Apollo规划模块解析1

原创 已于 2024-03-11 19:24:15 修改 · 532 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#java #服务器 #前端

于 2024-03-07 20:08:36 首次发布
本文详细描述了工程框架中场景配置、场景注册与转换的过程，以及Scenario和Stage类的执行逻辑，特别关注了Task的执行函数，展示了如何通过Stage的Process方法调用Task来处理场景中的任务.

工程框架

场景配置

场景通过场景配置文件进行配置

场景注册和场景转换

scenariomanager

planning\planners\public_road\scenario_manager.cc

代码逻辑

Scenario

执行函数流程如下，最终是调用场景的Process()函数，实现对场景的处理

planning\planning_interface_base\scenario_base\scenario.cc

ScenarioResult Scenario::Process(
    const common::TrajectoryPoint& planning_init_point, Frame* frame) {
  if (current_stage_ == nullptr) {
    current_stage_ = CreateStage(
最低0.47元/天 解锁文章
wander404
关注
Apollo规划模块代码学习(2): 轨迹规划流程理论基础详解（lane follow场景为例）
qq_41667348的博客
02-23 4081
本文以具体场景Lane follow为例梳理具体的轨迹规划算法流程。详细介绍轨迹规划重要基础：Frenet坐标系列、路径规划速度规划、轨迹平滑算法原理。
Apollo Planning决策规划算法代码详细解析 (3)：stage执行
自动驾驶Player的博客
03-23 4506
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 通过之前章节的介绍，在经过Scenario的决策与执行之后，Apollo已经可以确定目前处于对应场景下的对应stage，接下来就进入stage类的内部，通过Process() 函数来进行具体的规划过程。本章节将以 LANE_FOLLOW 场景的 LANE_FOLLOW_DEFAULT_S..
Apollo 星火计划课程笔记 ---- Scenarios
Tianchao龙虾
10-23 658
Apollo Scenarios 场景模块 场景可以是地图中有一定特征的路段，比如路口，也可以是无人车想要完成的一系列复杂的动作，比如借道避让。 最大期望算法(Expectation Maximum)EM流程 参考线。 什么是参考线？就是高精地图所提供的道路的中心线，在此基础上做平滑得到的一条线。它是理想状态下没有障碍物的一条线。 要保证平滑，所以在运动的时候，汽车不会横向摆动 上图有个错误，应该是(s $\quad \dot{s} \quad \ddot{s}$)。 在Frenet坐标
Apollo规划模块学习（一）
Shoulderc的博客
12-27 3487
在车辆的轨迹规划中，笛卡尔坐标系无法直接获取车辆与道路之间的关系，Frenet坐标系中纵轴S表示沿道路行驶的距离，横轴L表示车辆偏离道路中心线的距离，可直接描述车与道路的位置关系。采用四次多项式拟合。速度规划在路径规划选择的路径上，考虑与障碍物的时空交集，做出跟车、停车、超车等速度决策，并使用优化算法对决策后的速度进行平滑，最终得到一条最优的速度曲线。采用DP配合样条曲线计算光滑的速度规划，DP动态搜索的结果包括速度规划、可通行通道和障碍物速度决策，QP基于DP的速度规划曲线进行平滑处理。
入门必看丨解析百度Apollo之决策规划模块
热门推荐
weixin_43619346的博客
08-03 1万+
转自Apollo开发者社区 Apollo系统中的Planning模块实际上是整合了决策和规划两个功能，该模块是自动驾驶系统中最核心的模块之一（另外三个核心模块是：定位、感知和控制）。本章主要讲解自动驾驶系统中最核心的模块——决策规划模块。 下面是由社区开发者—强波提供的文章，对百度Apollo之决策规划模块进行详细讲解（Apollo 3.5之前版本），希望这篇文章能给感兴趣的开发者带来更多帮助。 01 Apollo系统与Planning 下图是Apollo系统的整体架构图。从这幅图中我们可以看出，整个系统可
Planning-Apollo 6.0 Planning模块pipeline
mpt0816的博客
11-12 1577
Planning模块 1 planning模块的主要类成员 PlanningComponent继承于cyber::Component，是事件触发机制，即当同时收到预测、底盘和定位信息时，planning模块才会运行。Prediction和Localization同样是事件触发的，Chassis模块是时间触发的。预测模块的频率是10Hz，因此规划模块的频率也是10Hz。 class PlanningComponent final : public cyber::Component<predic
Apollo星火计划学习笔记——第八讲Apollo控制模块解析与实践1
sinat_52032317的博客
12-17 2691
​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。
Apollo 6.0 自动驾驶决策规划模块思维导图解析及其应用
最新发布
08-14
Apollo 6.0 自动驾驶平台的决策规划模块，通过一份由三位工程师历时一个月精心整理的思维导图，全面解析了该模块的各个组成部分及其相互关系。主要内容涵盖全局路径规划、局部路径规划、决策逻辑和多模态交互等方面...
自动驾驶之轨迹规划4——Apollo规划模块算法解析_20201219直播讲解
IHTY_NUI的博客
03-11 1万+
前言 本课程由Apollo平台fuyiqun主讲，视频链接如下：现场录屏，另外有官方解析文章：直播回顾丨Apollo自动驾驶论坛①规划模块算法解析（本篇另增问答整理），视频官方PPT在此（可免费下载）。下面是随堂记录。 Apollo规划模块算法解析 本文将为大家介绍Apollo规划模块（Planning）的算法解析，主要内容包括： 功能：基于预测的结果、路由模块（routing）的全局路线指引和地图信息，生成安全舒适的驾驶轨迹。 首先输入来自3个模块，包括Prediction、Chassis、Loc
"Apollo无人车规划算法深入解析：从公式推导到代码详解，涵盖决策规划、路径规划及模块解析",《无人车决策规划算法深度解析：Apollo规划算法公式推导与代码详解，涵盖Planning模块全解析》
02-13
"Apollo无人车规划算法深入解析：从公式推导到代码详解，涵盖决策规划、路径规划及模块解析",《无人车决策规划算法深度解析：Apollo规划算法公式推导与代码详解，涵盖Planning模块全解析》,Apollo规划算法详解，公式...
Apollo本地规划控制模块调试代码学习
weixin_44924725的博客
