自动驾驶面经总结（三）

EM planner

本文主要是对英文论文《Baidu Apollo EM Motion Planner》（By Haoyang Fan, Fan Zhu）的学习总结。

自动驾驶的技术，从软件层面来说，分成基于嵌入式系统的软件平台部分，以及算法部分。前者提供类似OS（如Windows、MacOs，或手机上的IOS、Android）一样的运行支持和资源分配管理功能，后者更接近于提供具体功能的APP。

自动驾驶的算法一般主要分成感知、融合、规划、控制，其中规划处于承上启下的位置，作用是根据感知结果和环境信息，产生车辆的移动轨迹，从而让控制算法按照这个轨迹控制车辆的移动。

这篇文章说的就是规划算法之中一个常用的算法：EM Planner。它针对的是L4级别的自动驾驶场景。

EM planner同时覆盖多车道和单车道的自动驾驶，基于EM-type iterative algorithm。

一、从总体来看

整体思路：

并行计算每条车道的轨迹，基于Frenet frame来迭代计算最优的path和speed。
比较每条车道的轨迹，判断换道策略。
计算最优的path和speed：结合动态规划和基于样本的二次规划求解。

主要考虑的自动驾驶安全角度：

交通法规
覆盖范围：8秒或200米的轨迹
工作周期：100ms内
紧急安全：当前方输入模块出错，输出紧急保险策略

阿波罗顶层软件架构：

考虑的驾驶体验及优化方向：

场景覆盖（基本行驶、换道、拥堵等）
交通法规
舒适度（轨迹的smoothness）

多车道策略

对于L4自动驾驶，必须考虑换道策略。要决定车辆在不同车道中，走哪一条车道的哪个轨迹，常规做法是在所有车道中，基于cost来搜索最优轨迹，但这样的弊端在于：

搜索空间太大成本高；
交规在不同车道是不同的；
应避免突然换道。
EM中的换道策略分成主动换道和被动换道，主动换道由routing模块触发，默认车道被阻挡则触发被动换道。

所有障碍物和环境信息都会投射到每个备选车道的Frenet frames，每个车道再各自符合交规，每个车道都会根据cost生成一条最优轨迹，再选出全局最优轨迹。

求解最有轨迹的算法：Path-Speed Iterative Algorithm

在F坐标里面找最优轨迹是一个3D约束最优化问题，一般有两种方式：

1、直接求解：

轨迹采样或栅格（lattice）搜索。受限于随着空间时间而增加的搜索复杂度，因此得出的轨迹是suboptimal次优的。path主要考虑静态障碍，然后在生成的路径上计算速度。对于动态障碍可能找不到最优解。

2、path-speed去耦求解：

首先，由最新的speed信息评估未来的、低速的动态障碍，从而得出基于这个速度的最优path。然后生成的这个path又返回给speed计算针对新的path的最优的speed。

注意，这里的speed不会再马上传给path，所以迭代不是在同一个计算周期里进行，而是在下一个周期再进行迭代的。这里最好想一想，理解一下。

对于高速障碍，EM采用换道而不是闪躲来处理，因此对于高速障碍，EM也能处理。至于为什么要换道而不是闪躲，我猜测是因为闪躲对于动态障碍物的预测精度要求更高，而去耦求解的EM的预测前提是“预测都是基于当前周期的speed和path来进行的”，并不会考虑基于这个预测作出的行动会影响到障碍物的轨迹，这种交互对于高速动态障碍物来说，足够产生无法忽略的预测偏差，导致不能进行安全闪躲。

决策和交规

EM中，为了平滑轨迹，在规划开始之前就进行决策。

常见决策有两种模式：

Hand-tuning decision：可以调，但受限