【Apollo 6.0算法解析】Apollo EM Planner

最新推荐文章于 2025-10-26 15:59:07 发布

Xiewf8128

最新推荐文章于 2025-10-26 15:59:07 发布

阅读量6.9k

点赞数 18

CC 4.0 BY-SA版权

分类专栏： Apollo 6.0理论与项目实战文章标签：自动驾驶人工智能

本文链接：https://blog.youkuaiyun.com/Travis_X/article/details/122337721

Apollo 6.0理论与项目实战专栏收录该内容

22 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

EM Planner是Apollo 6.0中的一种轻决策规划算法，擅长处理复杂场景。它通过SL和ST坐标系进行路径与速度分层规划，使用DP和QP进行决策和平滑。DP Path在SL坐标系下处理动态和静态障碍物，Spline Path通过QP优化路径。DP Speed Optimizer和Spline QP Speed Optimizer分别在ST坐标系下进行速度决策和优化，确保路径安全、平滑且符合动力学约束。

前言

EM Planner是基于轻决策的规划算法。与其他基于重决策的算法相比，EM Planner的优势在于能够处理许多复杂的场景（例如多障碍物的场景）。当基于重决策的方法试图预先确定如何处理每个障碍物时，困难是显而易见的：（1）很难理解和预测障碍物如何与主车相互作用，因此它们的跟随运动难以描述，因此很难被任何规则考虑；（2）当多个障碍物阻塞道路时，无法找到满足所有预定决策的轨迹概率大大降低，从而导致规划的失败。

Planning的大概流程是这样：先由 Routing模块通过全局规划得到参考线 Reference Line，然后 Planning模块在此基础上进行局部轨迹规划，EM Planner将路径和速度进行分层规划，并在 SL 和 ST坐标系下，使用动态规划（DP）进行路径和速度的决策和粗规划，然后再使用二次规划（QP）进行平滑处理。
在这里插入图片描述
在第一个E-steps中，动态和静态障碍物都被投影到Frenet框架。静态障碍物会直接从笛卡尔坐标系转换到Frenet坐标系，而动态障碍物的信息则以其运动轨迹来描述。在Apollo框架中，可以预测动态障碍物的移动轨迹。考虑到之前的周期规划轨迹，我们可以在每个时间点估计出动态障碍物和汽车的位置。然后动态障碍物和汽车在某个时间点的重叠可以被映射到Frenet框架中。另外，动态障碍物的出现会最终导致自车做出避让的决策。因此，出于安全考虑，SL