weixin_65089713的博客

秦通老师为华为第一批天才少年，作为感知与SLAM算法专家带领团队开发ADS1.0/ADS2.0，并应用于问界M7等主流车型。

本文的架构是利用LLM来分析和推理各种场景，提高high-level的决策，并通过调整参数矩阵转换为low-level的底层控制信息输送给MPC。由于情况是预定义的，因此可以直接调整到相应的权重矩阵，从而来提供加速减速或转向的指导。因此LLM系统通过辨别车辆的意图与优先路权，并判断是否与自车有冲突的可能，最终有可能冲突的车辆则是我们需要注意的，从而形成。LLM处理复杂和广泛的数据通过一个思维链的框架，思维链通过一系列的工具来串联，工具让LLM在决策过程中遵循每次只获取。总之，LLM拥有推理能力，

城市道路轨迹规划的难点在于有很多语义元素。不同的语义元素有不同的数学表征形式，提出了一种新的统一的时空语义走廊来为不同类别的语义元素来提供abstraction，可以推广到任何语义元素组合的场景。SSC由一系列互相连接的无碰撞cubes组成，其中包含了动态约束，并且轨迹生成问题可以归结于一个QP问题，并且通过贝塞尔曲线来保证轨迹安全性和可行性。

nuPlan是。虽然基于机器学习的运动规划算法越来越多，但由于缺乏成熟的数据集、模拟框架和指标，限制了这一领域的进展。现有的自动驾驶汽车运动预测基准（）侧重于其他智能体的。这导致以前的工作使用，这不适合公平地评估长期规划。nuPlan提供了一个训练框架来开发一个、一个轻量级的,、一个运动规划的和一个可视化结果的。

kinodynamic是一个合成词，由运动学与动力学组成这样的一个规划问题是受限于运动学约束：如避障、高阶微分模型。受限于动力学约束：如状态量控制量有界。

圆的性质是圆心到圆周各点等距，这非常适合碰撞检测，如果两个物体能近似为圆，那么两个物体之间是否碰撞，则可以利用两个圆心之间的距离是否大于半径之和就可以判断，但是大部分物体若用圆去近似将产生较大的冗余部分，因此针对汽车，一篇2010年的IEEE IV提出通过多个圆去覆盖车辆，这个方法极大地提高了自动驾驶汽车碰撞检测的计算速度，也是现在广泛使用的方法

inflation_layer:膨胀层，用于在障碍物外标记一层危险区域，在路径规划时需要避开该危险区域当你选用了footprint，那么膨胀层就没有意义了，因为只有你是圆形的，障碍物才能进行有意义的闵可夫斯基和运算同时footprint是利用多边形计算代价，在耗算力，如果为了节省算力，可以用圆，冗余的部分当做缓冲就行如果你发现怎么调膨胀距离都会碰，因为膨胀层仅在圆形时有效，因此为了使用有安全距离的footprint，必须直接扩大footprint通过下图来认识下为何要设置膨胀层以及意义：

而具身足迹的意思则是在两个离散点之间自动驾驶汽车自身所覆盖的足迹，这并不是一个新的概念，计算机图形学中的扫掠体与这个具身足迹的意义相同。李柏老师用矩形框去近似具身足迹，也就实现了连续碰撞检测，但是有些保守，不适合狭窄空间，但是安全性较好，具体结合曲率去分析这个具身足迹的性质可以参考原文

这种方法是游戏中或物理引擎中常用的，AABB是指一个东西的包围盒，但是它横平竖直的，而OBB是会随着这个东西而旋转，包围盒始终不变，显然AABB相对保守但是后续计算简单，OBB更精确但是后续计算复杂。当对于两个凸边形是否相交，又可以转换为是否凸边形的每个顶点都在另一个凸边形之外，那么判断一个点是否在凸边形之外的计算几何算法就有很多，比如。对于自动驾驶汽车或机器人的路径规划，碰撞检测是其中非常重要的一个模块，因为碰撞检测不仅仍然是路径规划中的。受益于多边形的性质，对于两个都是多边形的物体，

dubins曲线是在满足曲率约束和规定的始端和末端的切线方向的条件下，连接两点的最短路径。在不考虑车辆倒退的情况下，车辆的运动可以分为三类，直线运动（S）、左转（L）、右转（R）。论文中表明任意两点之间的最短距离总可以表示成上述的三种基本运动的组合，并且左转右转的半径都是取最大曲率的时候（即最小半径）。我们令三种基本运动的组合为一个 word ，由于连续两次做同一种基本运动和做一次基本运动是等效的，所以 word经过排列组合后的种类有12个，论文又证明最短路径只在12种中的6种word中去选取。分别是...

RRT 算法是一种对状态空间采样的算法，通过对采样点进行碰撞检测，避免了对空间的精确建模带来的大计算量，能够有效地解决高维空间和复杂约束的路径规划问题。与PRM类似，该方法是概率完备且不最优的。2 RRT 算法原理（1）RRT 算法以一个初始点作为父节点，随机采样来增加子节点（2）如果采样点 在障碍物内，则重新随机采样（3）若不在障碍物内，计算该采样点与已经生成的节点之间的距离，得到离得最近的节点，再从节点以步长 t (0<t<1) 走向节点......

