决策规划算法(二)

【Apollo学习笔记】——规划模块TASK之SPEED_HEURISTIC_OPTIMIZER 在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK,本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限,文章可能有纰漏的地方,还请批评斧正。在配置文件中,我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第10个TASK——动态规划规划目标加速度尽可能小。 阅读详情

笔记来自 B 站

1.五次多项式

衡量规划控制好坏的标准是舒适度,物理意义为跃度,用英文表示为 Jerk
J a r k = d a d t Jark = \frac{da}{dt} Jark=dtda​
设有一个质点的轨迹为 s = f ( t ) s = f(t) s=f(t)
则 J a r k = d 3 f d t 3 Jark = \frac{d^{3} f}{dt^{3}} Jark=dt3d3f​
其中 a 为加速度,加速度的导数越平缓则代表车辆越舒适
因为加速度是分正负的,所以转换为微分可以表示为,寻找一个 f ( t ) f(t) f(t) 使得
m i n ∫ 0 T ( d 3 f d t 3 ) 2 d t min\int_{0}^{T} (\frac{d^{3} f}{dt^{3}})^{2}dt min∫0T​(dt3d3f​)2dt
所以,积分 m i n ∫ 0 T ( d 3 f d t 3 ) 2 d t min\int_{0}^{T} (\frac{d^{3} f}{dt^{3}})^{2}dt min∫0T​(dt3d3f​)2dt 是一个关于 f(t) 的泛函,积分的值取决于 f(t) 的整体形状

2.五次多项式的推导

因为积分取了平方,所以要想让该值最小 ( d 3 f d t 3 ) (\frac{d^{3} f}{dt^{3}}) (dt3d3f​) 只能取 0,那么三阶导为 0 ,f(t) 只能是一个二次或者二次以下的多项式
在现实的智能驾驶中 f(t) 带有 6 个约束
在这里插入图片描述
为了满足这 6 个约束,Jerk 只能是一个五次多项式
s = f(t) 进行泰勒展开
在这里插入图片描述
然后将约束条件带入
在这里插入图片描述
对边界条件进行恒等变形
在这里插入图片描述
再将其进行转换
在这里插入图片描述

3.欧拉-拉格朗日方程计算泛函极值

1.欧拉-拉格朗日公式
在这里插入图片描述
2.计算 Jerk 的极值
S1:
在这里插入图片描述
S2:
在这里插入图片描述
在这里插入图片描述

Robotics: Aerial Robotics(空中机器人)笔记(六):无人机运动规划 在之前的学习中我们已经讨论了如何根据给定轨迹对四旋翼进行控制,在这一章里,我们将探索四旋翼无人机在三维空间中的运动规划,即给定一个三维的环境,我们希望能够在这个三维环境中指定具体的点,进而让四旋翼无人机在这个环境中规划出无障碍的轨迹路线。 阅读详情

相关推荐

决策规划算法二:生成参考线(FEM_POS_DEVIATION_SMOOTHING)

Apollo的的规划算法基于Frenet坐标系,因此道路中心线的平滑性控制着车辆是否左右频繁晃动,而高精地图的道路中心线往往不够平滑。 离散点平滑法,包括 1,FEM_POS_DEVIATION_SMOOTHING有限元位置差异 2,COS_THETA_SMOOTHING余弦) 3,QpSplineReferenceLineSmoother(三次样条插值法) 4,SpiralReferenceLineSmoother(螺旋曲线法) 本文只讲解FEM_POS_DEVIATION_SMOOTHIN.

