Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例)

这篇具有很好参考价值的文章主要介绍了Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前言

Apollo星火计划课程链接如下
星火计划2.0基础课:https://apollo.baidu.com/community/online-course/2
星火计划2.0专项课:https://apollo.baidu.com/community/online-course/12

1. Apollo参考线介绍

1.1 参考线的作用

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶

参考线在Planning模块的位置

1.2 导航规划的路线

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶    导航规划的路线一般由三个部分组成:Routing、参考线以及轨迹。
    Routing: 全局路径规划的结果,一般规划出来的长度为几十公里甚至上百公里,若没有障碍物,车辆将会沿着这条路径一直行驶。若有障碍物,则会由Planning模块发布回Routing模块进行重新规划。
    参考线: 决策规划模块根据车辆的实时位置进行计算。参考线的计算依赖于Routing的结果,但同时需要车辆周围的动态信息(障碍物、交通规则)。参考线相当于Routing结果里局部数据(车辆当前位置的一段Routing),距离通常只有几百米。参考线可能会有多条。
    轨迹: 是规划决策模块的最终输出结果。轨迹的输入是参考线。轨迹不仅包含车辆的路径信息,也包括车辆的动态信息(速度、加速度等)。

1.3 为什么需要重新生成参考线

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶

导航路径不平滑导致车辆行驶不平稳以及导航路径太长可能会使局部路径产生多个投影点,需要生成局部平滑的参考线,同时节省算力。

1.4 ReferenceLine数据结构

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶优先级:当有多条参考线时,具有优先级。
SpeedLimit:车辆在一段参考线里的速度限制。起始点的速度限制/终点的限制
speed_limit_:是一个数组,分段限速。
reference_points_:参考点,同样是数组。
map_path_:地图中的参考线,与planning中的参考线具有一一映射关系,参考点的数目是相同的。

1.5 ReferencePoint数据结构

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶     ReferencePoint继承自MapPathPoint,MapPathPoint继承自Vec2d。
Vec2d:包含了点的二维数据。
MapPathPoint:包含了点的朝向以及地图上的点对应道路上的点。
ReferencePoint:包含了曲线的曲率与曲率的导数。

1.6 参考线处理流程

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶     参考线的处理主要涉及两个线程:一个是参考线提供线程,另一个是规划线程。参考线提供线程提供参考线给规划线程去规划出一条轨迹。参考线的处理有两个步骤:首先是参考线的生成,直行时生成一条参考线,当有变道发生时,生成多条参考线。接下来是参考线的平滑,常见的参考线平滑方式有:离散点的平滑(Apollo采用)、螺旋线的平滑以及样条曲线的平滑。

1.7 参考线生成

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶     参考线生成是由CreateReferenceLine函数实现的。首先由UpdateVehicleState函数获取车辆的状态,再由UpdateRoutingResponse函数获取Routing的结果,生成RouteSegment。若routing是新生成的,则对其进行平滑与分割;若不是,则沿用上一个周期的参考线,并对其进行扩展与延伸。

2. 参考线平滑算法

2.1 参考线平滑算法总览

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶     常见的参考线平滑方式有:离散点的平滑(Apollo采用)、螺旋线的平滑以及样条曲线的平滑。Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶

// /home/yuan/apollo-edu/modules/planning/reference_line/reference_line_provider.cc
  if (smoother_config_.has_qp_spline()) {
    smoother_.reset(new QpSplineReferenceLineSmoother(smoother_config_));
  } else if (smoother_config_.has_spiral()) {
    smoother_.reset(new SpiralReferenceLineSmoother(smoother_config_));
  } else if (smoother_config_.has_discrete_points()) {
    smoother_.reset(new DiscretePointsReferenceLineSmoother(smoother_config_));
  } else {
    ACHECK(false) << "unknown smoother config "
                  << smoother_config_.DebugString();
  }

2.2 参考线平滑算法流程

// /home/yuan/apollo-edu/modules/planning/reference_line/reference_line_provider.cc
bool ReferenceLineProvider::SmoothReferenceLine(
    const ReferenceLine &raw_reference_line, ReferenceLine *reference_line) {
  if (!FLAGS_enable_smooth_reference_line) {
    *reference_line = raw_reference_line;
    return true;
  }
  // generate anchor points:
  std::vector<AnchorPoint> anchor_points;
  GetAnchorPoints(raw_reference_line, &anchor_points);
  smoother_->SetAnchorPoints(anchor_points);
  if (!smoother_->Smooth(raw_reference_line, reference_line)) {
    AERROR << "Failed to smooth reference line with anchor points";
    return false;
  }
  if (!IsReferenceLineSmoothValid(raw_reference_line, *reference_line)) {
    AERROR << "The smoothed reference line error is too large";
    return false;
  }
  return true;
}

