自动驾驶【路径规划/决策规划】初探

图片来自西门子

摄影｜Siemens

自动驾驶是一门综合性复杂的技术，目前这块比较火热，趁此机会我了解了一下决策规划这块领域，看了b站范昊阳大佬的《百度自动驾驶技术系列课程》后，整理了一下心得。

#1 总论

路径规划是属于自动驾驶感知、决策、执行，互联几个关键领域里的决策环节，根据《Apollo 自动驾驶工程师技能图谱》中阐述的技能栈也可以看出决策的重要性。如果芯片被看作自动驾驶的大脑，那么决策好坏就决定这是一颗莱莎·徒利的大脑，还是一颗奥莲娜的大脑。

#2 全局规划

路径规划总体有3个层面：

全局规划，全局规划需要我们知道目的地，是一种长期的规划，更关心高层的信息，不太关心很细枝末节上的决策。全局规划的本质是一种搜索，在优化领域就是给定约束下的最小化问题。

Dijkstra算法示意图

解决全局优化常见的代表算法有：Dijkstra、A*、MDP。

Dijkstra是一种广度优先搜索，因为每个节点都要探寻，所以搜索会慢；

而A*及其各种衍生算法是一种启发式算法，搜索过程会朝着目的点前进，避免了一些无谓的搜索；

MDP是强化学习的思路，构建环境和奖励系统，让运动对象吃亏上当后，学会精致利己，沿着目标点前进。

#3 局部规划

局部规划，之所以有局部规划，是因为全局规划没有考虑很多局部信息的动态变化。原因有如下几个方面：

a. 局部信息有时候受限于传感器，运动物体在局部看到感知到的信息有限；

b.运动对象还受制于交通管控，它必须遵守交通规则。而交通路况是变化的，这刻绿灯，下一刻就可能是红灯，今天是通畅的，明天可能就封路改道；

c.由于其他交通参与者的行为会干扰到运动对象的路径；

这类情况下往往的解决算法思路是增量方法，就是走一步看一步，不断更新目前的状态信息，做出新的决策。这有别于全局优化，多考虑了时间这个重要的维度信息，是一种偏实时的路径规划。

RRT 算法

算法层面代表的就是PRM、RRT和Lattice，他们都是基于采样方法。PRM和RRT是基于树的方法，在空间内随机撒点，然后通过树生成的方式前进，最终达到目的地，这种方式路径不一定最优，但是可以快速求解并轻松避开障碍物。

Lattice主要应用栅格化处理方法（高效的经纬度和栅格对应可以用Geohash），通过网格离散化搜索空间，然后映射到frenet空间，利用cost函数避障和寻优，针对搜索困难，采用DP（动态规划）的原理避免重复计算。

#4 运动控制

运动控制，局部规划的路线，如果不进行平滑处理，那么是一条条线段，但是线段的曲率可能不连续，那么运动对象在速度、加速度上、锐度就可能突变，这样的路径是不能保证舒适性的，所以还需要进一步进行曲线平滑、角度平滑处理。

路径平滑

算法层面主要是样条曲线、插值方法、Bspline

Bspline可能会碰到边缘，插值的话容易产生龙格现象（过拟合，震荡厉害）。

#5 结尾

但是这还远远不够，运动物体在以上过程都被抽象成一个质点，然而运动物体一般是刚体，前后轮的运动特性不一样，还需要考虑运动物体的坐标系，分开建模。

附：自动驾驶名单（欢迎添加）