【自动驾驶】运动规划丨论文分享丨Baidu Apollo EM Motion Planner

summer

分类：建模仿真

发布时间 2022.01.22阅读数 4404 评论数 0

ãèªå¨é©¾é©¶ãè¿å¨è§åä¸¨è®ºæåäº«ä¸¨Baidu Apollo EM Motion Planner

I. INTRODUCTION

图1中高清地图模块每个在线模块都可以访问，感知和定位模块提供了必要的动态环境信息，在预测模块中进一步利用这些信息预测未来的环境状态。运动规划模块考虑所有信息，生成安全、平滑的轨迹，并输入车辆控制模块。

Apollo Realtime Module Pipeline

Fig. 1: On board modules of the Apollo open source autonomous driving platform

在运动规划中，安全总是最重要的。我们认为自动驾驶的安全性主要体现在以下几个方面:交通规则、里程覆盖、周期效率和应急安全。所有这些方面都至关重要。交通规则是政府为了公共交通安全而制定的，这些规则也适用于自动驾驶车辆。自动驾驶车辆应始终遵守交通规则。在覆盖范围内，我们的目标提供至少具有8s或200m的运动规划轨迹。这样做的原因是为了自动驾驶车辆能留下足够的空间来保证安全驾驶。运动规划算法的执行时间也很重要。在紧急情况下，系统可以在100毫秒内做出反应，而普通人的反应时间为300毫秒。安全应急模块是保护乘客安全的最后一道防护。对于L4级的运动规划，一旦上游模块不能正常运行，运动规划器内的安全模块将立即响应紧急行为并发送警告提醒驾驶员。此外，自主驾驶系统还应具备低层控制模块的应急反应能力。进一步的安全设计超出了本文范围。

除了安全之外，乘客的乘车体验也很重要。驾驶体验的测量包括但不限于场景覆盖、交通规则和舒适度。对于场景覆盖，运动规划不仅应该能够处理简单的驾驶场景(例如，停车，跟车、和超车)，还应该处理多车道驾驶、交通拥挤和其他复杂的道路驾驶场景。在交通规则范围内进行规划对驾驶体验也很重要。遵守交通规则除了是一项安全要求外，对于自动驾驶来说，遵守交通规则还可以将事故风险降到最低，减少应急反应。在运动规划中，舒适性通常是通过所提供的自主驾驶轨迹的平滑度来衡量的。本文提出了Apollo EM Motion Planner，这是基于一个EM型迭代算法。本计划的目标是安全和乘车体验采用多车道、路径速度迭代、交通规则和决策的组合设计。

II. EM PLANNER FRAMEWORK WITH MULTILANE STRATEGY

III. EM PLANNER AT LANE LEVEL

图3为车道级别的速度EM算法。在一个规划周期中包括两个E-step和两个M-step。

在第一个E-step中，将障碍物投影Lane Frenet上。该投影包括静态障碍物投影和动态障碍物投影。静态障碍物将直接基于笛卡尔-Frenet坐标系变换进行投影。在Apollo 架构中，动态障碍物的意图是通过障碍物运动轨迹来描述的。考虑到上一个周期规划轨迹，评估动态障碍物和本车在每个时间点的位置。然后，将动态障碍物与本车在每个时间点的重叠映射到Frenet坐标系中。此外，路径优化过程中出现的动态障碍最终会导致轻推。因此，出于安全考虑，动态障碍物的SL投影只考虑低速的障碍物。对于高速的障碍物，EM Planner的平行变道策略将涵盖这种情况。在第二步的E-step中，基于生成的路径曲线，对高速、低速的障碍物进行评估。如果障碍物轨迹与规划路径有重叠，则生成相应占位区域。

采用动态规划和二次规划相结合的方法，在两个E-step内生成路径和速度曲线。虽然我们在SL和ST上投影障碍物，但最优路径和速度的解仍然是非凸空间问题。因此，我们使用动态规划首先得到一个粗糙解;同时，该解决方案还可以提供跟随、避让和超车等决策。

A. SL and ST Mapping (E-step)

SL投影是基于G2(连续曲率导数)光滑参考线。在笛卡尔空间中，障碍物和本车的状态用位置和航向来描述(x;y), 航向角以及曲率和曲率的导数。然后，这些被映射到Frenet坐标系的坐标[s,l,dl,ddl,dddl]，分别代表位置、横向偏移和对应的导数。由于静态障碍物的位置是不变的，因此映射是直接向运动轨迹趋势方向的。对于动态障碍物，我们利用本车的最后一个周期轨迹来绘制障碍物。将上一周期的运动轨迹投影到Frenet坐标上，提取出方向速度，并估计本车在特定时间与动态障碍物的关系。一旦本车的坐标与障碍物轨迹点同时存在交集，SL空间上的阴影区域将被标记为与动态障碍物的碰撞区域。这里，交集被定义为本车与障碍物边界的重叠。

例如，如图4所示，用红色标记预测模块估计的迎面而来的动态障碍物及其轨迹，本车是用蓝色标记的。首先将迎面运动障碍的轨迹离散为几个随时间变化的轨迹点，然后将这些轨迹点投影到Frenet坐标系中。一旦我们发现本车的坐标与投射的障碍物点有交集，重叠区域(图中紫色部分)将会在Frenet坐标系中被标记出来，ST投影帮助我们评估本车的速度曲线。当路径优化模块在Frenet坐标系中生成一个平滑的路径曲线后，如果有任何交集，静态障碍物和动态障碍物轨迹都会被投影到路径上。

Fig. 4: SL projection with oncoming traffic example

在图5中，前方2秒40米处有一个障碍物切入ego driving path，用红色标记，后面有一个障碍物用绿色标记，剩余区域为速度可行区域。速度优化M-step试图在该区域找到可行的最优解。

Fig. 5: ST projection with cut-in obstacle and obstacle behind ego car

B. M-Step DP Path

M-step路径优化模块优化了Frenet坐标中的路径配置文件，这表示为在非凸SL空间中寻找横向坐标l= f(s) 的一个最优函数解(例如，nudging from left and right可能是两个局部最优解)。因此，路径优化模块包含2个步骤：基于动态规划的路径决策和基于样条曲线的路径规划。动态规划路径步骤给出了一个粗糙的路径轮廓线，并给出了可行的路径。

如图6所示，该步骤包括Lattice采样器、Cost代价函数和DP动态规划搜索算法。该Lattice采样器是基于Frenet坐标的。

如图7所示，首先在本车前面采样多行点，不同行之间的点由五次多项式边平滑连接。点行之间的间隔距离取决于速度、道路结构、变道等。根据应用程序的场景定制采样策略。例如，变道可能需要比当前车道驾驶更长的采样间隔。此外，lattice将覆盖至少8秒或200米的安全因素。在构造lattice之后，每条图的边都由代价泛函的总和来计算。我们使用来自SL投影、交通规则和车辆动力学的信息来构造函数。总的代价函数是平滑性、避障性和车道代价函数的线性组合。