Planning-Frenet坐标和Cartesian坐标转换中

本文详细解析了自动驾驶中Frenet坐标系与Cartesian坐标系之间的转换,涉及变量说明、关键公式和坐标间的计算步骤,如位置、速度、加速度等在两种坐标系中的表示和转换方法。

本文根据B站up:忠厚老实的老王 的视频《自动驾驶决策规划算法第一章第三节(上) 直角坐标与自然坐标转换》整理,连接:https://www.bilibili.com/video/BV1tQ4y1r7fh?spm_id_from=333.1007.top_right_bar_window_history.content.click

Planning-Frenet坐标和Cartesian坐标转换上
Planning-Frenet坐标和Cartesian坐标转换下

2 坐标转换

在这里插入图片描述

2.1 变量说明:

r h ⃗ \vec{r_h} rh 车的位置矢量 r h ⃗ \vec{r_h} rh 投影的位置矢量
v ⃗ \vec{v} v 车的速度 s ˙ \dot{s} s˙ 投影的速率
a ⃗ \vec{a} a 车的加速度
κ h \kappa _h κh 车的位置矢量在车轨迹上的曲率 κ r \kappa _r κr 投影位置矢量在道路几何上的曲率
τ h ⃗ \vec{\tau_h} τh 车的位置矢量在车轨迹上的切线方向的单位向量 τ r ⃗ \vec{\tau_r} τr 投影位置矢量在道路几何上的切线方向的单位向量
n h ⃗ \vec{n_h} nh 车的位置矢量在车轨迹上的法线方向的单位向量 n r ⃗ \vec{n_r} nr 投影位置矢量在道路几何上的法线方向的单位向量

2.2 基础公式

计算所需要的公式,即为上述 ( 1 − 1 ) — ( 1 − 4 ) (1-1)—(1-4) (11)(14)
{ ① r h ˙ ⃗ = ∣ v h ⃗ ∣ τ h ⃗ = v h ⃗ ② r r ˙ ⃗ = s ˙ τ r ⃗ ③ τ h ˙ ⃗ = d τ h ⃗ d t = κ h ∣ v h ⃗ ∣ n h ⃗ ④ n h ˙ ⃗ = − κ h ∣ v h ⃗ ∣ τ h ⃗ ⑤ τ r ˙ ⃗ = κ r s r ˙ n r ⃗ ⑥ n r ˙ ⃗ = − κ r s r ˙ τ r ⃗ ⑦ a ⃗ = ∣ v h ˙ ⃗ ∣ τ h ⃗ + ∣ v h ⃗ ∣ 2 κ h n h ⃗ (2-1) \begin{cases} ①\vec{\dot{r_h}} = |\vec{v_h}| \vec{\tau _h} = \vec{v_h}\\ ②\vec{\dot{r_r}} = \dot{s} \vec{\tau _r} \\ ③\vec{\dot{\tau_h}} = \frac{d \vec{\tau _h}}{dt} = \kappa_h |\vec{v_h}| \vec{n_h} \\ ④\vec{\dot{n_h}} = - \kappa_h |\vec{v_h}| \vec{\tau_h} \\ ⑤\vec{\dot{\tau_r}} = \kappa_r \dot{s_r} \vec{n_r} \\ ⑥\vec{\dot{n_r}} = - \kappa_r \dot{s_r} \vec{\tau_r} \\ ⑦\vec{a} = |\vec{\dot{v_h}}| \vec{\tau_h} + |\vec{v_h}|^2 \kappa_h \vec{n_h} \end{cases} \tag{2-1} rh˙ =vh τh =vh rr˙ =s˙τr τh˙ =dtdτh =κhvh nh nh˙ =κhvh τh τr˙ =κrsr˙nr nr˙ =κrsr˙τr a =vh˙ τh +vh 2κhnh (2-1)

2.3 C a r t e s i a n Cartesian Cartesian坐标系转换到 F r e n e t Frenet Frenet坐标系

已知 r h ⃗ , v h ⃗ , a h ⃗ , κ h , τ h ⃗ , n h ⃗ \vec{r_h}, \vec{v_h}, \vec{a_h}, \kappa_h, \vec{\tau_h}, \vec{n_h} rh ,vh ,ah ,κh,τh ,nh F r e n e t Frenet Frenet坐标系起点 ( x 0 , y 0 ) (x_0,y_0) (x0,y0),求 s , s ˙ , s ¨ , l , l ′ , l ′ ′ , l ˙ , l ¨ s, \dot{s}, \ddot{s}, l, l^{\prime}, l^{\prime \prime}, \dot{l}, \ddot{l} s,s˙,s¨,l,l,l,l˙,l¨

