apollo学习之---planning理论到实践（12）变道策略

DsAuto_汽车电子电控

已于 2022-02-16 23:59:20 修改

阅读量1.7k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： apollo学习文章标签：自动驾驶 c++

于 2022-02-16 22:48:35 首次发布

本文链接：https://blog.youkuaiyun.com/qq_41593516/article/details/122973455

apollo学习专栏收录该内容

102 篇文章 ¥49.90 ¥99.00

订阅专栏

超级会员免费看

本文深入探讨了Apollo自动驾驶系统中的变道策略，重点解析了`path_bounds_decider`中的`GetBoundaryFromLaneChangeForbiddenZone`代码段，特别是如何计算获取adc_frenet_l_的过程，对于理解自动驾驶系统的路径决策至关重要。

文章目录

参考文章
算法说明
代码

参考文章

Baidu Apollo代码解析之path_bounds_decider

算法说明

代码

在path_bounds_decider中和借道相关的就是这部分代码，理解GetBoundaryFromLaneChangeForbiddenZone这部分的代码，其中最重要的是要理解adc_frenet_l_ 是如何计算取得。

void PathBoundsDecider::GetBoundaryFromLaneChangeForbiddenZone(
    const ReferenceLineInfo& reference_line_info, PathBound

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

DsAuto_汽车电子电控

关注关注

2
点赞
踩
3

收藏

觉得还不错? 一键收藏
5
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

apollo学习之---（27）reference line切换过程分析之二

qq_41593516的博客

04-07

1024

bool LaneChangeDecider::IsClearToChangeLane( ReferenceLineInfo* reference_line_info) { } ```

Apollo Planning规划算法仿真调试(8)：路径规划PathBoundsDecider上

自动驾驶Player的博客

05-24

2602

前言： PathBoundsDecider 是Apollo Planning规划算法的第四个task，PathBoundsDecider根据lane borrow决策器的输出、本车道以及相邻车道的宽度、障碍物的左右边界，来计算path 的boundary，从而将path 搜索的边界缩小，将复杂问题转化为凸空间的搜索问题，方便后续使用QP算法求解。它的作用主要是：根据借道信息、道路宽度生成FallbackPathBound 根据借道信息、道路宽度生成、障碍物边界生成PullOverPathBound、

5 条评论您还未登录，请先登录后发表或查看评论

5 条评论

时光飞逝，人生短暂 2024.02.24
博主您好，您画的图意思是，左变道前，要更新右边界，对吧？左边界保持不变。

weixin_39927213 2022.11.24
老师，你画的红色箭头指向一段右边界是在代码里哪里体现的？这个函数困扰了很久
- DsAuto_汽车电子电控回复weixin_39927213 2022.11.28
  在path_bounds_decider.cc里面

她与残局皆遗憾.. 2022.10.31
博主，请问一下在换道过程中，如你画得图所示，reference line是左车道中心线还是从ADC出发的那条黑线？
- DsAuto_汽车电子电控回复她与残局皆遗憾.. 2022.11.01
  参考线是车道中心线

Baidu Apollo代码解析之path_bounds_decider

silver bullet

03-11

5011

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/c_1132958996826546176）。希望大家可以多多交流，互相学习。 ...

Apollo Planning——换道：LANE_CHANGE_DECIDER

xiaohu的博客

12-19

2849

4、判断是否为可变车道时调用了 IsChangeLanePath()，它的逻辑也很简单，如果自车在当前ReferenceLine 的车道segment上，则为FALSE；2、在stage阶段会依次调用每个 task 的 Execute() 函数，LaneChangeDecider继承自 Decider 类，Decider继承自基类 task 类，并且override了Execute() 方法；场景下，所调用的第一个task，它的作用主要有两点：判断当前是否进行变道，以及变道的状态，并将结果存在变量。

