自动驾驶之轨迹规划4——Apollo规划模块算法解析_20201219直播讲解

前言

本课程由Apollo平台fuyiqun主讲，视频链接如下：现场录屏，另外有官方解析文章：直播回顾丨Apollo自动驾驶论坛①规划模块算法解析（本篇另增问答整理），视频官方PPT在此（可免费下载）。下面是随堂记录。

Apollo规划模块算法解析

本文将为大家介绍Apollo规划模块（Planning）的算法解析，主要内容包括：

功能：基于预测的结果、路由模块（routing）的全局路线指引和地图信息，生成安全舒适的驾驶轨迹。

首先输入来自3个模块，包括Prediction、Chassis、Localization，目前Palnning模块是由这3个消息来触发的，触发之后我们会创建几个reader来读取Traffic Light和Routing信息，最后的输出是ADC Trajectory，也就是Planning的轨迹线。

---

1. 基于场景分类的规则和算法调用框架

在Apollo中，Planning的场景和任务管理是如何实现的？我们有一个双层的状态管理机，上层是一个场景管理器，叫做Scenario Manager，这里举了3个场景的例子，Pull Over、Parking、Junction，每个场景的配置文件/参数是不一样的。

有了场景之后，会基于不同的规划器（Planner）进行规划，Apollo中目前（20201219）有俩个Planner，一个是On Lane Planning Tasks（目前的主要规划方法），一个是Open Space Planning Tasks（泊车）。

On Lane Planning Tasks是默认的规划器，接下来重点介绍（Open Space Planning Tasks在GitHub有相关的论文和代码）。

有了规划器之后，会通过Path decision，把道路边界测出来。主要是通过不同脚本的task拆分完成的，比如Path decision，可以拆分成Lane Borrow和Lane Change。当decision做好之后，还会进行Path Planning。

有了轨迹后，可以再进行速度决策，速度决策也是通过小的task进行的。这里列了两个：

• Cross Lane Safety：主要是我们进行交叉变道时，对安全上的考虑。
• Lane Merge Waiting：主要是进行车辆汇流时，我们如何决策的。比如车辆需要等待，就需要生成一个Stop Fence。

有了Speed decision之后，用Speed的Optimizer ，来进行速度的规划。

---

2. 基于Frenet Frame的解耦合路径速度规划

2.1. 基于Frenet Frame的解耦合路径速度规划_Frent Frame

首先为什么要进行Frenet Frame？可以将笛卡尔坐标系下的运动状态进行了横纵向的分解。横向是指车辆l离我们的reference line的距离，纵向是沿着reference line走了多远，用s来表示。

通过这样的拆分，相当于把Planning降维了，可以大大的降低计算的复杂度。

2.2. 基于Frenet Frame的解耦合路径速度规划_reference line smoother

介绍下reference line smoother是如何做的：我们会直接优化离散点位置，用QCQP来解优化点间曲率，这样的运算时间大概是10ms。具体Cost Function如上图：

• 第一项表示俩个向量$P_k-P_{k-1}$、$P_{k+1}-P_k$之差，最小的情况是三个点在一条直线上，意味着这时的车是比较舒适的，没有左右摇摆。
• 第二项是$P_k$距离指引线（reference line）的距离，距离越小越好。
• 第三项是指俩个相邻点之间的距离不要差的太远。

上式的约束条件：

• $P_k$不能超过boundary的约束范围。
• 符合曲率的限制。

下面简单介绍下曲率限制的推导过程，另有一篇文章详细描述Apollo中的离散点平滑方法：

• $P_i$表示坐标。
• $\theta$表示向量$P_k-P_{k-1}$与$P_{k+1}-$