sinat_52032317的博客

自主避障功能的实现主要依赖于运动规划模块和定位与建图模块。自主避障模块接收由运动规划模块计算出的轨迹、定位模块所提供的车辆位置信息以及建图模块提供的地图信息，对轨迹进行适当的调整，并在必要时改变它（通常是降低速度），最后将该调整结束的轨迹传给控制模块进行车辆控制，以达到避障的功能。

    路径规划在自动驾驶技术中起到承上启下的重要作用。路径规划在遵循道路交通规则的前提下，计算出具体运动指令，将车辆从当前位置导航到目的地。本文将介绍路径规划在自动驾驶系统中的架构以及路径规划的常见类型——基础图搜索算法、启发式算法、基于概率采样的算法以及基于人工智能的算法。    Claudine Badue[1]等人以圣西班牙联邦大学（UFES）开发的自动驾驶汽车（Intelligent Autonomous Robotics Automobile，IARA）为例，提出了自动驾驶汽车的自动驾驶系统的典

本文部分内容参考了深蓝学院的移动机器人运动规划，依此做相关的笔记与整理。机器人、无人车经历的轨迹需要满足光滑的特征，同时要符合相应的动力学约束。传统的学院派路线很明显需要在产生路径后生成优化后的轨迹以符合kinodynamic的特征；而已经进行过kinodynamic的路径需要进一步优化轨迹以提高路径的质量。边界条件：起点、终点的位置（方向等等）中间条件：中继节点的位置、方向……光滑的轨迹判断标准：评价函数要合理（比如lim⁡x→x0fxlim⁡x→x0−fxx。

本文部分内容参考了深蓝学院的移动机器人运动规划，依此做相关的笔记与整理。KinodynamicKinematicDynamicKinodynamicKinematicDynamic运动学规划问题是综合机器人的运动，同时受到运动学约束（如避开障碍物）和动力学约束（如速度、加速度和力的模量边界）。动力学解是从时间到广义力或加速度的映射。• Differentially constrained(微分约束)

本文部分内容参考了深蓝学院的移动机器人运动规划，依此做相关的笔记与整理。之前的文章也有对基于采样的算法进行过介绍，所以本文并不着重介绍这类算法的基本概念，主要是对之前文章的一些补充。

本文部分内容参考了深蓝学院的移动机器人运动规划，依此做相关的笔记与整理。

最近在学习ROS的navigation部分，写些东西作为笔记，方便理解与日后查看。本文从Astar算法入手，对navigation源码进行解析。PS:ros navigation源码版本DWA具体的算法原理在之前的博客(见自动驾驶路径规划——DWA（动态窗口法）)中已有阐述,本文就不多做赘述了.

最近在学习ROS的navigation部分，写些东西作为笔记，方便理解与日后查看。本文从Astar算法入手，对navigation源码进行解析。PS:ros navigation源码版本对于Astar算法，想必大家都非常熟悉了。自动驾驶路径规划——A*（Astar）算法。

    动态窗口法（DWA）主要是在速度空间中采样多组速度，并模拟机器人在这些速度下一定时间内的轨迹。在得到多组轨迹以后，对这些轨迹进行评价，选取最优轨迹所对应的速度来驱动机器人运动。    动态窗口法将移动机器人的位置控制转换为速度控制。在利用速度模式对机器人运动轨迹进行预测时，首先需要对机器人的运动模型进行分析[1]。移动机器人采用的是两轮差速模型，v(t)和ω(t)v(t)和ω(t)v(t)和ω(t)分别代表机器人在世界坐标系下的平移速度与角速度，反映了机器人的运动轨迹。在机器人的编码器采样周期ΔtΔ

RRT与其他算法进行对比RRT 经历长时间发展，取得了大量的研究成果。然而，优化后的路径与最优路径仍有一定差距。主要原因在于改进的 RRT*算法需要不断调整步长以提高路径精度，生成最优路径所消耗的内存资源及计算时间呈指数增长，不适于实际应用的机器人系统。此外，环境中的不规则障碍物区域采样、机器人的传感器精度、路面的凹凸性等因素也会影响路径质量。

上世纪90年代，基于概率采样的算法被提出。这类算法不必对构型空间显示建模，取而代之的是，然后在这些采样点中进行搜索得到可行路径。在中非常高效，有很大的优越性。。该算法的主要优点在于具有，只需要针对不同的机器人运动规划问题进行合理的参数调整。典型的抽样规划方法有和两类。前者首先构建路线图，先通过采样和碰撞检测建立完整的无向图，以得到构型空间的完整连接属性。再通过图搜索即可得到可行的路径。后者则从特定的初始构型出发局部建立路线图，在构型空间中延伸树型数据结构，最终使它们相连。

      1968年发明的A*算法就是把启发式方法（heuristic approaches）如BFS，和常规方法如Dijsktra算法结合在一起的算法。     A-Star算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。

