sinat_52032317的博客

EMplanner通过一个层级结构的方式去考虑多车道和单车道的情况：(1)顶层策略通过比较不同车道级轨迹来处理变道场景；(2)在Frenet坐标下不断迭代求解路径优化和速度优化问题来生成轨迹；(3)为了使框架易于扩展和调整，可以同时处理交通规则、障碍物决策和平滑曲线，他们提出了一种融合DP和QP采样的优化算法。

续接上文：【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_NONLINEAR_SPEED_OPTIMIZER(一)这部分是具体的非线性规划代码实现。在代码中首先可以看到构造了这个类的对象。下面是该类构造函数中所含有的参数。继承自基类。为了利用IPOPT的接口TNLP求解问题，需要构建一个接口类来重写TNLP中求解问题所需要的一些函数，并完成对这些函数的实现。IPOPT（Interior Point Optimizer）是一个用于大规模非线性优化的开源软件包。它可用于解决如下形式

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第14个TASK——产生平滑速度规划曲线根据ST图的可行驶区

二次规划（QP）+样条插值路径定义在station-lateral坐标系中。s的变化区间为从车辆当前位置点到默认路径的长度。将路径划分为n段，每段路径用一个多项式来表示。每个样条段 i 都有沿着参考线的累加距离did_idi​。每段的路径默认用5介多项式表示。l=fi(s)=ai0+ai1⋅s+ai2⋅s2+ai3⋅s3+ai4⋅s4+ai5⋅s5(0≤s≤di)

从二次规划样条路径中选取一条路径后，Apollo将路线上的所有障碍物和自动驾驶车辆（ADV）展现在一个时间-路径图上（path-time ST），该路径图表示了路径上的站点变化。速度优化的任务是在ST图上找到一条合理的，无障碍的路径。Apollo使用多个样条来表示速度参数，在ST图上表示为一系列的ST点。Apollo会对二次规划的结果做再次的平衡以获得最佳的速度参数。

Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios》这篇文章主要是apollo思想的来源。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第13个TASK——产生平滑速度规划曲线根据ST图的可行驶区

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第11个TASK——产生速度决策。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第10个TASK——动态规划规划目标加速度尽可能小。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第9个TASK——产生速度可行驶边界。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第8个TASK——

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第7个TASK——根据选出的路径给出对障碍物的决策。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第6个TASK——路径评价，选出最优路径由fallback。

本文介绍了基于优化的自动驾驶路径规划方法，通过解耦为参考线生成和基于分段加加速度的优化两个阶段，有效地利用了道路结构，实现了更清晰的场景理解。其中，参考线生成采用二次规划进行解决，并且考虑了参考线曲率导数的连续性，路径边界生成部分考虑了交通规则、自车状态以及堵塞障碍物信息的决策树，路径优化采用连续性、安全性和曲率约束等方法，采用OSQP求解器进行求解。该方法已在百度阿波罗开放平台发布，并进行了多种场景的路测，具有较高的效率和鲁棒性。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第5个TASK——推荐阅读：Apollo星火计划学习笔记——Ap

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第四个TASK——

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍第三个TASK——主要功能：产生是否借道的决策判断条件• 是否只有一条车道。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将继续介绍LaneFollow的第二个TASK——主要功能：检查路径是否可重用,提高帧间平顺性。

在Apollo星火计划学习笔记——Apollo路径规划算法原理与实践与【Apollo学习笔记】——Planning模块讲到……Stage::Process的函数会依次调用task_list中的TASK，本文将会继续以LaneFollow为例依次介绍其中的TASK部分究竟做了哪些工作。由于个人能力所限，文章可能有纰漏的地方，还请批评斧正。在配置文件中，我们可以看到LaneFollow所需要执行的所有task。本文将从第一个task——开始介绍。主要功能产生是否换道的决策，更新换道状态。

本文记录学习planning模块时的一些笔记，总体流程参照中的流程图，如上图所示。

本文是对Cyber RT的学习记录,文章可能存在不严谨、不完善、有缺漏的部分，还请大家多多指出。这一章的内容还是比较简单的，直接上代码与结果。课程地址更多还请参考[1] Apollo星火计划学习笔记——第三讲（Apollo Cyber RT 模块详解与实战）[2] 【Apollo星火计划】—— Cyber基础概念|通信机制[3] 第一章：Cyber RT基础入门与实践[4] 第二章：Cyber RT通信机制解析与实践[5] 第三章：Component组件认知与实践。

本文是对Cyber RT的学习记录,文章可能存在不严谨、不完善、有缺漏的部分，还请大家多多指出。课程地址更多还请参考[1] Apollo星火计划学习笔记——第三讲（Apollo Cyber RT 模块详解与实战）[2] 【Apollo星火计划】—— Cyber基础概念|通信机制[3] 第一章：Cyber RT基础入门与实践[4] 第二章：Cyber RT通信机制解析与实践[5] 第三章：Component组件认知与实践[6] 第四章：Cyber RT之调度简介与实践。