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
GetAnchorPoints(raw_reference_line, &anchor_points);用于设置设置中间点
if (!smoother_->Smooth(raw_reference_line, reference_line)) {为平滑算法

2.2.1 设置中间点anchor points

// /home/yuan/apollo-edu/modules/planning/reference_line/reference_line_smoother.h
struct AnchorPoint {
  common::PathPoint path_point;
  double lateral_bound = 0.0;
  double longitudinal_bound = 0.0;
  // enforce smoother to strictly follow this reference point
  bool enforced = false;
};

     根据ReferenceLine选取中间点。根据ReferenceLine s(纵向距离上的投影)的值,进行均匀采样,采样的间隔约为0.25m。采样之后得到一系列的AnchorPoint,每个AnchorPoint包含PathPoint、横纵向的裕度以及是否为强约束的判断(若是,则必须为满足横纵向裕度,一条参考线只有首尾的点是强约束)。

// /home/yuan/apollo-edu/modules/planning/conf/discrete_points_smoother_config.pb.txt
max_constraint_interval : 0.25
longitudinal_boundary_bound : 2.0
max_lateral_boundary_bound : 0.5
min_lateral_boundary_bound : 0.1
curb_shift : 0.2
lateral_buffer : 0.2

discrete_points {
  smoothing_method: FEM_POS_DEVIATION_SMOOTHING
  fem_pos_deviation_smoothing {
    weight_fem_pos_deviation: 1e10
    weight_ref_deviation: 1.0
    weight_path_length: 1.0
    apply_curvature_constraint: false
    max_iter: 500
    time_limit: 0.0
    verbose: false
    scaled_termination: true
    warm_start: true
  }
}

主要参数
max_constraint_interval采样间隔
longitudinal_boundary_bound纵向边界
max_lateral_boundary_bound最大横向边界
min_lateral_boundary_bound最小横向边界
curb_shift与道路边缘的缓冲,若为实线,再增加一个buffer缓冲
lateral_buffer与道路边缘的缓冲

smoothing_method: FEM_POS_DEVIATION_SMOOTHING采用FemPosSmooth平滑算法
weight_fem_pos_deviation平滑度的代价权值 c o s t s m o o t h {cost_{smooth}} costsmooth
weight_ref_deviation相对原始点偏移量的代价权值 c o s t e r r {cost_{err}} costerr
weight_path_length参考线长度的代价权值 c o s t l e n g t h {cost_{length}} costlength
实验时主要考虑平滑,所以将平滑度的权值设得非常大,而其他权值忽略不计。

2.2.2 Smooth函数

/home/yuan/apollo-edu/modules/planning/reference_line/discrete_points_reference_line_smoother.cc
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶     两种平滑算法通过配置文件去选择。

2.2.3FemPosSmooth

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶

2.2.4 Solve函数

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
Apollo默认不考虑曲率的约束

2.3 优化问题构造和求解

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶     Apollo主要是对离散点进行求解,通过构造二次规划问题,利用OSQP求解器进行求解。


优化变量:离散点 P k ( x k , y k ) {P_k(x_k,y_k)} Pk(xk,yk)
优化目标: 平滑度、长度 、相对原始点偏移量
优化函数 c o s t = c o s t s m o o t h + c o s t l e n g t h + c o s t e r r {cost=cost_{smooth}+cost_{length}+cost_{err}} cost=costsmooth+costlength+costerr
c o s t s m o o t h {cost_{smooth}} costsmooth——平滑度的代价
c o s t l e n g t h {cost_{length}} costlength——参考线长度的代价 c o s t l e n g t h = ∑ i = 0 n − 1 ( x i − x i − 1 ) 2 + ( y i − y i − 1 ) 2 cos{t_{length}} = \sum\limits_{i = 0}^{n - 1} {{{({x_i} - {x_{i - 1}})}^2}} + {({y_i} - {y_{i - 1}})^2} costlength=i=0n1(xixi1)2+(yiyi1)2 c o s t e r r {cost_{err}} costerr——相对原始点偏移量的代价 c o s t e r r = ∑ i = 0 n − 1 ( x i − x i _ r e f ) 2 + ( y i − y i _ r e f ) 2 cos{t_{err}} = \sum\limits_{i = 0}^{n - 1} {{{({x_i} - {x_{i\_ref}})}^2}} + {({y_i} - {y_{i\_ref}})^2} costerr=i=0n1(xixi_ref)2+(yiyi_ref)2

