ergevv的博客

文章摘要 减速目标是速度规划中需要车辆提前减速才能到达的低速关键点，由轨迹位置$s_{T,k}$和目标速度$v_{T,k}$组成。它们来自速度上限曲线$v_{\mathrm{ref}}(s)$中的“速度谷底”，如停车点、弯道限速等。后向减速滤波通过计算从候选起点$(v_0,a_0)$到目标$(v_T,0)$的所需距离$d_{\mathrm{stop}}$，判断是否能在允许距离$d_{\mathrm{allow}}$内完成减速。优先选择温和的负jerk，并动态调整起点以确保舒适性。数学上通过梯形加速度曲线分三

Hybrid A*路径规划算法中，目标判定采用容差机制而非精确匹配。通过将节点坐标转换至目标坐标系，分别检查纵向、横向和角度偏差是否在预设范围内（窗口值需折半计算）。这种设计允许车辆在有限误差内抵达目标区域，避免了离散搜索空间和运动约束导致的精确匹配困难。同时引入"横向对齐点"概念，通过构造辅助点使路径终点能更平滑地衔接至道路中心线，解决了直接连接可能产生的不自然转向问题。算法通过三个维度的容差条件共同判定目标达成，并可选是否限制车辆必须从目标后方接近。

本文介绍了Hybrid A*路径规划算法中两种关键的启发函数设计。栅格自由空间距离通过在二维栅格上传播距离，筛选满足车辆半宽安全距离的可通行区域，提供保守的路径长度估计。Reeds-Shepp距离则考虑了车辆运动学约束（有限转弯半径、非完整约束），计算不考虑障碍物时的最短可行路径长度，解决了欧氏距离无法反映车辆转向限制的问题。这两种启发函数互补使用，既能避开障碍物，又符合车辆运动特性，显著提升了搜索效率。文章详细解释了两种距离的计算原理、条件约束及其在路径规划中的不同作用。

自动驾驶车道级路线规划摘要 自动驾驶路线规划的核心是将道路网络建模为有向图，其中节点代表车道片段，边表示车道间的通行关系。规划过程分为三层：路线（车道级导航）、路径（几何曲线）和轨迹（加入时间速度）。路线规划基于静态高精地图，将道路抽象为车道片段集合，通过中心线计算车道长度和方向，并建立车道间的拓扑关系（后继、前驱、可换道等）。从OSM地图生成车道图时，需将经纬度转换为局部坐标，解析车道边界并生成中心线。最终路线搜索在该图上进行，考虑交通规则和换道约束，输出允许通行的车道序列而非具体轨迹。动态环境因素由下游

本文介绍了自动驾驶速度平滑的核心概念与实现方法。主要内容包括： 速度平滑的必要性：解决急加速/刹车带来的不适感，满足车辆物理约束。 纵向运动三要素：速度(v)、加速度(a)、加加速度(jerk)，三者关系及积分公式。 弧长建模优势：将时间变量转换为空间变量，便于路径规划。 输入输出关系：基于参考轨迹的速度上限，生成物理可行的速度曲线。 实现流程：从轨迹截取、限速处理到最终平滑输出的完整链路。 关键技术：包括局部轨迹处理、外部限速转换、减速距离计算等核心算法。 文章通过数学公式和物理约束分析，系统阐述了自动驾

文章摘要 本文深入讲解了Hybrid A算法在自动驾驶自由空间脱困中的应用。文章首先分析了车辆在复杂场景下的脱困需求，如路肩起步、障碍物绕行等情况，指出传统路径规划方法的局限性。然后详细阐述了Hybrid A的核心思想，将其与传统A算法进行对比：Hybrid A通过将车辆位姿(x,y,θ)离散化，结合车辆运动学模型生成可行轨迹，解决了普通A*无法处理车辆转向约束的问题。文章还介绍了算法实现的关键环节，包括状态离散化、运动原语生成、碰撞检测等，并说明了如何将自由空间轨迹与道路中心线重新连接。

Autoware Elastic Band路径平滑算法是一种针对自动驾驶规划的局部路径优化方法。该算法通过二次规划(QP)在原始参考路径附近进行小幅修正，使路径更加平滑。其核心思想是将路径离散化为一系列点，每个点仅允许沿路径法向进行有限横向偏移，从而保持路径拓扑结构。算法通过最小化相邻点间的二阶差分（衡量路径曲率变化）来提升平滑性，同时约束偏移量以避免过度偏离原始路径。这种设计既保证了路径几何连续性，又保留了上游模块的规划意图，特别适合Frenet坐标系等对路径平滑性要求较高的后续处理模块。

Autoware中的MPT轨迹优化算法是一种局部轨迹优化方法，它在给定参考路径的基础上，通过车辆运动学模型和边界约束，优化出一段平滑、安全的局部轨迹。MPT采用空间域离散化方法，在参考线局部坐标系中描述车辆状态误差，并使用自行车模型建立状态转移方程。该算法通过二次规划求解最优横向偏移和航向偏移，最终输出符合车辆运动学约束且避开障碍物的轨迹。MPT优化重点在于平衡轨迹平滑性、安全性和可行性，而非全局路径搜索。