Motion Planning简介（apollo）

目录

What is Motion Planning（决策规划）

如何搜索路径

 自动驾驶决策规划问题剖析

 下文概要​

Motion Planning Approaches

环境变化下的决策规划

百度apollo的开发

 数据驱动方法

---

侵删，取自百度apollo视频课程link。

What is Motion Planning（决策规划）

Motion Planning 本质是搜索问题。是基于当前自车的状态和目标函数找最优路径的过程。

对机器学习方法来说是寻找mapping的过程，state to action 的mapping，end to end。

搜索是寻找action去optimize objective function 的过程。

如何搜索路径

可以通过BFS（Dijkstra算法）， DFS进行搜索，不过效率不高，他们都是Non-informative search。

 A*为代表的方法使用了目标的信息来定义启发函数，属于informative search，效率会高些。

prioritize search目标的时候是通过目前的cost G(n)加上heuristic cost H(n)，就是value function F(n)。 同样对于RL，怎么设计和找到H(n)也是个关键点。

A*算法对于无人车的路径规划有多远？

对于无人车而言，周围是个Partially observed dynamics environment，这种情况下，A*是有局限性的，A*本身是个Global Optimization，要求对整个环境全知，部分了解就会出问题。因此A*现在只应用在Global routing。

对于Partially observed dynamics environment，可以用贪心算法，表现出来就是Incremental search（增量搜索）。

 无人车还要考虑车辆自己的运动模型，让平滑规划的轨迹，使其可以行驶。

 自动驾驶决策规划问题剖析

三维问题：车质点的global X Y坐标和Time，3D轨迹优化问题。

但是从车辆动力学和运动学的角度看维度可能要进一步提高，包括heading、转向角、速度、加速度，使得问题难度会进一步显著提升。

IMU是装在后轴中心，因为这个位置最稳，能方便积分出整车的位移和转角，尤其过隧道没有GPS信号时。

整车信息分为动态信息（含perception、localization、部分底盘信息）和静态信息（主要指HdMap，避免感知花过多时间用于环境理解，L4的决策规划需要100ms一个周期）

 

Navigation Info包括前面很长一段具体（例如400米）的路点信息和辅助信息。下图是规划模块的能获取的所有信息，并利用这些信息做规划模块的工作，即给无人车提供一条好的trajectory，trajectory包含两部分信息：path和speed profile。

 下文概要

motion planner的方向，但是要先基于对问题的理解，再用ML看能不能解决某些棘手的问题。