【自动驾驶】决策规划算法概述

写在前面：
🌟 欢迎光临 清流君 的博客小天地，这里是我分享技术与心得的温馨角落。📝
个人主页：清流君_CSDN博客，期待与您一同探索 移动机器人 领域的无限可能。

🔍 本文系 清流君 原创之作，荣幸在CSDN首发🐒
若您觉得内容有价值，还请评论告知一声，以便更多人受益。
转载请注明出处，尊重原创，从我做起。

👍 点赞、评论、收藏，三连走一波，让我们一起养成好习惯😜
在这里，您将收获的不只是技术干货，还有思维的火花！

📚 系列专栏：【决策规划】系列，带您深入浅出，领略控制之美。🖊
愿我的分享能为您带来启迪，如有不足，敬请指正，让我们共同学习，交流进步！

🎭 人生如戏，我们并非能选择舞台和剧本，但我们可以选择如何演绎 🌟
感谢您的支持与关注，让我们一起在知识的海洋中砥砺前行~~~

引言

  各位小伙伴们大家好，本篇博客开一个新的系列，自动驾驶决策规划算法。内容整理自 B站知名up主 忠厚老实的老王 的视频，作为博主的学习笔记，分享给大家共同学习。

  本篇博客是第一节序章，也就是整个教程的开篇，介绍决策规划的地位以及作用。

一、自动驾驶级别划分

  首先讲一下自动驾驶的六个级别，从 $L0$ 到 $L5$：

  这就是自动驾驶从 $L0$ 到 $L5$ 六个级别的区分。

1、级别划分依据

有两个区分等级的关键因素：

• 车辆可实现的功能
• 驾驶员所负的责任

  从 $L0$ 到 $L2$ 主要是功能区分，从 $L3$ 到 $L5$ 主要是责任区分，区别不在于有什么花里胡哨的功能，而是在于责任划分。

  不同公司的 $L2$ 和 $L2$ 之间差距巨大，只要厂家宣称驾驶员需要负全责，那即使在功能上做到和 $L4$ 一样的功能，但只要说驾驶员需要负全责，本质上还是 $L2$，而 $L2$ 本身是比较宽泛的概念。

  比如车辆只有 定速巡航 + 车道保持，就是非常简单的可以横纵向联合控制的称为 $L2$。

  车辆具有 $L5$ 级别的功能，但厂家宣称驾驶员必须负全责，即在自动驾驶过程中必须要盯着，准备随时接管，那么车也属于 $L2$。

  从简单的 $L2$ 进化成什么都能做的 $L2$，其重要模块就是决策规划算法。

   有人可能会觉得决策规划的算法难道不是 $L4$ 应该做的事情嘛？为什么是 $L2$ 的模块？上面也说了，$L4$ 和 $L2$ 就是有功能上的区别，但最重要的区别还是在于责任。$L4$ 在大多数情况下都是车负责，驾驶员不需要接管， 而 $L2$ 是一切情况都要人接管。

2、核心模块作用类比

  功能越往上做越丰富、越复杂，决策规划的算法也就越重要，并且也越难。

  在 $L4$ 中，决策规划模块是整个模块中最重要的，也是最复杂、最难做的模块，难做到要把整个模块一分为三，还要加上地图模块，每个每块单独处理，才能勉强完成大脑的工作。

二、决策规划算法模块三大构成

  整个决策规划算法模块一分为三。

1、导航规划模块

  导航规划算法计算整体上从 $A$ 到 $B$ 的最优路径，和机器人导航、手机导航的算法基本一致，长度在几公里到几百公里不等，该算法是整个规划模块中最成熟的算法。

  特点：导航算法给出粗略的、大范围的路径，但路径不考虑如何避障，也不考虑车辆动力学约束，所以规划出来的路径是不规则的折线，导航算法一般只需执行一次，只有遇到大范围的拥堵、施工、偏航情况才会再次执行。

2、行为规划模块

  行为规划算法又叫决策算法，决定车辆行驶意图。对于静态障碍物，往左绕还是往右绕？对于动态障碍物是减速避让还是加速超车，决策算法决定了车辆的行驶意图，是整个规划算法中最难做的部分。

  特点：给出车辆的行驶意图，指导车辆该避让还是该超车，该左转还是往右转，但决策并不给具体的运动建议，例如左转多少度或车辆加减速到多少。由于实际环境瞬息万变，所以决策算法需要有较高的执行频率，一般为 $10Hz$。

  决策算法也需要有一定的稳定性，不允许在周围环境比较稳定的情况下，出现“朝令夕改”的现象，即决策算法在环境稳定时不允许出现决策指令的剧烈波动。除非环境发生变化，否则决策算法不允许频繁改变结果，这样会导致控制效果变得非常差。

3、运动规划算法

  运动规划算法是根据决策给出的行为意图，在相关的时空中搜索或优化出一条具有详细路径速度信息，且满足各约束条件的轨迹，并将轨迹发给控制模块去跟踪，轨迹长度一般在几米到几十米不等。

  特点：运动规划生成的轨迹是整个决策规划模块最终的输出，具有详细的路径、速度信息，且执行频率与决策频率相同，都是 $10Hz$。

  运动规划也要有一定的稳定性，在环境不发生剧烈变动的情况下，运动规划的轨迹要基本一致。

三、目录与大纲

  本系列博客将详细讲解决策算法与运动规划算法，不讲导航算法，因为导航算法相对比较成熟。以 Apollo EM Planner 算法为例，本算法擅长处理复杂环境下的决策规划问题，也是 Apollo 默认的决策规划算法。

  注意： EM Planner 是在Apollo $1.5$ 时加入，在 Apollo $6.0$ 时的 EM Panner 换了个名字叫 OnLine Planning。本系列博客所讲解的是最初 $1.5$ 版的 EM Planner，当然思想上是殊途同归的，建议各位学完后要看一下 6.0 的 OnLine Planning。和最初的 EM Planner 相比有些变化。

  下面介绍本系列博客大概的目录和大纲：

• 第一章是必要的数学基础。
• 第二章将详细解读 Apollo EM Planner 理论，到底是怎么解决决策规划问题的。
• 第三章将具体的实践，写 Apollo EM Planner 程序的仿真。
• 终章是决策规划算法的总结，具体讲 Apollo EM Planner 的优点和缺点，以及除了 EM Planner 之外的其他决策规划算法是怎么做的。

四、仿真环境

  目前代码环境是在 Windows 下做，软件采用 Prescan + Matlab + Carsim 三者联合。

  在熟悉 EM Planner 之后，再用 Linux 下的 C++ 写 EM Planner 代码。因为目前主流的规划算法是在 C++ 上写更好，不过对于初学还是先在 Windows 下做。

  本篇博客到此结束，下一节再见，欢迎关注！

参考资料

  自动驾驶决策规划算法序章 总纲与大致目录

后记：

🌟 感谢您耐心阅读这篇关于 自动驾驶决策规划算法概述 的技术博客。 📚

🎯 如果您觉得这篇博客对您有所帮助，请不要吝啬您的点赞和评论 📢

🌟您的支持是我继续创作的动力。同时，别忘了收藏本篇博客，以便日后随时查阅。🚀

🚗 让我们一起期待更多的技术分享，共同探索移动机器人的无限可能！💡

🎭感谢您的支持与关注，让我们一起在知识的海洋中砥砺前行 🚀