自動駕駛運動規劃-Hybird A×算法

2021-01-15 騰訊網

Hybird A*算法保證生成的路徑是車輛可實際行駛的,但它仍然包含很多不必要的車輛轉向操作,我們可以對其進行進一步的平滑和優化。

Objective Function

對於Hybird A*生成的車輛軌跡序列:

,論文【1】中提出如下的目標優化函數(Objective Function):

該優化函數是Voronoi Term、Obstacle Term、Curvature Term和Smoothness Term四個部分的加權平均:第一個部分引導車輛儘可能的避開障礙物區域;第二個部分懲罰車輛與障礙物的碰撞行為;第三部分約束規劃的每個點的最大曲率,並提供車輛非完整約束的保證;第四個部分是軌跡的平滑性約束。

分別是這四個部分的權重因子。

1、Voronoi Term

Voronoi Term中引入了Voronoi Field的概念,Voronoi Field是機器人Motion Planning領域兩種經典算法Voronoi Diagram和Potential Field的結合。

此處採用Voronoi Field的定義如下:

其中

分別是路徑點(x,y)到最近障礙物的距離和到最近Voronoi Diagram的邊的距離。越靠近障礙物,

的值越大,越接近1;越靠近Voronoi Edge,

的值越接近0。

上圖圖左一為Voronoi Field的實際效果,上圖右一是標準Potential Field的實際效果。可以看到,Voronoi Field對狹窄通道的效果要明顯優於Potential Field。

實際停車場的Voronoi Field和Junior的規劃路徑2、Obstacle Term

Obstacle Term中

是路徑點坐標位置,

是附近障礙物的位置,

是決定Obstacle Term是否影響路徑Cost的閾值。當路徑點距離障礙物的距離小於

時,Obstacle Term才會對軌跡的Cost進行懲罰。距離障礙物越近,

的值越小,Obstacle Term的值就越大,整個軌跡的Cost也就越大。這樣就達到了使得平滑後的路徑遠離障礙物的效果。

這裡

一般使用二次函數。即:

3、Curvature Term

對於一系列的點

,即為規劃路徑的方向向量;

為路徑點的方向角變化。

處的曲率。與Obstacle Term類似,Curvature Term也設置了一個最大允許的路徑曲率

,當曲率大於

時,Curvature Term才會對路徑的Cost施加懲罰。

4、Smoothness Term

平滑項利用當前點前後兩個方向向量的差值來衡量,方向向量既可以衡量方向的改變,也可以體現軌跡點的分布變換。

5、非線性優化

確定Objective Function函數之後,就可以利用Conjugate Gradient(CG,共軛梯度法)或者Gradient Descent求解最優路徑。

Path Planning inUnstructured Environments【2】中採用了如下的梯度下降算法:

代碼參見:

https://github.com/teddyluo/hybrid-a-star-annotation/blob/master/src/smoother.cpp

平滑後的路徑如下:

Hybrid-A*(紅色路徑) VS CG path(藍色路徑)

Non-Parametric Interpolation

對路徑進行非線性優化後,我們得到一條比Hybird A*算法路線更加平滑的路徑,但是這條路徑仍然由一段段的折線組成。在論文【1】中提到在它們的實現中組成路徑的折線大約在0.5m-1m,這些折線仍然會導致車輛會出現非常生硬的轉向,所以需要使用插值算法進一步平滑路徑。

參數化的插值算法對噪聲非常敏感,比如當路徑中兩個頂點非常接近時,三次樣條曲線(Cubic Spline)算法的輸出就會產生非常大的震蕩。

【1】中提出通過固定原始路徑頂點,然後在固定頂點之間插入新的頂點,最後使用Conjugate Gradient(CG,共軛梯度法)最小化曲率的非參數插值(Non-Parametric Interpolation)方法對曲線進一步平滑,平滑效果如下:

參考資料

1、Practical Search Techniques in Path Planning for Autonomous Driving。Dmitri Dolgov,Sebastian Thrun,Michael Montemerlo,James Diebel.

2、Path Planning in Unstructured Environments, A Real-time Hybrid A* Implementation for Fast and Deterministic Path Generation for the KTH Research Concept Vehicle.

