文献阅读之DARPA冠军车Boss的轨迹规划

大家好，我已经把优快云上的博客迁移到了知乎上，欢迎大家在知乎关注我的专栏慢慢悠悠小马车（https://zhuanlan.zhihu.com/duangduangduang）。希望大家可以多多交流，互相学习。

---

目录

Autonomous Driving in Urban Environments_Boss and the Urban Challenge

第5节 Mission Planning

第6节 Behavioral Reasoning

Motion Planning in Urban Environments_ Part I

第4节 Trajectory Generation

第5节 On-Road Planning

Motion Planning in Urban Environments_ Part II

第4节 Planning Complex Maneuvers

第5节 Tracking Complex Paths

第6节 Planning in Parking Lots

---

Autonomous Driving in Urban Environments_Boss and the Urban Challenge

本文是DARPA冠军车“Boss”的系统介绍，主要涉及软件架构、运动规划（3个层次）、感知、错误恢复等模块。运动规划方法的具体细节，在下面的《Motion Planning in Urban Environments》2篇文献中。因本人主要关注决策规划，故只梳理了本文的部分内容。

第5节 Mission Planning

1. 由路网信息，计算边的cost，构成graph，以规划mission。
2. 车辆行驶过程中，路网图会更新，添加新观察到的数据。路网图应该只反映周边环境，故体量较小，重新规划较快。
3. 堵塞（blockage）信息是变化的，车辆可能会revisit以前到过的地方，检查堵塞是否被清除了。当所有path都堵塞时，必须revisit。
4. 探测堵塞的算法可能会漏过一些障碍物，如果发生这种情况，会添加一个虚拟blockage，其只能在车到达checkpoint时被消除。
5. blockage前后设定为可以U-Turn，且赋予较低的cost，经过blockage给较高的cost，重新规划。
6. revisit blockage通过逐步降低经过blockage的cost实现，并介绍了所使用的指数型cost更新函数。

第6节 Behavioral Reasoning

1. 环境上下文分3种：road，intersection，zone，相对应的行为也是3种：lane driving, intersection handling, achieving a zone pose。                         

   

2. precedence estimator 用来判断过路口的优先级，输入是静态的road model 和动态的障碍物信息。根据到达时间、占据多边形来判断优先级（顺序）。通过给到达时间调整bias值，造成右转优先的倾向。重点：将通过路口优先级的问题转变为——将占据多边形按照其修改后（bias）的到达时间升序排列的问题。   

   

3. precedence estimator 还用来merge或across 运动的车流。路口yield场景，需要根据预估的时间窗口计算yield polygon。具体细节看不懂。

   

4. 交通堵塞的情景，自车先等15s，还不行就增加该路口的cost，规划另外前往goal的path。若规划失败，执行error recovery。
5. merge plan 主要看自车车道是否满足merge过去的空间，目标车道各障碍物之前、之后、之间，是否满足自车merge过来的空间，是否在checkpoint之前，自车与merge目标点前后障碍物车的速度、加速度等指标是否合理、可行。然后在目标车道挑选最好的merge目标点。

   

6. on-road failure, 按照某种原则（主要是距离）在附近选取一系列恢复点。若这些恢复点都不可达，则U-Turn或更激进的开下车道继续推进。