实战 | 详解Apollo 换道

CV_Autobot的博客

11-07

1105

作者|徐明编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/665125585点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【全栈算法】技术交流群本文只做学术分享，如有侵权，联系删文1. 介绍1.1. 换道的功能简单地说, 换道的作用就是从待选地参考线中选择其中一个参考线, 供 Planning 后续模块进行使用....

apollo学习之---planning理论到实践（1-1）总体流程及架构

qq_41593516的博客

09-24

2119

Lattice Planner从学习到实践

apollo学习之---planning理论到实践（2）参考线规划理论学习

qq_41593516的博客

11-10

2111

文章目录

apollo学习之---planning理论到实践（3）参考线规划实践

qq_41593516的博客

11-11

1935

文章目录实践实践

自动驾驶---Motion Planning之LaneChange

智能汽车人的博客

02-19

1850

笔者分别介绍了两种变道的方式。在Apollo中使用的变道决策，耗费的资源较大，还需要依赖后续的path_decider和speed_decider用于确定优化问题的边界，但是在灵活性和安全性等方面也有其优势，这也是Apollo架构下的一个产物；而在MCTS下的变道决策，整个架构更简洁一些，虽然有一定门槛，但只要理解了蒙特卡洛树的搜索过程，后面就很容易了解该算法了，并且MCTS的普适性和稳定性需要更多的数据来验证。

Apollo~换道

whaosoft143ai的博客

11-06

571

需要说明的是, Apollo 所开源出的换道代码经过了过多的删减, 只有一个简单的框架. 有很多功能, 比如主动换道, 由于障碍物产生的被动换道, 较为完整的状态机, 换道窗口和 Gap 的选择等等功能都是缺失的. 本技术文章也只展现现有框架上的内容. 关于其他的换道功能请期待后续的内容.: 如果上一帧自车所在的 Lane 和这一帧所在的 Lane 相同, 说明自车还在往目标车道上走. 反之如果上一帧自车所在的 Lane 和这一帧所在的 Lane 不同, 说明自车已经在目标车道上了, 切换已经完成.

百度Apollo5.0规划模块代码学习（四）换道决策分析

wwyklnh的博客

09-05

6508

代码分析如下：获取frame帧中的参考线信息，如果没有参考线，则提示错误。 LaneChangeDecider::LaneChangeDecider(const TaskConfig& config) : Decider(config) {} Status LaneChangeDecider::Process(Frame* frame) { // Sanity checks...

Apollo Planning决策规划算法代码详细解析 (6):LaneChangeDecider

自动驾驶Player的博客

04-02

5605

Apollo Planning决策规划系列文章： Apollo Planning决策规划代码详细解析 (1)：Scenario选择 Apollo Planning决策规划代码详细解析 (2)：Scenario执行 Apollo Planning决策规划代码详细解析 (3)：stage执行 Apollo Planning决策规划代码详细解析 (4)：Stage逻辑详解 Apollo Planning决策规划代码详细解析 (5)：规划算法流程介绍正文如下：一、概述 LaneChangeDec

Baidu Apollo ST图在车辆变道轨迹规划中的应用

silver bullet

04-10

8027

在百度Apollo Lattice轨迹规划算法中，针对跟车（follow）和超车（overtake）2种不同的场景，使用了ST图在纵向上来采样障碍物车辆周边的目标点，作为拟合轨迹的终点。跟车时，在ST图中障碍物下方采样，即自车速度小于并趋近于障碍物车速度；超车时，在ST图中障碍物上方采样，即自车速度大于障碍物车速度。至于横向采样，因为参考线会切换到目标车道中心线，故横向一般围绕0（参考线即s轴）左...