本文参考论文：https://ai.stanford.edu/~ddolgov/papers/dolgov_gpp_stair08.pdf这篇文章是基于经典A*算法与reeds-shepp曲线的，不清楚的读者请参考【自动驾驶轨迹规划5之A*算法】_无意2121的博客-优快云博客【自动驾驶轨迹规划之dubins曲线与reeds-shepp曲线】_无意2121的博客-优快云博客目录1 hybrid A* 算法创新点1.1 搜索方式1.2 车辆运动学模型1.3 reeds-shepp曲

1 DWA算法简介DWA算法第一次提出应该是1997年，发在了《IEEE Robotics and Automation Magazines》上，有兴趣的读者可以参考原始论文https://www.csie.ntu.edu.tw/~b92025/paper/Dyanmic_Window.pdf。对于无法预测的动态障碍物，DWA算法可以较好地解决动态避障这个问题。DWA算法的优点是考虑到速度和加速度的限制，同时只有无碰撞的轨迹会被考虑，且每次采样的时间较短，因此，采样的速度即形成了一个动态窗口。在这个动态

1 A*算法简介A*算法是一种静态路网中求解最短路径有效方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。A*算法的最大特点在于有启发性。2 A*算法原理及流程...

接下来的几篇文章将主要围绕着全局路径规划的常见算法展开。全局路径规划与局部路径规划不同，全局路径规划是主导全局，探求的是整个地图中，出发点到目标点之间最优的路径，主要采用一些计算机学科中的最短路径算法。而局部路径规划是在全局路径规划之后对路径进行一个符合车辆动力学，平稳性的轨迹优化，主要采用计算几何与数值分析中的拟合曲线。......

1.1 安全飞行走廊（SFC）大规模和非凸的防撞约束使路径规划的计算复杂度过高，在无人机路径规划领域，提出了安全飞行走廊（SFC）这种方式，通过铺设安全飞行走廊使得无人机与周围的所有障碍物分开，从而最优控制问题的规模完全独立于环境的复杂性，提高了路径规划的速度。

目录1 结构化道路场景2 参考线的生成2.1 车道中心线曲率不一定连续2.2 生成平滑参考线2.3 离线计算3 Frenet坐标系3.1Frenet坐标系的意义3.2Frenet坐标与笛卡尔坐标的转换3.2.1 笛卡尔坐标系下的车辆运动状态3.2.2 Frenet坐标系下的车辆运动状态3.2.3 Frenet坐标系与笛卡尔坐标系之间车辆运动状态量的转换4 Frenet坐标系的局限性1 结构化道路场景与复杂的非结构化泊车场景相比，结构化道路场景的..

1 Frenet坐标系车辆在城市道路中假如以50km/h的速率行驶，决策规划模块对前方障碍物的避障反应时间最坏情况下达到200ms左右，因此决策规划环节的执行需要尽量保持在100ms内，而引入Frenet坐标系能够简化一些问题，提高计算速度。不清楚Frenet坐标系与笛卡尔坐标系之间的联系的读者请参考【自动驾驶轨迹规划之Frenet坐标系】_无意2121的博客-优快云博22 路径—速度分解策略为了解决规划问题，尤其是从降低计算的复杂性的方面考虑，Apollo采取了对轨迹的路径与速度规划分解的策

1Dijkstra算法的简介Dijkstra算法是由荷兰计算机科学家Dijkstra 于1959年提出的。是从一个顶点到其余各顶点的最短路径算法，解决的是有权图中最短路径问题。目前可以应用于机器人自主导航、自动驾驶。2Dijkstra算法原理及流程2.1 基本原理迪杰斯特拉算法主要特点是从起点开始，采用贪心算法的策略，每次遍历搜索到起点距离最近且未访问过的顶点的邻接节点，每一次将距离最近且未访问过的顶点的邻接节点设置为已访问，不断迭代，直到扩展到终点为止。2.2 算法流程图变量...

1 基础地图结构的分类1.1 2D地图1.1.1 栅格地图主要对平面进行网格化，格子一般为正方形，长度的调整代表地图的分辨率。1.1.2 拓扑地图与图论紧密结合，通过抽象的点与边，边的方向与路径长度代表一个地图的信息。1.1.3 导航网格图弥补了栅格地图的缺陷，网格由不同的多边形构成，多边形一般根据障碍物顶点的连线构成，将地图划分为不规则的一个个区域，网格数量较少。1.2 3D地图1.2.1 栅格地图类似于2D栅格地图，3D地图相对比较占内存。..

目录1 车辆动力学约束1.1 模型的采取1.2 模型的假设1.3 运动学模型的微分方程组1.4 控制变量的选择2 边值约束2.1 简单的约束2.2 较复杂的约束3 碰撞躲避约束4 代价函数5 完整的最优控制问题1 车辆动力学约束1.1 模型的采取车辆的运动状态改变源自于轮胎受到的合力，由于轮胎受到的力沿接触面分布，需要用到材料力学的知识，有大量的复杂方程，并且在研究车辆低速情况的轨迹规划时，搭建如此复杂的物理模型并不实用，所以我们采用简洁的车辆二自

本篇文章主要分析一个质点的最优运动轨迹，从最简单的例子来展示智能车辆轨迹规划中的最优控制的基本框架。1 轨迹与路径的区分首先区分轨迹与路径这两个概念，轨迹包含时间与空间两个维度的信息，路径只包含空间一个维度的信息，且通常路径是二维平面上的几何曲线。2 基于最优化理论的轨迹规划的任务描述为了简化模型，先讨论一个质点在数轴上运动的例子。质点M从A点(x=0)开始运动至B点(x=10)静止，质点的速度与加速度有限制范围，速度必须连续变化，质点只能在A点与B点之间运动...