Apollo的routing模块读取高精地图原始信息，用于根据输入信息在中选取匹配最近的点作为导航轨迹的起点和终点，读取依据生成的作为生成的，然后通过Astar算法在拓扑图中搜索连接起始点的最优路径，作为输出发送出去。在地图上寻求两点之间的最短距离之时，我们可以把道路交叉口(junction)作为节点(Node),将道路长度作为边（Edge),通过最短路径搜索算法（Astar/BFS/DFS…），求得两点之间的最短路径，并进行输出。一般情况下，我们所获得的地图格式并非是适用于搜索最短路径的拓扑格式，所以需要

本文是对Cyber RT的学习记录,文章可能存在不严谨、不完善、有缺漏的部分，还请大家多多指出。课程地址更多还请参考[1] Apollo星火计划学习笔记——第三讲（Apollo Cyber RT 模块详解与实战）[2] 【Apollo星火计划】—— Cyber基础概念|通信机制[3] 第一章：Cyber RT基础入门与实践[4] 第二章：Cyber RT通信机制解析与实践[5] 第三章：Component组件认知与实践说明本文1-4节以此文中的example-component例子为基础；

因为网上有不少关于cyber基础介绍的文章了,本文便不加赘述。本文主要关注cyber基础以及通信相关例子的实现.课程地址更多还请参考[1] Apollo星火计划学习笔记——第三讲（Apollo Cyber RT 模块详解与实战）[2] Cyber RT基础入门与实践。

当网页中出现apollo后， 即表示dreamview启动成功了， 为了便于调试，在该页面上，我们选择车辆(vehicle) 为MKZ，关闭mute,选择地图Apollo Virutal Map。通过下拉右边栏，可查看控制相关参数的变化，比如右侧第二个图表speed,蓝色曲线表示车辆的实际车速，青绿色的表示规划的参考车速，可看到实际车速与规划速度的跟随情况，从而可以进行控制效果。内，横向控制参数调节:横向位置误差（q0)，横向位置误差变化率(q1)，航向误差(q2），航向误差变化率(q3）。

PID算法在先前自动驾驶之PID原理简述(简单易懂)中已经有所讲述，在此部分对一些关键性的内容进行介绍，其余部分就不展开介绍了(可以参考胡寿松的《自动控制原理》)。Input：当前偏差error及采样时间tsoutput：pid求解结果。

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。

 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。

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。

控制模块的功能是根据规划(planning模块)生成的轨迹、车辆当前的位置和状态，计算出汽车的油门、刹车和方向盘信号，控制汽车按照规划的轨迹行驶。绿色的曲线是规划出来的轨迹。轨迹有两层概念：位置的概念，包括经纬度、坐标，路径规划；速度的概念，在相应的时间到达相应的位置，速度规划；黄色的曲线为实际的运动轨迹。首先，输入参考轨迹、车辆当前位置以及车辆当前的状态，通过方向盘的转角、油门以及刹车的控制，以达到车辆实际的行驶轨迹。快速、精确、稳定地输出控制指令，控制车辆安全、舒适地跟踪参考轨迹。

​1.环境感知：激光雷达（Lidar）、雷达（Radar）、超声波、视觉相机、惯导（IMU）等2.高精度地图（HD Map）：周围环境及地形的高精度建模（10cm左右的精度）03.控制规划及决策：对汽车进行智能控制可以睁开眼睛，但是换成更小的杯子闭上眼睛，往杯子里面倒水，要求不能洒出来如果眼睛是不能睁开的？找一个人在旁边指导，通过触觉系统感知，多试错几次。

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。

激光雷达（LiDAR）通过不断向外发射激光束，并接收物体反射回的光脉冲，根据光速计算出信号之间的时间差或相位差来确定车与物体之间的相对距离。激光雷达是主动式的感知。激光雷达的数据结构(X,Y,Z,I)(X,Y,Z,I)(X,Y,Z,I)按扫描方式1.旋转式激光雷达2.固态激光雷达FlsahOPA3.混合式激光雷达转镜振镜MEMES按工作原理三角测量法飞行时间（ToF）调频连续波（FMCW）光源905nm。

感知模块结合了使用多个摄像头、雷达（前后）和激光雷达来识别障碍物并融合它们各自的轨迹以获得最终轨迹列表的能力。障碍物子模块对障碍物进行检测、分类和跟踪。障碍物子模块包含相机模块，lidar模块，radar模块。该子模块还预测障碍物运动和位置信息（例如，航向和速度）。

RTK模块接受GPS和IMU的消息，发布定位消息和定位状态，给其它模块使用。底层逻辑:●可以看到RTK模块的核心在于GPS+IMU设备给出结果的精度，这些信息的解算由GPS和IMU设备提供，当然也可以直接拿到GPS和IMU的原始数据进行解算。

静态图层。保存道路的3维建模信息，通常是道路的测绘数据。定位图层。通过原始的点云地图，提取出一些特征如电线杆、建筑物、交通标志等。用来做点云匹配定位。语义图层。提供道路的结构化信息，这部分信息定义了车道线、交通标志、交通规则信息等动态图层。实时动态的更新一些信息如:当前路况、实时交通规则、前方车祸等。