百度Apollo规划决策模块学习记录-3 Apollo EM Planner算法

---

---

Lecture 6

约束的分类

• Soft Constraints
  • Decisions
  • Best Trajectory
• Hard Constraints
  • Traffic Regulations
    
    

Apollo EM Planner

这部分在EM Planner的论文中更细致，课程里主要概括了一些核心思路但并不完整。之后有空的话把论文笔记整理出来更细致地理解EM Planner的架构。

• 例：判断是否换道时，生成本车道和变道两种轨迹，选取成本更低的轨迹。

• 那么如何生成本车道/变道的最优轨迹呢？这里就作为优化问题来求解，分别用组合优化（DP+QP）的方法生成本车道和变道的最优轨迹，再进一步去评价

• EM Algorithm 期望最大化算法思想

  迭代优化的思想，即当高维优化空间难以直接搜索时，比如有SLT三个维度，要同时优化这三个维度是困难的，那么先优化SL维度，再利用SL维度的最优解来优化ST维度，再反过来用ST维度的优化结果去优化SL维度。可以不断迭代，算法收敛。

  在无人车上，具体化为

  1. 规划得到SL维度的最优Path
  2. 将动态和静态障碍物投影到最优Path上
  3. 生成ST维度上的Optimal Speed
  4. 下一个周期再该Speed Profile用来生成最优Path

• 算法的缺点

  迭代算法本质上是贪心算法，只能收敛到Local Optimum，但不一定是全局最优。但一般情况下，局部最优解已经够用了，且局部最优解和全局最优解的差异很小。

优化问题的关键

• 目标函数
• 约束条件
• 解决算法

EM Planner的主要步骤

1. DP Path

   SL维度上，动态规划得到粗糙Path

   

2. QP Path

   SL维度上利用动态规划的结果得到凸空间，再用动态规划的最优解，进行二次规划得到平滑的最优解。

   借助Smoothing Spline，整理目标函数可得二次型的规划问题。

3. DP Speed

   思路同Path动态规划

   

4. QP Speed

• 这里老师提出了一个重要的单靠QP解决问题不可行的原因，QP在非凸空间的解收敛到哪个Local Optimal是不确定的，如果单靠QP求解，控制周期之间的解很可能不一致，这样的车辆行为并不是我们想要的，且很难被控制模块执行。

  而当QP的凸空间构造得当时，由QP的性质，可以保证控制周期间的最优解保持很好的一致性，即帧与帧之间相差非常小。

• 算法加速，上一控制周期的最优解在下一周期提供给QP作为热启动。

Apollo 无人车规划模块进展