复杂约束下自动驾驶车辆的运动规划解析
01 什么是motion planning
motion planning是在遵循道路交通规则的前提下，将自动驾驶车辆从当前位置导航到目的地的一种方法。
在实际开放道理场景下，自动驾驶要处理的场景非常繁杂：空旷的道路场景、与行人、障碍物共用道理的场景、空旷的十字路口、繁忙的十字路口、违反交通规则的行人/车辆、正常行驶的车辆/行人等等。场景虽然复杂，但都可以拆解为一系列简单行为(behavior)的组合：
将这些简单的行为(behavior)组合起来，就可以完成复杂的驾驶行为。
02 motion planning的约束条件（constraints）
motion planning是一个复杂的问题，它的执行过程需要满足很多约束条件：
2.1 车辆运动学约束
车辆运动受到运动学约束，比如它不能实现瞬时侧向移动，前驱的车辆必须依赖前轮的转向才能实现变道、转向等操作，在弯道上不能速度过快等等。通常我们采用单车模型(bicycle model)对车辆运动进行建模。
2.2 静态障碍物(static obstacle)约束
静态障碍物(static obstacle)是道路上静止的车辆、路面中间的石墩子等车辆不可行驶的区域。motion planning需要避开这些静态障碍物，避免与它们发生碰撞。解决碰撞的思路大概有两种：
1）将静态障碍物(static obstacle)在网格占位图中表示出来，然后检测规划路线是否与静态障碍物区域相交。
2）将车辆的轮廓扩大，比如扩展成一个圆形，然后检测障碍物是否与circle发生碰撞。
2.3 动态障碍物约束
motion planning要实时处理行人、车辆等各种运动的障碍物，避免与障碍物发生碰撞事故。
2.4 道路交通规则约束
车辆在道路上行驶必须要遵守车道线约束规则(比如左转专用道只能左转、实线不能变道、路口必须遵守红绿灯的指示)和各种标志标牌的指示。
03 motion planning的优化目标
了解motion planning的约束条件之后，需要构造目标优化函数，然后最小化目标函数，从而获得在当前环境下的最优运动轨迹。目标函数的种类有很多，下面枚举一些常用的目标函数。
1）关注路径长度(path length)，寻求到达目的地的最短路径。
2）关注通行时间(travel time)，寻求到达目的地的最短时间。
3）惩罚偏离参考轨迹和参考速度的行为。
4）考虑轨迹平滑性(smoothness)
5）考虑曲率约束(curvature)
通过组合设计自己的目标优化函数，从而获得较好的planning效果。
04 分级运动规划器
motion planning是一个异常复杂的问题，所以通常我们把它切分为一系列的子问题(sub problem)。比如mission planner、behavior planner、local planner、vehicle control等。
4.1 mission planner
mission planner关注high-level的地图级别的规划；通过graph based的图搜索算法实现自动驾驶路径的规划。
4.2 behavior planner
behavior planner主要关注交通规则、其它道路交通参与者(自行车、行人、社会车辆)等等，决定在在当前场景下应该采取何种操作(如停车让行、加速通过、避让行人等等)。
behavior planner的实现方式比较常见的有几种：有限状态机(finite state machines)、规则匹配系统(rule based system)、强化学习系统(reinforcement learning)。
有限状态机中的state是各个行为决策，根据对外界环境的感知和交通规则的约束在各个状态之间转换。比如在路口红绿灯的场景，当路口交通灯为红色不可通行时，车辆会首先切换到decelerate to stop状态，然后在路口停止线完全停下来，进入stop状态，并持续在stop状态等待，直至交通灯变为绿色允许车辆通行，车辆进入track speed状态，继续前行。
rule-based system是通过一系列的分级的规则匹配来决定下一步的决策行为。比如交通灯绿色->通行；交通灯红色->停车等待。
基于强化学习的behavior planner系统如下：
4.3 local planner
local planner关注如何生成舒适的、碰撞避免的行驶路径和舒适的运动速度，所以local planner又可以拆分为两个子问题：path planner和velocity profile generation。path planner又分为sampling-based planner、variational planner和lattice planner。
最经典的sampling-based planner算法是rapidly exploring random tree，rrt算法。
variational planner根据cost function进行优化调整，从而避开障碍物，生成安全的轨迹。
lattice planner将空间搜索限制在对车辆可行的action space。
velocity profile generation要考虑到限速、速度的平滑性等。
vehicle control将planner的规划结果转化为车辆的运动行为。
HAMR硬盘并不高大上！未来会覆盖中低容量
变压器电压不稳应该加装无功补偿设备吗
STM32的IIC库函数使用误区
如何比较市场上不同品牌的安全光幕安全光栅？
区块链技术能否解决DeFi领域面临的一些问题
复杂约束下自动驾驶车辆的运动规划解析
华为p10与小米6哪个更值得入手？华为p10与小米6对比评测：谁最性能怪兽
基于WLAN实现mesh网络的多跳无线扩展的设计
单相方波逆变电路
特斯拉Model Y雷达加热器助力自动驾驶功能积雪天气正常运行
海湾国家巴林将使用华为技术推出5G商用网络
蓝牙耳机国产品牌什么的好，蓝牙耳机国产排行榜
什么是星形和三角形接法 三角形接法和星形接法的电压电流
WiTricity与高通Halo的整合将推动无线充电的发展
台积电3nm官宣量产 扩产同日提上议程 能否为半导体注入强心针？
陈肇雄：5G技术是实现万物互联的关键信息基础设施
先进封装中铜-铜低温键合技术研究进展
东莞显同电子分享LED租赁屏箱体知识
改善优化网站UI设计的七个技巧
