Apollo自动驾驶教程学习笔记-Apollo规划技术详解6-2

视频链接：http://bit.baidu.com/Course/detail/id/390.html
讲师：樊昊阳 百度Apollo研发工程师

说明：因个人工作方向变更的原因，该系列学习笔记不再更新，如有影响还请抱歉

无人驾驶中的路径规划方法

这节课内容也很丰富，老师讲的也很好，自己数学基础不扎实，所以听得半懂不懂的，不懂就多记笔记，下来再学习。我感觉这几节课学下来，都可以写一篇综述了，内容很丰富很全面，幸好自己之前自学过路径规划算法，所以还不算完全听不懂。总之，数学基础要扎实，什么牛顿法、凸优化、插值啥的都出来了。

规划方法综述

传统方法

• RRT
• Lattic
• Configuration Space

现代方法

• Darpa Challenge Approaches
• Lattic in Frenet Frame
• Spiral, Polynomial and Splines
• Functional Optimization

数据驱动方法

之后讲

引出各种规划问题

这块概念太多，没记很清楚，反正是说规划可能的各种问题，比如车不是质点之类的问题、环境是动态的问题、车受到局部约束的问题（运动限制，要求连续性）。
举了一个例子说明连续性问题：Roadmap方法下，会找出一个最短路径，但是这个最短路径不是车辆可以行进的路线，因为曲率不连续。

各种规划算法

PRM

很传统的办法，就是在规划空间中随机撒一些点，然后连接这些点，形成一个没有闭环的图，然后解这个图，寻找两点之间最优路径。
传统方法落实到实际还是有很多问题的，比如不平滑、比如是否有障碍物、比如必须是全局环境下等等。但是之后很多算法都是在这个基础上研究的。

RRT

RRT可以在局部环境下实现PRM的算法，也就是每个局部环境下执行PRM，然后在相邻两个局部环境中，连接最近的点，对于距离太远的两个点，重新采样。
但RRT依然没解决连续性的问题，改进办法是用曲线连接，但曲线连接依然会不平滑，轨迹太随意，不适合用在车上，反正是还有问题。

lattice类型方法

lattice就是打网格，所有和打网格有关系的算法都是lattice方法的改进。最原始的lattice方法就是在网格中计算最优点，但这种计算是指数复杂度的，计算时间长，改进方法是先撒点，再采样，可以简化计算，这样可以把过去重复计算的路径重复利用，也就是动态规划算法。
但是撒点依然还不是平滑的轨迹。
改进办法是Frenet Frame，在移动方向和垂直方向上建立坐标系（SL坐标系）。

3维问题

另外一个问题是，除了空间连续性，还需要考虑时间连续性，也就是车的速度、加速度的连续，这样就增加了一个优化的维度，变成3维问题。动态环境下动态规划不好用，尤其在时间维度上。三维问题在拓扑问题上不好解。

Path Speed iterative方法

将三维的x，y，t转化为先求x，y的问题，再求s(x,y)，t的问题，经过多次迭代反复求解，降低三维优化问题的难度。

Quadratic Programming方法

这种方法是二次规划法，可以迅速找到最优解，但是要求优化环境是凸的。而无人车的优化环境不是凸的，所以这又涉及到如何把非凸问题转换为凸问题。

Splines

也就是平滑算法，先求解一个不连续的轨迹，再针对这个轨迹做平滑，问题是平滑的效果抖动严重，可以用高阶平滑处理，但是高阶平滑又会过处理，也就是平滑曲线不再跟随优化曲线，可能会撞到障碍物。
还有Bsplines方法，反正这块挺多内容，也各有各的一些问题，插值法可能会出现龙格现象。

总结

1. Lattice Search在结构化道路上是一种简单而灵活的方法，所以有很多改进算法的衍生。
2. Search在3D Lattice中计算复杂度高，路径速度迭代的Search和直接Search各有优缺点。
3. Dynamic Programming方法依赖于状态维度，3维不好解了。
4. Quadratic Programming方法是一个二次优化能解的问题，而且收敛快，但是需要是凸优化环境。
5. Splines可以平滑离散轨迹。