Baidu Apollo EM Planner

门开了她来了

于 2023-09-04 00:00:00 发布

阅读量266

点赞数

CC 4.0 BY-SA版权

分类专栏： # 规划决策算法篇文章标签：百度人工智能自动驾驶

本文链接：https://blog.csdn.net/2301_78837294/article/details/132284692

规划决策算法篇专栏收录该内容

6 篇文章 ¥399.90 ¥499.90

订阅专栏

本文介绍了基于百度Apollo平台的实时运动规划系统，该系统采用EM型迭代算法，旨在解决自动驾驶的安全性、舒适性和可扩展性。系统采用多车道策略处理变道场景，路径速度迭代算法优化路径和速度，结合交通规则和决策，确保安全行驶。通过实例研究展示了规划器如何在复杂环境中生成平滑轨迹，且算法已在实际车辆上进行了大量测试验证其效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Haoyang Fan1,†, Fan Zhu2,†, Changchun Liu, Liangliang Zhang, Li Zhuang, Dong Li, Weicheng Zhu, Jiangtao Hu, Hongye Li, Qi Kong3,∗

摘要-在这篇稿件中，我们介绍了一个基于百度Apollo（开源）自动驾驶平台的实时运动规划系统。所开发的系统旨在解决工业4级运动规划问题，同时兼顾安全性、舒适性和可扩展性。该系统以分层的方式涵盖了多车道和单车道自动驾驶：（1）系统的顶层是一个多车道策略，通过比较并行计算的车道水平轨迹来处理变道场景。（2）在车道级轨迹生成器内，基于Frenet框架迭代求解路径和速度优化。（3）针对路径和速度优化问题，将动态规划和基于样条的二次规划相结合，构造了一个可扩展、易于调整的框架，同时处理交通规则、障碍物决策和平滑性。该规划器可扩展到高速公路和低速城市驾驶场景。我们还通过场景说明和道路测试结果对算法进行了验证。

自2017年9月发布Apollo v1.5以来，本文描述的系统已部署到数十辆百度 Apollo 自动驾驶汽车上。截至2018年5月16日，该系统已在各种城市场景下进行了3,380小时和约68,000公里（42,253英里）的闭环自动驾驶测试。

本手稿中描述的算法可在https://github.com/ApolloAuto/apollp/tree/master/modules/planning中获得。