为什么断路处电压就是输入电压？
motion planning是在遵循道路交通规则的前提下，将自动驾驶车辆从当前位置导航到目的地的一种方法。
在实际开放道理场景下，自动驾驶要处理的场景非常繁杂：空旷的道路场景、与行人、障碍物共用道理的场景、空旷的十字路口、繁忙的十字路口、违反交通规则的行人/车辆、正常行驶的车辆/行人等等。场景虽然复杂，但都可以拆解为一系列简单行为(behavior)的组合：
将这些简单的行为(behavior)组合起来，就可以完成复杂的驾驶行为。
02 motion planning的约束条件（constraints）
motion planning是一个复杂的问题，它的执行过程需要满足很多约束条件：
2.1 车辆运动学约束
车辆运动受到运动学约束，比如它不能实现瞬时侧向移动，前驱的车辆必须依赖前轮的转向才能实现变道、转向等操作，在弯道上不能速度过快等等。通常我们采用单车模型(bicycle model)对车辆运动进行建模。
2.2 静态障碍物(static obstacle)约束
静态障碍物(static obstacle)是道路上静止的车辆、路面中间的石墩子等车辆不可行驶的区域。motion planning需要避开这些静态障碍物，避免与它们发生碰撞。解决碰撞的思路大概有两种：
1）将静态障碍物(static obstacle)在网格占位图中表示出来，然后检测规划路线是否与静态障碍物区域相交。
2）将车辆的轮廓扩大，比如扩展成一个圆形，然后检测障碍物是否与circle发生碰撞。
2.3 动态障碍物约束
motion planning要实时处理行人、车辆等各种运动的障碍物，避免与障碍物发生碰撞事故。
2.4 道路交通规则约束
车辆在道路上行驶必须要遵守车道线约束规则(比如左转专用道只能左转、实线不能变道、路口必须遵守红绿灯的指示)和各种标志标牌的指示。
03 motion planning的优化目标
了解motion planning的约束条件之后，需要构造目标优化函数，然后最小化目标函数，从而获得在当前环境下的最优运动轨迹。目标函数的种类有很多，下面枚举一些常用的目标函数。
1）关注路径长度(path length)，寻求到达目的地的最短路径。
2）关注通行时间(travel time)，寻求到达目的地的最短时间。
3）惩罚偏离参考轨迹和参考速度的行为。
4）考虑轨迹平滑性(smoothness)
5）考虑曲率约束(curvature)
通过组合设计自己的目标优化函数，从而获得较好的planning效果。
04 分级运动规划器
motion planning是一个异常复杂的问题，所以通常我们把它切分为一系列的子问题(sub problem)。比如mission planner、behavior planner、local planner、vehicle control等。
4.1 mission planner
mission planner关注high-level的地图级别的规划；通过graph based的图搜索算法实现自动驾驶路径的规划。
4.2 behavior planner
behavior planner主要关注交通规则、其它道路交通参与者(自行车、行人、社会车辆)等等，决定在在当前场景下应该采取何种操作(如停车让行、加速通过、避让行人等等)。
behavior planner的实现方式比较常见的有几种：有限状态机(finite state machines)、规则匹配系统(rule based system)、强化学习系统(reinforcement learning)。
有限状态机中的state是各个行为决策，根据对外界环境的感知和交通规则的约束在各个状态之间转换。比如在路口红绿灯的场景，当路口交通灯为红色不可通行时，车辆会首先切换到decelerate to stop状态，然后在路口停止线完全停下来，进入stop状态，并持续在stop状态等待，直至交通灯变为绿色允许车辆通行，车辆进入track speed状态，继续前行。
rule-based system是通过一系列的分级的规则匹配来决定下一步的决策行为。比如交通灯绿色->通行；交通灯红色->停车等待。
基于强化学习的behavior planner系统如下：
4.3 local planner
local planner关注如何生成舒适的、碰撞避免的行驶路径和舒适的运动速度，所以local planner又可以拆分为两个子问题：path planner和velocity profile generation。path planner又分为sampling-based planner、variational planner和lattice planner。
最经典的sampling-based planner算法是rapidly exploring random tree，rrt算法。
variational planner根据cost function进行优化调整，从而避开障碍物，生成安全的轨迹。
lattice planner将空间搜索限制在对车辆可行的action space。
velocity profile generation要考虑到限速、速度的平滑性等。
vehicle control将planner的规划结果转化为车辆的运动行为。
HAMR硬盘并不高大上！未来会覆盖中低容量
变压器电压不稳应该加装无功补偿设备吗
STM32的IIC库函数使用误区
如何比较市场上不同品牌的安全光幕安全光栅？
区块链技术能否解决DeFi领域面临的一些问题
复杂约束下自动驾驶车辆的运动规划解析
华为p10与小米6哪个更值得入手？华为p10与小米6对比评测：谁最性能怪兽
基于WLAN实现mesh网络的多跳无线扩展的设计
单相方波逆变电路
特斯拉Model Y雷达加热器助力自动驾驶功能积雪天气正常运行
海湾国家巴林将使用华为技术推出5G商用网络
蓝牙耳机国产品牌什么的好，蓝牙耳机国产排行榜
什么是星形和三角形接法 三角形接法和星形接法的电压电流
WiTricity与高通Halo的整合将推动无线充电的发展
台积电3nm官宣量产 扩产同日提上议程 能否为半导体注入强心针？
陈肇雄：5G技术是实现万物互联的关键信息基础设施
先进封装中铜-铜低温键合技术研究进展
东莞显同电子分享LED租赁屏箱体知识
改善优化网站UI设计的七个技巧
为什么断路处电压就是输入电压？