Apollo Planning学习（3）-------LANE_CHANGE_DECIDER

m0_71477431的博客

01-31

2751

学习记录

Apollo 自动驾驶决策规划：算法原理与仿真实践

最新发布

2501_92487701的博客

06-20

463

本文详细阐述了Apollo自动驾驶决策规划的算法原理与仿真实践，从决策规划框架、算法原理、仿真环境及流程等方面进行了深入剖析。Apollo自动驾驶决策规划在应对复杂交通环境、实现车辆稳定行驶等方面取得了显著成果，为自动驾驶技术的商业化应用奠定了基础。优化决策算法：进一步优化规则算法，提高决策的准确性和适应性。融合多源数据：结合更多传感器数据，提高感知的准确性和全面性。增强仿真环境：丰富仿真环境，提高仿真效果的真实性。实现商业化应用：在自动驾驶车辆的商业化应用中，不断优化算法，提高行驶性能。

Apollo学习笔记（1）—交规决策技术（配自己理解）

m0_61561392的博客

06-14

2403

Apollo自动驾驶规划模块主要包含五大功能：1）参考路径规划，基于起点终点生成无障碍物默认路径；2）交规决策，结合高精度地图判断交通标识和信号灯；3）路径决策，通过PathDecider模块判断变道/绕行需求并生成安全行驶边界；4）速度决策，在平滑路径基础上规划合理速度；5）场景调度分类。其中路径决策采用"边界裁剪+优化"的两步法：先通过PathDecider判断变道/绕行可行性，输出PathBound边界约束，再交由PiecewiseJerkPathOptimizer生成平滑路径。该

APOLLO：lane_borrow_decider代码解读

weixin_42861755的博客

05-16

962

APOLLO：lane_borrow_decider代码解读

apollo学习之---planning理论到实践（1-2）---Quadratic Optimization for Baidu Apollo论文学习

qq_41593516的博客

11-23

526

文章地址

Apollo path_bounds_decider解析

qq_34310307的博客

10-20

1598

apollo path_decider 解析

Apollo planning

06-17

### Apollo规划模块功能概述 Apollo规划模块（Planning Module）是自动驾驶系统中的核心组件之一，主要负责生成车辆的行驶路径。该模块接收来自感知模块（Perception Module）和预测模块（Prediction Module）的数据，并结合高精地图（HD Map）、全局路径规划（Global Path Planning）结果以及动态障碍物信息，生成平滑、安全且符合交通规则的局部路径[^4]。在Apollo架构中，规划模块的功能可以分为以下几个方面： 1. **全局路径规划** 全局路径规划通常由离线计算完成，提供从起点到终点的粗略路径。此路径会考虑道路拓扑结构、交通规则以及静态环境信息。全局路径为局部路径规划提供了参考框架[^5]。 2. **局部路径规划** 局部路径规划是实时进行的，它基于当前车辆状态、感知数据以及预测结果，生成未来几秒内的具体行驶轨迹。局部路径规划需要确保车辆避开动态障碍物，同时保持平稳性和舒适性[^6]。 3. **行为决策与路径优化** 规划模块不仅关注路径几何形状，还涉及行为决策，例如是否变道、超车或停车。这些决策通常依赖于预测模块提供的其他交通参与者的行为模式[^7]。 4. **平滑性和安全性保障** 规划模块生成的路径必须满足车辆动力学约束，确保行驶过程平稳无突兀变化。此外，路径还需保证与其他交通参与者的安全距离，避免碰撞风险[^8]。以下是实现路径规划的一个简化伪代码示例： ```python def plan_path(current_state, perception_data, prediction_data, global_path): # 初始化规划器 planner = Planner(global_path) # 结合感知和预测数据生成候选路径 candidate_paths = planner.generate_candidate_paths(current_state, perception_data, prediction_data) # 评估候选路径的安全性和平滑性 best_path = planner.evaluate_and_select_best_path(candidate_paths) return best_path ``` ### 技术细节与挑战 - **高精地图集成**：规划模块依赖高精地图来获取车道信息、交通标志及信号灯位置等关键数据。这要求地图数据具备高精度和实时更新能力[^9]。 - **多目标优化**：路径规划需要在多个目标之间权衡，例如最短时间到达目的地、最小化能耗以及最大化乘客舒适度[^10]。 - **实时性要求**：由于自动驾驶场景的高度动态性，规划模块必须能够在毫秒级时间内完成计算并输出结果[^11]。