2.4 平滑代价

     c o s t s m o o t h {cost_{smooth}} costsmooth有两种计算方式:FemPosSmooth与CosThetaSmooth。
FemPosSmooth


Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
    构造方式:一个参考点 P 1 ( x 1 , y 1 ) {P_1(x_1,y_1)} P1(x1,y1)以及其前后两个相邻点 P 0 ( x 0 , y 0 ) {P_0(x_0,y_0)} P0(x0,y0) P 2 ( x 2 , y 2 ) {P_2(x_2,y_2)} P2(x2,y2)构成的向量 P 1 P 0 → \overrightarrow {{P_{\rm{1}}}{P_{\rm{0}}}} P1P0 P 1 P 2 → \overrightarrow {{P_{\rm{1}}}{P_{\rm{2}}}} P1P2 的合向量 P 1 P s → \overrightarrow {{P_{\rm{1}}}{P_{\rm{s}}}} P1Ps ,求其模的平方。

CosThetaSmooth
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶    构造方式:利用相邻两个向量 P 0 P 1 → \overrightarrow {{P_{\rm{0}}}{P_{\rm{1}}}} P0P1 P 1 P 2 → \overrightarrow {{P_{\rm{1}}}{P_{\rm{2}}}} P1P2 的夹角 θ \theta θ的余弦值进行构造。

2.5 约束条件

2.5.1 位置约束

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶约束方程:
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶    保证点在boundingbox之内。

2.5.2 曲率约束

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
曲率约束首先有以下三个假设:
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
通过三个假设,构造出约束方程:
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
∆ s ∆s s是采样平均长度, c u r c s t r {cur_{cstr}} curcstr是最大曲率约束.

3. U型道路仿真演示

云平台地址——Apollo规划之U型路口仿真调试

启动DreamView

bash scripts/apollo_neo.sh bootstrap 

如图所示选好
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
曲率较大的U型弯
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
打开 jupyter notebook,绘制脚本在/modules/tools

 jupyter notebook

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
脚本代码

import json
import sys
import argparse
import sys
import numpy as np
import matplotlib.pyplot as plt
import math
 
from cyber.python.cyber_py3.record import RecordReader
from modules.common_msgs.planning_msgs import planning_pb2
  
class RefLineInfo():
    def __init__(self, x, y, s, theta, kappa, dkappa):
        self.x = x
        self.y = y
        self.s = s
        self.theta = theta
        self.kappa = kappa
        self.dkappa = dkappa
 
def trim_path_by_distance(adc_trajectory, s):
    path_coords = []
    path_points = adc_trajectory.trajectory_point
    for point in path_points:
        if point.path_point.s <= s:
            path_coords.append([point.path_point.x, point.path_point.y])
    return path_coords
 
def project(point, ref_line):
    start_point = ref_line[0]
    end_point = start_point
    for line_point in ref_line:
        if line_point.s - ref_line[0].s < 0.2:
            continue
        point_dir = [start_point.x - point.x, start_point.y - point.y]
        line_dir = [line_point.x - start_point.x, line_point.y - start_point.y]
        dot = point_dir[0] * line_dir[0] + point_dir[1] * line_dir[1]
        if dot > 0.0:
            start_point = line_point
            continue
        s = dot / math.sqrt(line_dir[0] * line_dir[0] + line_dir[1] * line_dir[1])
        return start_point.s - s
        
 
def align_reference_lines(ref_line1, ref_line2):
    if len(ref_line1) < 2 or len(ref_line2) < 2:
        return [0.0, 0.0]
    if ref_line1[-1].s < 0.5 or ref_line2[-1].s < 0.5:
        return [0.0, 0.0]
    
