【Apollo 6.0算法解析】Planning模块简介

---

前言

Apollo 系统各个模块之间的通信框架如下图所示。

橘色的实线为数据流动线，黑色实线为控制逻辑线。

Planning 模块的上游是Perception 、 Prediction、Localization 和 Routing 模块，下游是 Control 模块。它的作用是根据感知和预测的结果，根据当前车辆信息和路况信息在有限时间内规划出一条平滑的且安全可行的行驶轨迹，再交由控制模块去执行。若Planning 模块规划的轨迹不可行（比如道路施工、错过路口）就会触发 Routing 模块重新规划线路，因此 Planning 和 Routing 两个模块的数据流是双向的。

本文主要是简单介绍下 Apollo 中的 Planning模块，包括 Apollo 使用到的决策规划算法（详细的算法讲解和代码解析会之后的文章进行更新）。

---

一、Planning模块规划器简介

目前，Apollo Planning 模块提供以下五种规划器。

名称	加入版本	类型	说明
RTK Replay Planner	1.0	RTK	根据录制的轨迹来规划行车路线。
Public Road Planner	1.5	PUBLIC_ROAD	实现了EM算法的规划器，这是目前的默认Planner。
Lattice Planner	2.5	LATTICE	基于状态网格的轨迹规划器。
Navi Planner	3.0	NAVI	基于实时相对地图的规划器。
Open Space Planner	3.5	OPEN_SPACE	用于开放空间的轨迹规划器。

---

1.1 RTK Replay Planner

RTK Replay Planner 是基于录制的轨迹进行循迹的 Planner，是 Apollo 比较原始的一种 Planner。需要事先录制好设定的轨迹再来规划行车路线。

录制的轨迹文件格式可以参考 modules/planning/data/garage.csv。

轨迹中包含以下信息：

名称	说明
x,y,z	车辆位置
speed	车速
acceleration	加速度
curvature	曲率
curvature_change_rate	曲率变化率
time	时间戳
theta	航向角
gear	档位
s	路程
throttle	油门
brake	刹车
steering	方向盘转角

部分代码解析和流程可以参考百度Apollo5.0规划模块代码学习（一）RTK规划器这篇文章，在此不过多叙述。

---

1.2 Public Road Planner

Public Road Planner是目前默认的Planner，它实现了 EM Planner（Expectation Maximization）算法。

EM Planner是基于轻决策的规划算法。与其他基于重决策的算法相比，EM Planner的优势在于能够处理许多复杂的场景（例如多障碍物的场景）。当基于重决策的方法试图预先确定如何处理每个障碍物时，困难是显而易见的：（1）很难理解和预测障碍物如何与主车相互作用，因此它们的跟随运动难以描述，因此很难被任何规则考虑；（2）当多个障碍物阻塞道路时，无法找到满足所有预定决策的轨迹概率大大降低，从而导致规划的失败。

Planning大概流程是这样：先由 Routing模块进行全局规划得到参考线 Reference_line，然后 Planning模块在此基础上进行局部轨迹规划，EM Planner将路径和速度进行分层规划，并在 SL 和 ST坐标系下，使用动态规划（DP）进行路径和速度的决策和粗规划，然后再使用二次规划（QP）进行平滑处理。

Apollo EM Planner的整体架构

动态规划：基于 Reference Line 和车道边界，将道路进行切片和撒点采样并逐级升级目标函数，最终得到一条可行路径。

二次规划：对路径和速度进行平滑处理，以平方项的形式进行量化，将其转化为二次规划问题。

详情可以参考[论文解读]Baidu Apollo EM Motion Planner

---

1.3 Lattice Planner

Lattice Planner 用 Frenet 坐标系来表示汽车的状态，在Frenet坐标系下同时进行横向和纵向采样，再进行二维合成生成足够多的轨迹，然后计算每条轨迹的代价，再循环检测过程中每次挑选出代价最低的轨迹，对其进行物理限制检测和碰撞检测。如果挑出来的轨迹不能同时通过这两个检测，就将其筛除，考察下一条cost最低的轨迹。

---

1.4 Navi Planner

Navi Planner 是基于实时相对地图的规划器。目前资料比较少，待补充…

---

1.5 Open Space Planner

该算法从两个不同的来源获取输入：

• 感知数据，包括但不限于障碍。
• 通过高清地图获得感兴趣区域(ROI)。

算法本身包括两个阶段：基于规划的搜索和优化。

基于规划的搜索是基于车辆的运动学模型运用Hybrid A*算法生成一条原始轨迹，如下图红线所示，再通过优化的方法生成绿色的平滑轨迹。

轨迹优化的作用是生成安全平滑的轨迹，以获得更好的乘坐舒适性体验，也使控制模块更容易跟踪。

---

参考

【1】解析百度Apollo之决策规划模块
【2】apollo介绍之planning模块(四)
【3】Dig-into-Apollo
【4】技术文档丨开发空间规划算法