肥嘟嘟的左卫门 2852

自动驾驶速度平滑教程:从运动约束到解析 Jerk 受限速度规划(1)

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

ergevv的博客 814

【自动驾驶】决策规划算法(二)参考线模块Ⅱ| 实时性与轨迹拼接优化

本文深入探讨了自动驾驶决策规划中参考线模块的实时性挑战与优化方案。核心在于解决二次规划平滑算法的计算瓶颈,重点介绍了轨迹拼接技术,通过复用上一帧结果并局部优化新增部分,大幅减少计算量,确保参考线能在毫秒级稳定生成,为后续规划提供稳定高效的坐标系基底。

weixin_29031161的博客 181

Ruckig:微秒级机器人运动控制的革命性突破

在工业自动化与机器人技术快速发展的今天,实时精准的运动控制成为提升系统性能的关键瓶颈。Ruckig作为一款开源C++运动规划库,以其微秒级计算速度和时间最优控制算法,重新定义了机器人轨迹生成的效率标准。该库能够在严格遵循速度、加速度和加加速度(jerk)约束的前提下,为多自由度系统生成平滑且时间最优的运动轨迹,为工业机器人、协作机械臂和无人机等领域提供了高性能的实时运动控制解决方案。 ## 🔥

gitblog_00918的博客 364

自动驾驶决策规划研究综述

实时进行路径规划是车辆能够实现自动驾驶的重要功能之一,自动驾驶车辆面对的交通场景多而复杂,因此如何根据感知层得到的车辆周边的障碍物、车流、人流信息规划出一条安全、驾乘舒适、平滑的路径是自动驾驶领域的经典难题,而服务于自动驾驶的决策规划也在近年来受到了学术界和工业界越来越多的关注。本文对该领域主要研究进展进行了综述。首先,介绍自动驾驶决策规划模块的重要作用。其次介绍规划与决策分层次的结构,以及每个层次的重要算法。最后总结实际自动驾驶的决策规划模块的典型问题,并展望这个方向的研究趋势。

SD_Ma的博客 5577

Apollo Planning决策规划算法代码详解 (22):决策规划算法最完整介绍

前言: 后台已经写完了Apollo Planning决策规划算法的完整解析,一路从规划模块的入口OnLanePlanning,介绍到常见的规划器PublicRoadPlanner;接着介绍了在PublicRoadPlanner中如何通过类似有限状态机的ScenarioDispatch进行场景决策。之后又介绍了在每个场景Scenario中如何配置以及判断当前所处的stage,以及对于每个stage又是如何注册tasks来执行具体的规划任务。 现在回头来看,这个系列应该是目前全网最完整的apollo规划算法

自动驾驶Player的博客 1万+

Minimum jerk / Minimum snap后端轨迹优化

Minimum jerk / Minimum snap后端轨迹优化,在深蓝学院的课程中有对这部分进行讲解,详细的内容可以去 b 站找视屏看一看,这里主要是理解运用,包含程序。

YUE__zy的博客 4089

哈勃参数数据对jerk参数的观测约束

我们通过运动学方法研究了宇宙的加速膨胀阶段。 特别地,减速参数q以与模型无关的方式被参数化。 考虑到q的广义参数化,我们首先获得jerk参数j(比例因子的无量纲三阶导数),然后将其与宇宙观测值相对。 我们使用哈勃参数H(z)的最新观测数据集,该数据集由41个数据点组成,其红移范围为$ 0.07 \ le z \ le 2.36 $$0.07≤z≤2.36,大于Type覆盖的红移范围 超新星。 我们还获得了减速参数$$ q_0 $$ q0,加加速度参数$$ j_0 $$ j0和过渡redshift $$ z_t $$ zt(宇宙的膨胀从减速切换为加速)的当前值, $$ 1 \ sigma $$1σ错误($$ 68.3 \%$$$ 68.3%置信度)。 结果表明,在减速的宇宙之后,宇宙确实处于加速的膨胀阶段。 这与目前的观察结果是一致的。 此外,根据j的演化,我们发现本模型与标准$$ \ Lambda $$ΛCDM模型的偏离。 此外,针对本模型显示了标准化哈勃参数的演化,并将其与H(z)的数据集进行了比较。

