运动学约束（汽车是典型的非完整约束系统）；交通规则的考虑；

part2：

运动规划的基本方法有：

RRT  、Lattice（+polinomial）、基于优化的方法

【ps: 貌似目前是基于采样和基于优化的两种方法，基本上以基于优化的方法为主，基于Lattice的方法计算量，调参难度更大一些】 

首先，我们需要解决的问题是连续空间如何离散化的问题。

方法之一是 Roadmap法 。构造一个简单的连通图，Visibility Graph将起始节点，所有障碍物的顶点和目标节点相互连接来构建路线图。这种方法对原始空间做了很多的抽象，把空间事实上降为成了一维的线路图，在连线结束时，建图的工作也完成了，图搜索只需要在这些已有的线中找结果就可以了。

方法之二是比较主流的网格划分法。Cell decomposition将整个空间分割成一个个cell。

方法之三就是，Potential field势场法，就是直接用微分方法处理。其实就是优化法最后所用的方法

PRM算法：一种常用的抽象连续空间的方法叫做PRM（随机路标图算法）。它在整个配置空间随机采样一些点，如果点在障碍物上则去掉，然后将这些点连接起来，如下图所示的紫色点，最终点与点之间连城路网，当然，我们可以控制撒点的数量，以及周围连接点的个数等等。对于局部感知，我们可以用增量式的算法解决问题。

RRT算法：（一种增量式的搜索PRM方法）以根节点为起始点，然后随机采样，增加叶子节点。每次撒点之后，若在目标点附近，则完成搜索，否则，选取已有节点中离新撒的点最近的点做延伸，如果被挡了就重新撒点。这种算法能够快速找出一条路径，但是他的曲率是不连续的。MIT提出使用平滑曲线进行连接的方法。但是该方法得到的路径还是不够平滑，另外对动态障碍物的处理也存在问题。

Lattice网格法：这种方法就是网格化后对不同路径采样，正常情况下这种方法的搜索空间是呈指数增长的。许多论文的工作是如何剪枝，压缩搜索量，如固定每个距离上sampling的点，简化计算。另外，在XY坐标系撒点不合适，这种方法进一步变成了在sl坐标系中撒点。sl坐标系下，有一个撒点方式是做分解，在s-t,l-t中分别采样。此外，还可以使用路径-速度迭代优化的方法对Lattice方法进行优化，也就是Polynomial方法。它将问题降维，分成了path 和 speed两个维度逐渐优化，这是一种iterative的处理方式。

最后一种方法就是，还可以把曲线functional化，对整个问题建模，设计相应的代价函数。二次规划就是其中一种常用的方法。

part3：