相關焦點

  • 美團技術解析:自動駕駛中的決策規划算法概述
    下文對自動駕駛領域目前常見的幾類運動規划算法分別進行介紹,在實際中,往往是其中幾類思想的結合才能最終達到比較好的規劃結果,並滿足更多的不同場景。 1.在運動規劃問題中,基於採樣的基本算法包括概率路線圖(PRM)和快速搜索隨機樹(RRT)算法。
  • 自動駕駛環運動規劃的相關術語和定義
    在上期我們分享了什麼是自動駕駛實時規劃(什麼是自動駕駛實時運動規劃)之後,我們將繼續分享自動駕駛實時規劃裡面的定義和術語,畢竟任何一個行業都會衍生出一定的定義和術語,只有理解這些定義和術語才能夠去理解這些意義和內容。本節描述了機器人規劃領域文獻中常用的關鍵概念術語,因此也介紹了自動駕駛車輛。
  • PNNL研發出全新機器學習算法 可幫助自動駕駛汽車規劃路線
    蓋世汽車訊 據外媒報導,美國能源部太平洋西北國家實驗室(PNNL)開發出一種全新的機器學習算法,名叫TranSEC(transportation state estimation capability,即交通狀況估算能力),有望幫助城市交通工程師獲取城市交通模式的可操作信息(actionable
  • 當前自動駕駛方法的-限制和極限
    然而,當前自動駕駛仍然存在局限性,自動駕駛還沒有達到人類駕駛能力的水平。本將分享當前自動駕駛方法的限制和極限。障礙物處理在處理障礙物方面,現有方法主要依賴於預測其他交通參與者的軌跡,或者考慮他們的軌跡,或者假設恆定速度或恆定加速度(Kushleyev和Likhachev,2009)。這導致了一個巨大的計算能力的需求,因為障礙物的軌跡需要在每一時刻被計算和檢查。
  • 自動駕駛傳感器種類及布置方案
    自動駕駛汽車是一個集環境感知、規劃決策、運動控制、多級輔助駕駛等功能於一體的綜合系統,它集中運用了計算機、現代傳感、信息融合、V2X通訊、人工智慧及自動控制等技術,自動駕駛的關鍵技術依次可以分為環境感知、行為決策、路徑規劃和運動控制四大部分。而自動駕駛關鍵的環境感知用來採集周圍環境的基本信息,也是自動駕駛的基礎。
  • 自動駕駛技術讓機器的道德困境提前到來 算法要如何在生命與財產...
    不過,伴隨著阿里百度等企業的入局,自動駕駛技術作為出行風口,由於可以在弱人工智慧下,依託於複雜的傳感器陣列和完善的電腦算法而實現,已經離我們越來越近。相對的,我們為人工智慧所設想的機器人道德倫理難題,也必然將在自動駕駛技術的落地之後,被更早地提到人們的面前。
  • 一種快速運動規劃晶片,讓無人車決策速度提升三個數量級
    Realtime Robotics的運動規劃晶片可幫助自動駕駛汽車做出更好的決策。,而另一方面,運動規划算法的計算速度也在影響著車輛是否能夠及時作出安全的路線規劃。是否能夠提高運動規劃系統的速度?自DARPA挑戰賽以來,自動駕駛的規划算法大量湧現,但目前還沒有一種算法能夠覆蓋所有的場景,在面對高速場景,低速場景,自動泊車場景,複雜動態的非結構化道路場景,交通參與者密集場景等場景時,大多數自動駕駛系統會根據其模型最可能的場景來規劃運動,以確定周圍物體的作用。
  • 幾種常見的車輛路徑規划算法
    根據車輛導航系統的研究歷程 , 車輛路徑規划算法可分為靜態路徑規划算法和動態路徑算法。靜態路徑規劃是以物理地理信息和交通規則等條件為約束來尋求最短路徑,靜態路徑規划算法已日趨成熟 , 相對比較簡單 , 但對於實際的交通狀況來說 , 其應用意義不大。
  • 沒有這些「硬核」,自動駕駛只能是空中樓閣
    如果沒有喬丹、皮蓬、羅德曼,公牛王朝將不會被締造;如果沒有4G,短視頻發展之路還將漫長;而對如今汽車科技的網紅-自動駕駛來說,如果沒有環境感知、行為決策、運動控制這三項硬核共性技術,自動駕駛也將是鏡中月水中花,只能停留在人們的想像裡。
  • 給卡車穿上「隱身衣」,讓自動駕駛車輛撞上它!這場自動駕駛比賽,比...
    這是競賽題目Mad Race的規則:要求參賽隊伍實現自動駕駛的路線規劃和控制算法,跟其他隊伍同場競技,最快完成比賽者得最高分。不過,獲勝團隊最後沒有選擇加入攻擊算法,而是集中全力提升了自己的路線規劃和控制算法,這也使得他們與第二名快速拉開了差距。獲勝團隊表示,如果車輛優化得夠好,攻擊算法就追不上它,其實也能成為一種取勝策略。一張「貼紙」,讓卡車消失除此之外,自動駕駛算法的避障也是一個重要的技術。