    s_ref_line1 = [ref_line1[0].x, ref_line1[0].y]
    cur_index = 1
    e_ref_line1 = [ref_line1[cur_index].x, ref_line1[cur_index].y]
    while ref_line1[cur_index].s < 0.5:
        cur_index = cur_index + 1
        e_ref_line1 = [ref_line1[cur_index].x, ref_line1[cur_index].y]
        
    start_point2 = ref_line2[0]
    line_dir = [e_ref_line1[0] - s_ref_line1[0], e_ref_line1[1] - s_ref_line1[1]]
    start_dir = [s_ref_line1[0] - start_point2.x, s_ref_line1[1] - start_point2.y]
    dot = line_dir[0] * start_dir[0] + line_dir[1] * start_dir[1]
    if dot > 0.0:
        return [0.0, project(ref_line1[0], ref_line2)]
    return [project(start_point2, ref_line1), 0.0]
    
    
def get_ref_line(record_path, ref_line_index=0):
    reader = RecordReader(record_path)
    current_ref_line_index = 0
    for msg in reader.read_messages():
        if msg.topic == "/apollo/planning":
            if current_ref_line_index != ref_line_index:
                current_ref_line_index = current_ref_line_index + 1
                continue
            adc_trajectory = planning_pb2.ADCTrajectory()
            adc_trajectory.ParseFromString(msg.message)
 
            for path in adc_trajectory.debug.planning_data.path:
                if path.name != 'planning_reference_line':
                    continue
                path_coords = trim_path_by_distance(adc_trajectory, 5.0)
 
                ref_line = []
                last_theta = path.path_point[0].theta
                for point in path.path_point:
                    if point.theta - last_theta > math.pi:
                        point.theta = point.theta - 2.0 * math.pi
                    elif last_theta - point.theta > math.pi:
                        point.theta = point.theta + 2.0 * math.pi
                    ref_line.append(RefLineInfo(point.x, point.y, point.s, point.theta, point.kappa, point.dkappa))
                return ref_line
            
def plot_ref_line(start_s, ref_line, use_dot):
    x = []
    y = []
    s = []
    theta = []
    kappa = []
    dkappa = []
    scale_factor = 10.0
    for point in ref_line:
        if point.s < start_s:
            continue
        x.append(point.x)
        y.append(point.y)
        s.append(point.s)
        theta.append(point.theta)
        kappa.append(point.kappa * scale_factor)
        dkappa.append(point.dkappa * scale_factor)
    if use_dot:
        plt.plot(s, theta, 'b--', alpha=0.5, label='theta')
        plt.plot(s, kappa, 'r--', alpha=0.5, label='kappa')
        plt.plot(s, dkappa, 'g--', alpha=0.5, label='dkappa')
    else:
        plt.plot(s, theta, 'b', alpha=0.5, label='theta')
        plt.plot(s, kappa, 'r', alpha=0.5, label='kappa')
        plt.plot(s, dkappa, 'g', alpha=0.5, label='dkappa')
                    
def plot_ref_path(record_file1, record_file2):
    ref_line1 = get_ref_line(record_file1)
    ref_line2 = get_ref_line(record_file2)
    [s1, s2] = align_reference_lines(ref_line1, ref_line2)
    plot_ref_line(s1, ref_line1, True)
    plot_ref_line(s2, ref_line2, False)
    
        
record_file1 = './20221221113737.record.00000'
record_file2 = './20221221120201.record.00000'
 
plot_ref_path(record_file1, record_file2)
      
plt.legend()
plt.show()

cyber_recorder record -a记录数据

cyber_recorder record -a

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
我们所需要记录并绘制的数据Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶将记录好的数据移动到./modules/tools/
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
/apollo/modules/planning/conf/planning.conf 下查看所用的是哪个平滑算法

vim /apollo/modules/planning/conf/planning.conf 

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
进入平滑算法的配置文件

vim /apollo/modules/planning/conf/discrete_points_smoother_config.pb.txt 

Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
修改参数,并重启DreamView,防止数据残留。

 bash scripts/bootstrap_neo.sh restart

按照之前的步骤得到第二份数据。
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶


max_lateral_boundary_bound : 0.2 其他不变
虚线为未更改的参考线数据,实现为更改后的参考线数据

可以看到,调整横向的参数对整体平滑具有较大的影响。

按照之前的步骤得到第三份数据。
Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例),Apollo,自动驾驶规划,算法,学习,自动驾驶文章来源地址https://www.toymoban.com/news/detail-661374.html

longitudinal_boundary_bound : 1.0 其他不变
虚线为未更改的参考线数据,实现为更改后的参考线数据

可以看到,调整纵向的参数对于参考线的平滑影响不大。

到了这里,关于Apollo星火计划学习笔记——参考线平滑算法解析及实现(以U型弯道场景仿真调试为例)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【AI大模型】“讯飞星火”认知大模型正式发布 计划10月底赶超ChatGPT

