无人驾驶算法学习（一）：阿波罗中的自动驾驶决策技术

决策的目的

 

限制信息：

• 路径的长度以及左右边界限制
• 路径上的速度限制
• 时间上的位置限制

环境信息：

• Routing信息
• 道路结构（汇入车道、路口）
• 交通信号和标识
• 障碍物状态信息（障碍物类型、大小）
• 障碍物预测信息（可能的运动轨迹）

 

 

决策的五大功能

 

参考路径

参考路径

• 后续的交规决策、路径决策和速度决策都是基于参考路径或者参考路径下的Frenet Frame（一种道路坐标系）完成的。
• Routing : Apollo的一个模块，解决A点到B点的路由寻径问题，其路径规划的层次要更加深入到无人车所使用的高精地图的车道（Lane）级别，这里的Lane比实际车道更为精细。
• 参考路径也用于表达换道需求，一般会有两条参考路径，有不同优先级。
• 优先级高的路径->目标路径，优先级低的路径->当前路径。

 

 

交规决策

交规决策

• 有了参考路径后，我们沿着参考路径找到交通标志和信号灯。
• 如果需要停止，会在停止线上生成一个虚拟墙。
• 根据交通规则决定是否在相应的地方放置虚拟墙。

 

 

 

 

路径决策

路径决策

• 交通标识和信号、虚拟墙和障碍物共同来影响路径决

• 先判断是否需要换道（是否有优先级更高的参考路径）

1. 明确要换道后，判断是否可以安全换道
2. 如果安全，路径决策产生路径的边界，否则产生车道内的路径边界

• 如果不需换道，需要确定是否需要借道避让
• 判断条件有两个：

1. 当前车道的可行驶宽度是否足够。
2. 前方障碍物是否为静止状态且不是由于车流原因静止。

• 如果确定需要借道避让，路径决策会产生车道内路径边界。

 

路径决策车道内路径边界

 

车道内路径边界分三种情况：

1. 无障碍物

路径边界一句车道边界或者道路边界来生成，并留有缓冲距离（绿色线）。

1. 前方障碍物

路径边界会被截至在第一个障碍物的后方。

1. 左右方障碍物

路径边界会依据车道线和障碍物的边界产生。

• 借道避让的路径边界产生，是在确认可以安全借道之后完成的。
• 是否可以安全借道的决策目前是根据一系列的规则来做出的，这个决策也可以依据ST图或者数据模型。
• 在做路径决策时，我们只考虑静止障碍物，动态障碍物是在速度规划时考虑。

 

 

速度决策

速度决策

• 有了路径边界后，我们调用路径优化器，得到平滑路径，得到平滑的路径后，我们就可以在路径上进行速度决策。
• 首先对一整条路径或者部分路径产生一个或者多个速度边界，将多个速度集成。
• 得到速度限制后，利用ST图来得到时间上的位置限制边界。
• 最终把速度边界和位置边界传给速度优化器得到平滑的速度规划。

速度限制边界

路径有三种不同的速度限制：

1. 道路限速（黄色）
2. 减速带（红色）
3. 行人（绿色）

 

路程-时间 图

左图中：

1. 白色方框代表自动驾驶主车
2. 蓝线是主车的路径
3. 黑色方框代表障碍车
4. 红线是障碍车的预测行驶轨迹
5.  

障碍车的预测轨迹和主车的交会关系在ST中表示出来

1. t1为障碍车预测轨迹和主车路径的交会时间。
2. s1、s2为交汇时障碍车在主车路径上的位置。
3. s1代表车尾位置，s2代表车头位置。

 

在ST图中，我们的目的是找一条不和障碍物碰撞的曲线，同时曲线还要满足速度限制，如上图。

如果我们找到红色的曲线为最优曲线，时间上的位置限制就为红虚线段。

反之绿色的曲线和绿色虚线就为主车的行进跟随。

 

有了速度限制和位置限制后，就可以把这两个决策传递给速度优化去得到平滑的速度规划，即每个点的时间。

生成速度规划后，就可以结合路径和速度生成最终的Planning的轨迹。

 

决策场景

什么是场景?

场景的概念首次在Apollo3.5中提出

 

 

场景的分类

• 场景的划分没有特别严格的规定，取决于应用场景

• 这是Apollo场景分类的一个例子，尽量保证场景之间相互独立。

 

场景的识别和转换

 

 

借道避让场景

我们来看看一个借道避让场景是如何实现的:

这个场景中，我们有6个stage（阶段），每个stage完成借道避让的一个步骤，类似于有限状态机的一个状态。

如果一个Stage发生了环境变化，或者出现错误，会出现Stage之间的跳转挥着退出该场景。

场景的Stage

• 每一个Stage都包括交规决策，路径决策，路径优化，速度决策，速度优化。
• 我们把每个功能定义为一个或者几个基本的Task（任务），每个Stage或者直接调用（使用默认参数），或者修改参数，或者修改输入值，这样的实现可以极大的提高场景之间的代码复用。