  • 騰訊自動駕駛總經理蘇奎峰:軟體與服務是騰訊自動駕駛業務的核心...
    騰訊自動駕駛總經理蘇奎峰詳解了騰訊的自動駕駛規劃、進展與願景,雷鋒網·新智駕對其演講進行了不改變原意的編輯,以下為全文:各位領導,各位嘉賓,上午好。在這個產業階段,技術逐步迭代成熟,產業逐步發展延續,我們應該看到技術和現實需求的差距。很多量產車上,腳的問題已經解決了,為了釋放雙手,正在解決 L2.5 和 L3 的落地問題。
  • 權威發布:中國人工智慧學會自動駕駛入門秘籍
    軌跡規劃是智能汽車自主駕駛行為必須涉及到的一項研究,運動軌跡規劃是在靜態路徑規劃的基礎上考慮時間因素和車輛的運動學、動力學約束條件,並根據車輛當前的位姿以及傳感器收集到周圍環境的狀態信息,考慮智能汽車的內在約束條件( 如非完整約束) 和車輛的運動學、動力學約束條件對軌跡生成的影響,規劃出可行的參考軌跡。
  • 自動駕駛新驅動力:點雲算法如何釋放雷射雷達威力?
    雷射雷達是自動駕駛不可或缺的傳感器下圖是無人駕駛的偏算法層的系統框架。從左邊看,這是一個傳感器的輸入,如雷射雷達、攝像頭、毫米波、GPS、編碼器和 IMU。這些傳感器的數據輸入到系統的感知算法裡,對於這個感知算法,我們會將這些數據進行處理分析,如何將靜態的物體分離出來,並如何識別、分類與跟蹤動態物體。
  • 2020,全球自動駕駛汽車硬體和軟體最新技術總結
    本報告覆蓋了自動駕駛汽車所需要的感知、定圖與定位、傳感器融合、機器學習方法、數據收集與處理、路徑規劃、自動駕駛架構、乘客體驗、自動駕駛車輛與外界交互、自動駕駛對汽車部件的挑戰(如功耗、尺寸、重量等)、通訊與連接(車路協同、雲端管理平臺)等技術領域的討論,並且提供相應的各自動駕駛公司的實施案例。
  • 業界| 從集成方法到神經網絡:自動駕駛技術中的機器學習算法有哪些?
    作者:Savaram Ravindra等參與:Lj Linjing、蔣思源機器學習算法可以融合來自車體內外不同傳感器的數據,從而評估駕駛員狀況或者對駕駛場景進行分類。本文將粗略講解一下各類用於自動駕駛技術的算法。如今,機器學習算法正大規模地用於解決自動駕駛汽車產業日益增多的問題。
  • 中科院深圳先進院國內首創自動駕駛整車在環測試系統 獲自動駕駛...
    據了解,針對當前自動駕駛測試方法中的不足,團隊在開發測試的過程中並行自主研發了國內首個自動駕駛整車在環測試系統,用於精準模擬真實的駕駛環境及數據收集。目前該系統可完成一周累計測試裡程達100公裡的複雜場景測試,系統功能至少迭代一次。「自動駕駛整車在環測試系統由動力在環測試臺架和自動駕駛數據收集分析系統組成。
  • Apollo自動駕駛入門課程丨第⑦講—規劃(上)
    更多Apollo智能駕駛相關訊息,盡在【Apollo開發者社區】公眾號!上周我們發布了Apollo自動駕駛入門課程丨第⑥講—預測,簡要介紹了預測的主要方法以及遞歸神經網絡在預測中的應用。通過軌跡規劃,我們可以做出微妙的決策,以避開障礙物,並為乘客創造平穩的乘車體驗。在Apollo中,我們通過規劃模塊處理該任務。路線規劃的目標是,找到從地圖上的A前往B的最佳路徑。軌跡規劃的目標是找到避免碰撞和保持舒適度的可執行軌跡。路徑規劃使用三個輸入,第一個輸入為地圖,Apollo提供的地圖數據包括公路網和實時交通信息。第二個輸入為我們當前在地圖上的位置。
  • 自動駕駛地圖與定位技術產業
    一方面,高精地圖是為自動駕駛汽車規劃道路行徑的重要基礎,能夠為車輛提供定位、決策、交通動態信息等依據。另一方面,在自動駕駛汽車傳感器出現故障或者周圍環境較為惡劣時,高精地圖也能確保車輛的基本行駛安全。如今,政府、行業協會、高校、圖商、車企等各方均認識到高精地圖和高精定位對於自動駕駛的好處。
  • 自動駕駛視覺系統:不僅可以」看「,還能預測「未來」
    對於自動駕駛的視覺系統而言,「看」到路人是一個基礎工作,更重要的是,能否能像人類一樣,判斷出路人下一個動作將是什麼。來自密西根大學的團隊,便研究了一種改進算法,讓自動駕駛視覺系統能夠對路人的行為進行預測。
  • 權威發布:中國人工智慧學會自動駕駛入門秘籍|雷報025期
    「感知」和「決策規劃」對應於自動駕駛系統的「智慧」;而「車輛控制」則體現了其「能力」。汽車智能駕駛技術分級美國高速公路安全管理局(NHTSA)將汽車智能化水平分成五個等級:無自主控制;輔助駕駛;部分自動駕駛;有條件自動駕駛;高度自動駕駛。