进阶无人驾驶—百度Apollo规划技术介绍

basic motion planning and overview

轨迹规划概览

一、What is motion planning

通俗解释：一个搜索问题，对于当前最优的状态进行搜索，怎么样去移动的一个最优解。而这个最优值我们会去用一个函数f(x)去定义它，我们通过数学计算来确定它的最优值。

上面是不同的领域所涉及的规划问题的不同方法和思想核心。当然我们都是把问题抽象化，去寻找最优值才简单。

比如我举个寻找下一个点的例子，并且使用广度优先算法的思想去寻找它：

Y可以看到，它的思想就是在绿色的起点处，不断向外扩张领域，直到碰到终点后，结束搜索，而这次寻找花费了6.4毫秒，好是花费了很长的时间了。

接着我们看看A*算法的搜索情况：

首先可以看到它的搜索步骤就变得很少了，没有上面的搜索那么复杂，而且还提高了不少的计算效率。可以看到它的下面有个算法公式，它的G（n）就是实际代价，也就是它走出去多远，花费的代价。而它的H（n）就是估计代价，也就是估算到终点的代价。

举个例子：

可以看到，红色小点是汽车，大块的红色和绿色是障碍物，当然是静态的，减少复杂度嘛。然后小车想沿着小路通过，并且躲避障碍物，那么它使用最优的A*算法行不行？

当然不可以啊，A*算法适用于全局搜索，也就是知道全局所有的信息的时候，去使用它才最好，如果你不知道全局信息就很难使用它。但是总得想个办法，于是想到了贪心算法，这就很贴近我们要求搜索了，想了解贪心算法得原理，可以自己详细学习哦。

当然我们继续分析上述得问题，就是无人车在通过一段路时，如何决策得问题。你可以看到车在拐弯的时候是直角，直来直去的，你觉得可能性大吗？显然不符合汽车的常量嘛，轮子360°无死角旋转都很难做到。

当然我们需要的是一个很适合驾驶和体验的平滑感觉，所以路也是需要有一定的平滑曲线作支撑的。那么我们不仅需要研究其规划模型，而且还需要考虑其运动模型，也确保规划模型是最优的。

难题之处

上面提到了对于静态障碍物的规划，那么其实在汽车行驶时，遇到的很多都是动态障碍物，所以我们需要去面对动态障碍物的避障问题。这就比静态障碍物更难去处理，但是又不得不去处理的地方了。

在处理之前我们需要干什么呢？我认为应该把交通规则注入无人车的灵魂中去，因为需要让无人车也去遵守大家都在遵守的一个规则，这样才会维护道路秩序，确保行车安全。

算的能否在最短的时间内得出最优的算法，确保在安全问题发生之前处理掉一个汽车应该处理的问题，才会让无人车赶超人类驾驶的方式。

可以看到这里面有很多感知模块，都是对信息采集的过程的描述。其中动态信息就是你当前的位置和状态，另一边静态信息主要就是地图信息带给我们的资源。

当然我们就需要了解一下这些系统的模块都是怎么去工作的。

module	question
Localization	Where we are
Perception	What we see
Prediction	How the environment will change
Motion Planning	How we move
Control	How to control the car

最后我们对本小节课程做个总结：

二、motion planning with autonomous driving

首先我们就以下几个方面入手，对我们的规划模块做一个学术的学习，以便更加了解我们的这个模块。