【自动驾驶】决策规划算法(二)参考线模块Ⅰ| 平滑算法与二次规划

在自动驾驶决策规划算法中,参考线是解决导航路径过长且不平滑问题的关键。通过截取全局路径中的一段较短路径并进行平滑处理,简化了障碍物投影和匹配点的确定,使得规划算法能够在较小的范围内搜索最优路径。参考线的优点在于,较短的参考线投影更容易确定,且经过平滑处理后,路径更加平滑。 参考线平滑算法通过代价函数来优化,代价函数包含了与原路径点相似代价、平滑代价和紧凑代价。通过将代价函数写成二次规划的形式,可以求解出最优的参考线点。在实际应用中,参考线平滑算法面临着许多挑战,特别是在算法的执行速度上。

Hello!大家好,我是清流君,愿我的分享能助您一臂之力。荣幸与您共探移动机器人世界!✨ 1741

unity转微信小游戏:使用CDN加载游戏(微信开发者工具云开发CDN)

unity转微信小游戏:使用CDN加载游戏(微信开发者工具云开发CDN)

会潜水的小火龙的博客 3071

告别Colmap!在ROS2 Humble上,用Fast-LIVO2直接为3D Gaussian Splatting准备数据全流程

本文详细介绍了在ROS2 Humble环境下,使用Fast-LIVO2为3D Gaussian Splatting(3DGS)准备数据的全流程。通过优化Fast-LIVO2配置、实时数据同步机制和3DGS训练参数,显著提升了三维重建效率和质量,相比传统Colmap流程节省95%以上的预处理时间。适用于Ubuntu22.04系统,适合机器人及自动驾驶领域的三维重建应用。

weixin_28688385的博客 588

【自动驾驶】决策规划算法 | 数学基础(二)凸优化与非凸优化

各位小伙伴们大家好,本篇博客是自动驾驶决策规划算法数学基础的第二节,内容整理自 B站知名up主 忠厚老实的老王 的视频,作为博主的学习笔记,分享给大家共同学习。   凸优化是比二次规划更宽泛的概念。本篇博客的讲解不像数学系讲得那么细,比如凸优化的来源、凸优化的定义、怎么求解凸优化问题、KKT 条件之类的问题不会讲。对于做自动驾驶的人来说,凸优化就是调包,把数据结构弄好,然后喂到包里面去,算结果就可以了。

Hello!大家好,我是清流君,愿我的分享能助您一臂之力。荣幸与您共探移动机器人世界!✨ 1812

电池管理系统(BMS)系列—状态估计之SOH

BMS系列文章,介绍了SOH估计

zxx52113140的博客 1846

机器人运动规划:从C空间到RRT算法,打通自主决策的任督二脉

运动规划是机器人实现自主移动与操作的核心技术,它旨在为机器人寻找一条从起点到终点、同时满足无碰撞及动力学约束的可行路径。其核心数学基础是构型空间(C空间),它将复杂的物理实体碰撞问题转化为高维空间中的点与区域避障问题,从而奠定了算法设计的理论基础。为应对高维C空间带来的“维度灾难”,基于随机采样的规划算法(如RRT及其优化版本RRT*)应运而生,它们通过概率完备的随机探索,有效解决了机械臂、无人机等高自由度系统的路径搜索难题。结合碰撞检测、轨迹优化等关键技术,运动规划已成为工业自动化、自动驾驶等领域实现智能

weixin_29064103的博客 220

实现单芯片2400bps 音频编解码方案

终于按照朋友的需求,帮他开发了一款单芯片集音频采集编码传送并接收解码播放功能的方案,交给快递公司邮寄给远在郑州的他.整个项目从开始定型到现在一个样机送出,整整花了1个月时间,感觉挺有成就感,挺有意思,工作是辛苦的,结果却是快乐的.现在将这中快乐的的心情与大家分享一下.    真个项目用一颗主控搞定,ARM9的,200KBytes 片内RAM,主频可以跑到300MHz,64pin LQFP封装

nyxsec的专栏 3682

YOLO11涨点优化:创新多尺度卷积注意力(MSCA)模块,小目标检测神器!