    ✍创作者:全栈弄潮儿 🏡 个人主页: 全栈弄潮儿的个人主页 🏙️ 个人社区,欢迎你的加入:全栈弄潮儿的个人社区 📙 专栏地址:AI大模型 5月6日,讯飞星火认知大模型成果发布会在安徽合肥举行。科大讯飞董事长刘庆峰、研究院院长刘聪发布讯飞星火认知大模型,现场

    2024年02月04日
    浏览(41)
  • 【Apollo学习笔记】—— 相机仿真

    本文是对Cyber RT的学习记录,文章可能存在不严谨、不完善、有缺漏的部分,还请大家多多指出。这一章的内容还是比较简单的,直接上代码与结果。 课程地址 : https://apollo.baidu.com/community/course/outline/329?activeId=10200 更多还请参考 : [1] Apollo星火计划学习笔记——第三讲(Apollo

    2024年02月13日
    浏览(30)
  • 【Apollo学习笔记】—— Routing模块

    Apollo的routing模块读取高精地图原始信息,用于根据输入 RoutingRequest 信息在 base_map 中选取匹配最近的点作为导航轨迹的起点和终点,读取依据 base_map 生成的 routing_map 作为 topo_graph ,然后通过Astar算法在拓扑图中搜索连接起始点的最优路径 RoutingResponse ,作为输出发送出去。

    2024年02月15日
    浏览(38)
  • 自动驾驶学习笔记(二)——Apollo入门

    #Apollo开发者# 学习课程的传送门如下,当您也准备学习自动驾驶时,可以和我一同前往: 《自动驾驶新人之旅》免费课程— 传送门 《2023星火培训【感知专项营】》免费课程—传送门 前言 Ubuntu Linux文件系统 Linux指令 云实验一 云实验二 总结         见《自动驾驶学习笔

    2024年02月07日
    浏览(45)
  • 【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER

    1.【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER 2.【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER 3.【Apollo学习笔记】——规划模块TASK之PATH_BORROW_DECIDER 4.【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER 5.【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMI

    2024年02月11日
    浏览(46)
  • 【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER

    1.【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER 2.【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER 3.【Apollo学习笔记】——规划模块TASK之PATH_BORROW_DECIDER 4.【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER 5.【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMI

    2024年02月12日
    浏览(37)
  • 【Apollo学习笔记】——规划模块TASK之PATH_ASSESSMENT_DECIDER

    1.【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER 2.【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER 3.【Apollo学习笔记】——规划模块TASK之PATH_BORROW_DECIDER 4.【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER 5.【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMI

    2024年02月11日
    浏览(42)
  • 【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMIZER

    1.【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER 2.【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER 3.【Apollo学习笔记】——规划模块TASK之PATH_BORROW_DECIDER 4.【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER 5.【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMI

    2024年02月10日
    浏览(53)
  • 【Apollo学习笔记】——规划模块TASK之RULE_BASED_STOP_DECIDER

    1.【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER 2.【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER 3.【Apollo学习笔记】——规划模块TASK之PATH_BORROW_DECIDER 4.【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER 5.【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMI

    2024年02月10日
    浏览(43)
  • 【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_NONLINEAR_SPEED_OPTIMIZER(二)

    1.【Apollo学习笔记】——规划模块TASK之LANE_CHANGE_DECIDER 2.【Apollo学习笔记】——规划模块TASK之PATH_REUSE_DECIDER 3.【Apollo学习笔记】——规划模块TASK之PATH_BORROW_DECIDER 4.【Apollo学习笔记】——规划模块TASK之PATH_BOUNDS_DECIDER 5.【Apollo学习笔记】——规划模块TASK之PIECEWISE_JERK_PATH_OPTIMI

    2024年02月09日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包