2.3.1 计算ADCFrenet坐标系中的投影点

需要根据车辆坐标 ( x h , y h ) (x_h, y_h) (xh,yh),在参考路径上找到 x r , y r , θ r , κ r x_r, y_r, \theta_r, \kappa_r xr,yr,θr,κr。首先找到距离车辆坐标 ( x h , y h ) (x_h, y_h) (xh,yh)最近的点,称为匹配点 x m , y m , θ m , κ m x_m, y_m, \theta_m, \kappa_m xm,ym,θm,κm

在这里插入图片描述

根据匹配点和ADC坐标可以得到:

{ d ⃗ = ( x h − x m , y h − y m ) τ m ⃗ = ( c o s θ m , s i n θ m ) (2-2) \begin{cases} \vec{d} = (x_h - x_m, y_h - y_m) \\ \vec{\tau_m} = (cos{\theta_m}, sin{\theta_m}) \tag{2-2} \end{cases} { d =(xhxm,yhym)τm =(cosθm,sinθm)(2-2)

将车辆坐标在曲线投影点处的 t r ⃗ \vec{t_r} tr 近似为 τ ⃗ \vec{\tau} τ ,可以得到:

r r ⃗ = ( x r y r ) = r m ⃗ + ( d ⃗ ⋅ τ m ⃗ ) τ m ⃗ = ( x m y m ) + ( d ⃗ ⋅ τ m ⃗ ) ( c o s θ m s i n θ m ) (2-3) \vec{r_r} = \begin{pmatrix} x_r \\ y_r \end{pmatrix} = \vec{r_m} + (\vec{d} \cdot \vec{\tau_m}) \vec{\tau_m} = \begin{pmatrix} x_m \\ y_m \end{pmatrix} + (\vec{d} \cdot \vec{\tau_m}) \begin{pmatrix} cos{\theta_m} \\ sin{\theta_m} \end{pmatrix} \tag{2-3} rr =(xryr)=rm +(d τm )τm =(xmym)+(d τm )(cosθmsinθ<

Frenet坐标系是一种常用于无人驾驶路径规划中的局部路径规划方法。它是由两个坐标系组成的,分别是Frenet纵向坐标横向坐标系。 Frenet纵向坐标系主要用于描述车辆在路径上的纵向运动,它的原点位于路径上的某一点,纵轴与路径的切线方向一致。其中,s轴表示纵向距离,表示车辆在路径上行驶的位置。而d轴表示横向距离,表示车辆在路径上的横向偏移量,即车辆离路径的距离。 Frenet横向坐标系用于描述车辆在路径上的横向运动,它的原点也位于路径上的某一点,横轴与路径的法向方向(垂直于切线方向的方向)一致。其中,l轴表示横向距离,表示车辆在路径的左右偏移量,即车辆相对于路径的位置。而r轴表示横向曲率半径,表示车辆所在位置的曲率半径,它与路径的曲率有关。 使用Frenet坐标系进行路径规划时,首先需要根据路径曲线,将路径离散化为一系列的路径点。然后,根据车辆当前状态(包括位置、速度、加速度等),在Frenet坐标系下进行规划。局部路径规划的目标是生成一条较短且安全的路径,能够使车辆沿着路径稳定行驶。 在Frenet坐标系下,路径规划算法主要涉及到横向运动纵向运动的规划。横向运动规划主要考虑车辆与车道的对齐以及避免碰撞等因素,通常使用虚拟弓形路径或者多项式拟合等方法进行规划。纵向运动规划主要考虑车辆的速度加速度等因素,以及与前车的保持安全距离行驶速度的匹配等要求,一般采用经典的PID控制方法或者模型预测控制等技术。 总之,Frenet坐标系是无人驾驶路径规划中一种常用的局部路径规划方法,通过将车辆位置在路径上的纵向横向运动分解为Frenet坐标系下的变量,并结合车辆动力学环境约束,可以实现车辆的稳定行驶避免碰撞等目标。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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