百度Apollo无人驾驶学习笔记之规划与决策（一）

(一) Basic motion planning and overview

What is motion planning?

• 规划问题的本质是搜索问题
• 我们要规划出一条比较好的路径，这个“好”是通过一个函数来定义的，我们一般把这个函数叫做目标函数F(x)。
• 即给定现有的环境，然后去找到无人车如何运动的最优解问题。

不同领域对路径规划的定义是不同的

• 机器人领域：如何生成一个轨迹去到达目标
  • RRT，A*，D* lite，Lattice Planning，and etc
• 控制论：为到达目标状态的动态系统
  • MPC，LQR，and etc
• AI：生成状态的映射
  • Reinforcement learning，end to end imitation learning，and etc

Path Finding Problem

• BFS,DFS：为non-informative search，没有利用起点到终点间的信息，不知道目标在什么地方
• A*：为informative search， 定义了一个heuristic function，大概知道目标在什么地方

算法与实际无人车的区别

• 无人车在实际运动中，无法完全获取起点到终点间的信息，只能通过sensors部分观察前方的路况信息
• 还包括静态障碍物及动态障碍物的区别
• 如果知道全部的路径信息，使用A*算法规划路径是一件非常快的事，称为Global routing
• 只知道部分的路径信息，可以使用贪心的思想，只能看到后三步的信息，就规划出这三步的最优解；只能看到后五步的信息，就规划出这五步的最优解，称为incremental search，D*即这种思想

是否关心得到问题的全局最优解

• 当我们在开车时，其实关系的是在眼前的环境下，如何得到最优解
• 假设从北京到上海自驾游，我们也不会在开车前获取全部路程信息，规划出最好的路径
• 在实践中，global optimization也不是个很好的解决方法
• 而partially能否做到最后，是我们比较关心的一个问题

对于无人车而言还差哪些问题

• 算法将空间离散化得到很多折线，而无人车不能走这样的折线
• 无人车走的是平滑的曲线，需要平滑优化算法
• 有些路线，无人车无法行驶，需要根据动力学模型，在控制模块加以控制
• 真正上路时，不能将前方的车当作静止的障碍物，即随着时间的变化，环境也跟着变化
• 动态环境的变化，对于规划而言是个很难的问题
• 无人车要上路，第一件事需要遵守交通规则
• 算法在有些的时间内，找到比较好的解（最优解）百度对无人驾驶规划的响应时间要求为0.2s-0.3s，一个人反应的时间是0.4s-0.5s

无人驾驶硬件系统

• 激光雷达
• IMU
• GPS

无人驾驶软件系统

• Perception: What we see
• Localization: Where we are
• Prediction: How the environment will change
• Motion Planning: How we move
• Control: How to control the car

input and output

• Car status
• Traffic Light info
• Obstacles and predicted trajectory
• Navigation info
• HD Map

trajectory

• 轨迹在无人驾驶中不仅仅是一条Path
• 不是无人车怎么走，而是随着时间无人车怎么走
• trajectory包含两个信息，路径信息及速度信息
• 不仅路径平滑，速度也要平滑

小结

• 规划分为non-informative search和informative search
  • 无人车在行驶前，先根据高清地图规划出来的路径成为Global planner 即informative search，比如通过高德地图事先选择的行驶路径，他不受当前环境状态的影响
  • 在行驶过程中，通过sensors感知到的信息，而规划出的部分最优解成为Local planner，即non-informative search，比如在行驶过程中检测到障碍物，需要及时规划出其他路径避开障碍物，受环境状态的影响
• 规划问题更深入的话，也包含一些控制问题