MSCA模块通过创新的多尺度设计,在保持计算效率的同时显著提升小目标检测能力。实验证明,在YOLOv5/v8等模型上嵌入MSCA后,mAP提升超过2%,小目标检测精度提升近4%,且计算代价增加极小。注意力机制的未来发展方向动态核尺寸:根据输入特征自适应调整卷积核大小跨模态融合:结合RGB与深度/热力图等多模态信息自监督优化:利用对比学习预训练注意力模块尝试在你的YOLO模型中插入MSCA模块,欢迎在评论区分享你的涨点结果!参考文献。

QQ_778132974的博客 470

【算法应用】Q-learning求解大规模栅格地图路径规划问题

Q-table 意图如图所示,表格中每一行代表一个状态空间,每一列对应智能体可以执行的动作,每一对状态和动作对应的内容为Q(s,a)。策过程中的最优策略。Q-learning 算法使用 Q 值来表示在某个状态下采取某个动作所能获得的长期回报,通过不断地更新 Q 值,找到最优的Q 值和策略。若查询到状态 s 对应的 Q 值,就以指定的策略选择动作;2.将已知状态下的 Q 值记录在 Q-table 中,Q-table 中查询当前状态 s 对应。其中,Q(s,a)是在状态 s 下采取动作 a 的 Q 值;

Logic_9527的博客 905

WOFOST作物模型(3):敏感性分析

使用TAGP(Total Above Ground Production),地上总产量TSUM1,temperature sum from emergence to anthesis,萌发至开花所需温度TSUM2,temperature sum from anthesis to maturity,开花至成熟所需温度SPAN,life span of leaves growing at 35 Celsius,生长温度为35度时的叶龄。

所有专家都曾始于新手 1145

自动驾驶决策规划算法——二次规划

黄色的点就意味着L的上下界,物理意义是当轨迹s=s1时,L的范围应该是(Lmin1,Lmax1)之间,这个范围就是开辟的凸空间。上面的方程组就是二规划的等式约束;恒为一个常数,那么f(s)四阶以上的导数都是0;假设在f(s)的三阶导数。

m0_68388605的博客 887

【Matlab】matlab代码实现迭代学习控制

该文介绍了在Matlab中实现迭代学习控制(ILC)的方法。ILC通过利用历史轨迹数据来优化重复任务的控制性能。文章提供了一个步进电机控制示例,包括:1)定义正弦轨迹;2)设置100次迭代和0.1学习率;3)建立二阶系统模型;4)执行ILC算法计算控制输入;5)绘制期望轨迹与实际输出的对比图。该示例展示了ILC的基本实现过程,并指出实际应用可能需要更复杂的设计。代码演示了误差计算、控制输入更新和结果可视化等关键步骤。

unber的博客 200

一文读懂AI协同办公领域发展和趋势

协同办公,又称OA,是指企业内部或外部各类人员之间利用信息技术来进行协作工作的一种形式。这种协作工作既可以由直接员工进行,也可以来自外部的咨询机构、合作伙伴或联营企业。协同办公的优势在于可以对资源进行有效管理和配置,各部门之间可以建立良好的协作关系,跨部门更好地实现资源共享。

女王の专属领地 2359

自动驾驶决策规划算法概述

一、级别分类 L0 横纵向都需要人操控,系统无法控制横向或者纵向 L1 系统只能操控横向或者纵向,系统能控制横向或者纵向中的一个,但横纵向无法联合控制

肥嘟嘟的左卫门 7562

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

强化学习课程笔记(二)——马尔科夫决策过程和动态规划寻找最优策略

参考材料 1.强化学习入门课程(英文)https://www.bilibili.com/video/av37295048 2.课程对应知乎讲解https://zhuanlan.zhihu.com/reinforce 3.强化学习(莫烦)https://www.bilibili.com/video/BV13W411Y75P 4.《强化学习入门——从原理到实践》-叶强 第二章 马尔科夫决策过程 当环境状态是完全可观测时,个体可以通过构建马尔科夫决策过程来描述整 个强化学习问题。有时候环境状态并不是完全可观测的,

小郁同学 3245

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: 决策规划算法(一)
下一篇: 决策规划算法(三)----二次规划
许菠萝
博客等级 码龄10年 263粉丝 77原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值