本文介绍了深度优先、广度优先以及Dijkstra算法，并用MATLAB实现了Dijkstra算法。同时用贝塞尔曲线对路径进行优化。

这个学期学校开设了相应的课程，同时也在学习古月居机器人学系列的《基于栅格地图的机器人路径规划指南》，为了巩固知识，方便自己的学习与整理，遂以学习笔记的形式记录。人工势场法本质上是一种控制方法，其轨迹并非像其他规划算法一样，而是由实时的控制量产生的。MATLAB实现人工势场法

轨迹规划全局路径由一系列路径点构成，这些路径点只要包含空间位置信息即可，也可以包含姿态信息，但是不需要与时间相关，这些路径点被称为全局路径点。路径（Path）和轨迹（Trajectory）的区别就在于，轨迹还包含了时间信息，轨迹点也是一种路径点，它在路径点的基础上加入了时间约束。轨迹规划的插值方法。

路径规划——基于MATLAB的栅格地图，本系列文章主要是用来记录自己在路径规划中的学习过程

这个学期学校开设了相应的课程，同时也在学习古月居机器人学系列的《基于栅格地图的机器人路径规划指南》，为了巩固知识，方便自己的学习与整理，遂以学习笔记的形式记录。

1. 开放空间规划算法总体介绍1.1 Task: OPEN_SPACE_ROI_DECIDER1.2 Task: OPEN_SPACE_TRAJECTORY_PROVIDER1.3 Task: OPEN_SPACE_TRAJECTORY_PARTITION1.4 Task: OPEN_SPACE_FALLBACK_DECIDER2. 基于混合A *的路径规划算法2.1 hybrid A*的简要思想2.2 RS曲线2.3 Apollo中Hybrid A*算法的求解过程3. 基于OBCA的轨迹

Apollo中对路径规划解耦，分为路径规划与速度规划两部分。并将规划分为决策与优化两个部分。•路径规划—— 静态环境（道路，静止/低速障碍物）•速度规划—— 动态环境（中/高速障碍物）## 1.1 速度规划的坐标系速度规划的坐标系注意：速度规划的sss沿着轨迹的方向，路径规划的sss沿着参考线的方向。目标函数与二次规划的目标函数差不多，增加了横向加速度的代价值以及松弛变量wsoftslowerwsoft​slower​与wsof。

Apollo中对路径规划解耦，分为路径规划与速度规划两部分。并将规划分为决策与优化两个部分。•路径规划—— 静态环境（道路，静止/低速障碍物）•速度规划—— 动态环境（中/高速障碍物）路径规划的配置文件在中//路径规划 stage_type : LANE_FOLLOW_DEFAULT_STAGEtask_type : PIECEWISE_JERK_PATH_OPTIMIZER //速度规划 task_type : PATH_ASSESSMENT_DECIDER。

接着判断当前道路状况是否可以换道，若可以换道，则路径决策生成一个换道边界，若不可以换道，则会生成一个道内的边界。Traffic Light场景的进入这部分主要有两个部分：第一个部分通过Overlap重叠判断是否进入交叉路口，第二个部分通过由高精地图提供的车道信息以及交通信号等情况进入不同的场景，选择是有保护的场景还是无保护的场景。速度决策的流程：对当前路径产生一个或多个速度边界，再将其集成一个速度边界的集合，生成一个ST图。在得到路径边界之后，通过路径规划器，得到平滑的路径曲线，之后再对曲线进行路径决策。

 导航规划的路线一般由三个部分组成：Routing、参考线以及轨迹。参考线： 决策规划模块根据车辆的实时位置进行计算。参考线的计算依赖于Routing的结果，但同时需要车辆周围的动态信息（障碍物、交通规则）。参考线相当于Routing结果里局部数据（车辆当前位置的一段Routing），距离通常只有几百米。参考线可能会有多条。

全自动泊车通过360环视(四个鱼眼摄像头)和12个超声波雷达搜索车辆周围环境，寻找其他停放车辆之间适当停车位或地面车位标记(如车位线等)，并根据驾驶员的选择自动或手动确定目标车位，计算自动泊车轨迹，并发送横向及纵向控制命令，引导车辆停放在目标泊车位置，并达到一定的位置精度要求。可开发泊车的车辆有轿车、SUV、MPV、卡车等。参考IS0 20900:部分自动停车系统（PAPS）.性能要求和试验程序Type1:系统由位于驾驶员座椅的常规驾驶员监督。Type2。

在自动驾驶系统中，与人类驾驶员对比，感知模块相当于人类眼和耳朵;地图搜索路径和车道级别的路径规划，相当于人脑对道路的记忆和搜索；最后决策规划功能，相当于人类对道路环境和客观世界的反应和判断。规划技术就是包括地图搜索路径，以及道路决策和规划这部分重要的功能。Apollo规划模块根据感知预测的结果，当前车辆定位信息，以及Routing的结果，规划出一条安全行驶的轨迹，这个轨迹会发送给Control模块，Control模块通过油门，刹车和方向盘，控制车辆按照规划的轨迹运行。