学习笔记2--自动驾驶汽车的规划与控制

路由搜索、行为决策和体育规划统称为路径规划。路径规划承担上层感知预测结果，分为全局路径规划和局部路径规划；

• 全球路径规划对应的路由路径搜索部分可以理解为实现自动驾驶汽车软件系统内部的导航功能，即指导自动驾驶汽车软件系统的规划控制模块在宏观层面上按照什么样的道路行驶，从而实现从起点到终点；
• 根据起点和终点信息，使用路径搜索算法找到最佳路径（最短时间、最短距离等）。；该计划可以一次性进行，也可以重新规划；
• 路由寻径模块的输出作为自动驾驶汽车控制规划系统的整体上游模块，严格依赖于自动驾驶汽车的高精度地图(HD-Map)绘制；高精度地图定义绘制的路网(Road Graph)在一定的最优策略定义下，道路划分的基础上，路由寻径模块需要解决的问题是计算从起点到终点的最佳道路行驶序列；自动驾驶汽车可以在高精度地图上使用Road级别寻径问题，抽象成一个在带权有向图上的最短路径搜索问题；
• 路由寻径(Routing)首先基于模块Road在一定范围内，所有可能通过的高精度地图都可以通过Road上进行分散"撒点"，称这些点为Road Point；这些点代表了自动驾驶汽车可能经过的事情Road上位抽样；这些点与点之间，由带权有向的边缘连接；Road Point连接之间的权利，代表自动驾驶汽车从一点到另一点的潜在成本(Cost)；路由寻径问题的常用方法主要包括：A*算法、Dijkstra算法等；

• 路由搜索模块产生的路径信息直接用于下游行为决策模块；行为决策包括：道路上的正常跟踪、交通灯和行人的等待和避免，以及道路条件和其他汽车的交互；
• 行为决策和运动规划需要密切协调。设计和实现两个模块的一个重要基本标准是，行为决策模块的输出逻辑需要与下游运动规划模块的逻辑一致；
• 运动规划模块解决了自动驾驶汽车的具体动作(Motion)规划问题；理解为:解决自动驾驶汽车从A点到B点如何在较小的时空区域内行驶的问题；
• 所有重要的环境信息都被用于行为决策层面，不仅包括自动驾驶汽车本身的当前位置、速度、方向和车道，还包括与感知相关的所有重要信息的障碍信息；
• 行为决策层需要解决的问题是决定自动驾驶汽车的驾驶策略；
  • 所有路由搜索结果：例如，自动驾驶汽车需要进入什么车道才能到达目的地(Target Road)；
  • 自动驾驶汽车的当前状态：汽车的位置、速度、方向、当前主车所在的车道、根据道路搜索路由需要进入的下一条车道等；
  • 自动驾驶汽车的历史信息：在上一个行为决策周期中，自动驾驶汽车的决策是跟随汽车、停车、转弯或换道；
  • 自动驾驶汽车周围的障碍物信息：自动驾驶汽车周围一定距离内的所有障碍物信息；例如：周围车道、相邻十字路口、速度、位置、意图和预测轨迹、骑自行车或行人、位置、速度、轨迹等；
  • 自动驾驶汽车周围的交通标志信息；
  • 当地交通规则：如道路限速、红灯右转等；

• 本地路径规划对应的运动规划模块以汽车本地坐标系为准，根据汽车定位信息将全球预期路径转换为汽车坐标，作为本地参考路径，为本地路径规划提供指导信息；
• 局部预期路径是未来无人驾驶汽车的预期路线，因此要求路径的每一点都表示汽车状态的信息；
• 局部预期路径被理解为无人驾驶汽车未来驾驶状态的集合。每个路径点的坐标和方向是汽车的位置和方向，路径点的曲率半径是汽车的转弯半径；
• 本地路径规划的作用是基于一定的环境地图，找到一条满足汽车运动学、动力学约束和舒适性能指标的无碰撞路径；
• 体育规划模块的本质：在一定的约束条件下，在一定的时间和空间状态下完成路径和速度优化，或汽车在一定时间和空间内的行驶轨迹优化；
• 行为决策模块需要输入感知和地图定位的输出。行为决策与运动规划模块密切相关。在系统设计中，感知和地图定位结果也将接入运动规划模块；
• 常用的路径规划算法分为：基于采样的路径规划算法和基于地图的路径搜索算法；
  • 基于采样的路径规划算法：概率图(Probabilistic Road Map，PRM)快速探索随机树(Rapidly-exploring Random Tree，RRT)算法；
    • 概率图算法:利用局部规划算法建立随机状态之间的连接关系，从而抽象概率图。对于确定的起始状态和目标状态，只需快速搜索概率图即可获得路径；
    • 随机树算法的快速探索LaValle和Kuffner提出最初解决运动学约束的路径规划问题；
  • 基于地图的搜索算法：通常采用单元分解法或道路图法建立环境模型，通过搜索环境信息的环境地图获得最终路径；包括：深度优先搜索(Depth-First Search，OFS)优先搜索算法和广度(Breadth-First Search，BFS)加深搜索算法和迭代(Iterative-Deepening Search，IDS)搜索算法，等(Uniform Cost Search，UCS)算法、启发式搜索(Heuristic Search，HS)算法等；
    • OFS、BFS、IDS、UCS算法：采用可追溯技术进行搜索，沿树的深度，尽可能深地搜索树的分支，直到达到目标状态或搜索终点；如果发现目标状态，退出搜索并返回解决方案路径；如果到达搜索终止点，则返回包含未搜索结点的路径，并继续沿着这个分支进行搜索；这种算法更适合解决环境中结点较少的路径搜索问题。当结点较多时，算法搜索速度慢，效率低；
    • 启发式搜索算法：在确定结点扩展顺序的估价函数中引入启发值，即当前结点状态与目标状态之间的估计消耗，引导搜索向目标状态方向，避免盲搜索，有助于提高算法的搜索效率；

• 自动驾驶控制模块是规划控制的最低层；这是一个直接和自动驾驶汽车的低级控制接口CAN-BUS对接模块的核心任务是消化上层运动规划模块的输出轨迹点，将车身属性和外部物理因素的一系列动力计算转换为油门、制动器和方向盘信号，尽可能控制车辆实际执行这些轨迹点；
• 自动驾驶汽车规划控制软件系统的主要功能模块有四个模块：路由搜索、行为决策、动作规划和反馈控制；