06-06 3466
1.2 编译代码提交测评 1.3 赛事编译缓存提高编译速度 二、Apollo模块调试 2.1 慢速车绕行 进入apollo/modules/planning/conf，打开配置文件planning_config.pb.tx文件（在149行task_type: SPEED_BOUNDS_PRIORI_DECIDER的地方）； 【static_obs_nudge_speed_ratio】为绕行限速的百分比； 【speed_limit】是地图中约束的限速值（本地图Apollo Map全地图限速60KM/H）；
Apollo规划论文
02-10
The planner is scalable to both highway and lower-speed city driving scenarios. We also demonstrate the algorithm through scenario illustrations and on-road test results.
《从0开始搭建实现apollo9.0》系列七 规划模块解读
li1886477130的博客
02-28 3826
apollo9.0的planning的代码解析。
Apollo星火计划学习笔记第七讲——Apollo规划模块详解1
qq_37346140的博客
11-06 845
一、规划技术功能概述 二、Apollo规划模块概述 三、Apollo规划算法介绍 四、Apollo规划模块的使用
Apollo9.0 PNC源码学习之Planning模块—— Lattice规划（六）：横纵向运动轨迹评估
BigDavid123的博客
08-23 1298
本文详解了Latiice算法的横纵向轨迹评估
Apollo Planning学习（2）-------路径规划
m0_71477431的博客
02-03 2591
学习记录
apollo PlanOnReferenceLine函数
betterthanYSD的博客
11-17 491
随着自动驾驶技术热，百度的开源工程apollo也更新到8.0版本，很多爱好者们也争相学习apollo工程。本文就从apollo8.0planning模块下的public_road_planner下边的lane_follow_stage.cc浅介绍PlanOnReferenceLine函数提示：以下是本篇文章正文内容，下面案例可供参考以上就是这篇介绍的内容，本文简单介绍了planonreferenceline函数的作用。
【Apollo学习笔记】—— Planning模块
sinat_52032317的博客
08-17 2923
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。
Apollo规划模块代码学习(1): 算法架构原理、运行机制一文详解
qq_41667348的博客
02-22 3817
Apollo 规划模块功能的实现是基于多个场景（scenario-based）实现的，不同的场景分成多个阶段（stage），每一阶段执行多个任务（task）来完成轨迹规划。其功能是规划出实时的轨迹，并保证轨迹的安全、避障、遵守交通规则、舒适度等。规划模块代码架构如下，输入包括Routing信息、感知预测信息（障碍物、交通灯）以及车辆地盘信息、高精地图和定位信息。输出带有时间和速度信息的轨迹点。
apollo规划模块转写
04-02
### Apollo规划模块的转写方法与实现 Apollo 是百度开源的一个自动驾驶平台，其规划模块负责生成车辆行驶路径并优化轨迹。以下是关于 Apollo 规划模块的转写方法及其可能的实现方式。 #### 转写方法概述 在 Apollo 中，规划模块的核心功能是基于输入的地图数据、感知结果以及预测信息来计算最优路径[^1]。通常情况下，“转写”可以理解为将一种算法逻辑转换到另一种编程环境或者框架下运行的过程。对于 Apollo 的规划模块而言，常见的转写目标可能是将其从 C++ 或 Python 移植至其他语言或硬件架构上。 具体来说，这种转写的常见技术手段包括但不限于以下几种： - **跨编译器移植**：如果原生代码依赖于特定的操作系统特性，则需调整这些部分使其兼容新平台。 - **API 替代方案寻找**：某些库函数可能不存在直接对应版本，在此情形下需要找到功能相似但接口不同的替代品。 - **性能调优考量**：不同处理器架构下的指令集差异可能导致效率变化，因此有必要针对目标设备重新评估和改进原有设计中的瓶颈环节[^2]。 #### 实现方式分析 下面给出一段简化版伪代码用于展示如何通过分层结构构建一个基本的道路跟随型自主驾驶系统的路径规划组件: ```python class Planner: def __init__(self, map_data): self.map = MapParser(map_data) def plan(self, current_pose, obstacles): reference_line = ReferenceLineGenerator.generate(self.map.lanes) # 障碍物处理 processed_obstacles = ObstacleProcessor.process(obstacles, reference_line) # 创造候选轨迹 trajectories = TrajectoryGenerator.create_trajectories( start_state=current_pose, dynamic_constraints=self.vehicle_specifications(), environment=processed_obstacles ) best_trajectory = Optimizer.select_best(trajectories) return best_trajectory def main(): planner_instance = Planner(load_map('city_area.osm')) while True: sensor_readings = get_latest_sensor_data() car_position = localize_vehicle(sensor_readings['gps'], sensor_readings['imu']) planned_path = planner_instance.plan(car_position, sensor_readings['laser_scan']) execute_control_actions(planned_path) ``` 上述代码片段展示了整个流程的关键组成部分——地图解析、参考线创建、障碍物预处理、多条可行路线生成到最后一步选取最佳选项作为最终输出给控制系统执行的动作序列[^3]。 #### 注意事项 当尝试对如此复杂的软件单元进行迁移操作之前，应当充分考虑以下几个方面因素的影响： - 数据格式的一致性维护； - 数学模型精度损失控制； - 并发机制适配问题解决策略等。 ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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