自动驾驶决策控制及运动规划介绍

《自动驾驶决策控制及运动规划介绍》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、自动驾驶决策控制及运动规划介绍本文将介绍决策控制方法由上至下依次为：sequentialplanning、behavior-awareplanning、以及end-to-endplanning。sequentialplanning传统的方法，并对上述三种方法的内容与遇到的问题以及已取得的成果做简要介绍，希望对你的学习有帮助。看前须知：本人方向为自动驾驶决策控制与运动规划（DecisionMakingAndMotionPlanning,DMAP），前段时间终于发完了里程碑式的文章，到现在科研路也是逐渐步入下一阶段了，想着

2、当初入门的时候那种困难且没有方向的感觉，而且网上实在缺少对这方面知识简单易懂且全面的梳理，我觉得可以把我所学分享出来，供大家参考借鉴。需要注意的是：这些东西你完全可以从网上或者文献中获得，从这篇blog中了解信息的优势仅仅是帮你省去大把大把大把自己找文献梳理脉络的时间（对症下药的那种，而不是漫无目的的随意的文献），梳理出决策规划方向到底都有什么。并且我会讲许多比较常见的算法比如AD之类的。因为这篇文章是针对入门者，基于我入门时的想法，我会尽量秉持着大白话的风格以方便理解，喜欢科研风格请直接略过本文去看其他SCI。这篇b

3、log依托于我很久之前随笔性质的学习内容，所以在讲述DMAP时，你可能会看到一些网上的图。我自己东西我也会抛出来一些。1.介绍图1：当前自动驾驶汽车存在的三大类感知决策控制方法图1所示的决策控制方法由上至下依次为：sequentialplanning、behavior-awareplanning、以及end-to-endplanning。sequentialplanning属于最传统的方法，感知、决策与控制三个部分层次较为清晰；behavior-awareplanning这种方法相比第一种，亮点在于引入人机共驾、车路协

4、同以及车辆对外部动态环境的风险预估；end-to-endplanning这种方法基于DL、DRL技术，借助大量的数据做训练，获得从图像等感知信息到方向盘转角等车辆控制输入的关系，属于时下最热门的方法之一。本文将对上述三种方法的内容与遇到的问题以及已取得的成果做简要介绍，第二节将介绍sequentialplanning，这一节里会按照整个决策控制顺序讲述自动驾驶汽车的感知控制过程。第三节介绍端到端的自动驾驶，第四届介绍behavior-awareplanning决策控制方法，第五节介绍安全性验证的方法，最后会简要总结一下

5、前文所提到的待解决的问题。2.路径规划图2：sequentialplanning的过程如图2所示为sequentialplanning的过程，简要概括为路径规划->决策过程->车辆控制，本小结将要讲述的路径规划属于其中的第一步与第三步。在无人车的运动轨迹生成问题上，有直接轨迹生成法与路径-速度分解法两种，相比第一种，路径-速度难度更小，因此更加常用。路径规划可分为四大类：以PRM、RRT为代表的基于采样的算法、以为A、D代表的基于搜索的算法，以β样条曲线为代表的基于插值拟合的轨迹生成算法，以及以MPC为代表的用于局部路

6、径规划的最优控制算法。本小节将按照上述顺序逐一讲解：图3：路径规划算法的效果图表2：路径规划算法优缺点·2.1基于采样的算法··1.基本算法PRM与RRT的构建(1)PRM的构建[1]1)预处理阶段：对状态空间内的安全区域均匀随机采样ｎ个点，每个采样点分别与一定距离内的邻近采样点连接，并丢弃掉与障碍物发生碰撞的轨迹，最终得到一个连通图2)查询阶段：对于给定的一对初始和目标状态，分别将其连接到已经构建的图中，再使用搜索算法寻找满足要求的轨迹容易看出，一旦构建一个PRM之后，可以用于解决不同初始、目标状态的运动规划问题，但

7、是这个特性对于无人车运动规划而言是不必要的．另外PRM要求对状态之间作精确连接，这对于存在复杂微分约束的运动规划问题是十分困难的(2)RRT的构建[2]1）树的初始化：初始化树的结点集和边集，结点集只包含初始状态，边集为空2）树的生长：对状态空间随机采样，当采样点落在状态空间安全区域时，选择当前树中离采样点最近的结点，将其向采样点扩展（或连接）．若生成的轨迹不与障碍物发生碰撞，则将该轨迹加入树的边集，该轨迹的终点加入到树的结点集3）重复步骤2），直至扩展到目标状态集中，相比PRM的无向图而言，RRT构建的是初始状态作为

8、根结点、目标状态作为叶结点的树结构，对于不同的初始和目标状态，需要构建不同的树。另外，RRT不要求状态之间的精确连接，更适合解决像无人车运动规划这样的运动动力学问题2.基于采样的算法所面临的问题与解决办法几乎所有算法都有着几个相同的问题——求解效率与是否最优解。PRM与RRT拥有概率完备性的原因在于其几乎会遍历构型空间中所有位置，