自动驾驶学习笔记(八)——路线规划

#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

《Apollo Beta宣讲和线下沙龙》免费报名--->传送门

文章目录

前言

路线规划

路由元素

路径搜索

最优计算

实例

Tips

总结


前言

见《自动驾驶学习笔记(一)------Apollo平台

见《自动驾驶学习笔记(二)------Apollo入门

见《自动驾驶学习笔记(三)------场景设计

见《自动驾驶学习笔记(四)------变道绕行仿真

见《自动驾驶学习笔记(五)------绕行距离调试

见《自动驾驶学习笔记(六)------Apollo安装

见《自动驾驶学习笔记(七)------感知融合

路线规划

路线规划的目标是利用地图数据和实时交通信息,找到从A到B的最佳路线。

路由元素

为了便于开发查找路径的算法,首先需要将地图转化为由节点和边缘组成的数据结构,节点代表路段,边缘代表路段之间的连接,如下图所示:

路径搜索

如下图所示,搜索从A到B的路径

第一步,查找A相邻的节点,有8个候选节点1~8

第二步,查找1~8相邻的节点,有13个候选节点a~m。

这时就出现了21条候选路径:

A->1->d

A->1->e

A->1->f

A->2->b

A->2->c

A->2->d

A->3->a

A->3->b

A->3->c

A->5->k

A->5->l

A->5->m

A->6->j

A->6->k

A->6->i

A->7->h

A->7->i

A->7->j

A->8->f

A->8->g

A->8->h

第三步,在上述21条候选路径的相邻节点上继续搜索新的候选节点,进而产生新的候选路径。

重复上述搜索过程,直至节点B在候选路径中出现为止。

最优计算

上述路径搜索算法,如果A至B的距离变远,或者地图的粒度变细,那么需要消耗的算力将是指数级增加的,所以就需要引入最优排序,在每一个步骤都剔除掉一些相对较差的候选路径。这里先从路径长度这一个角度来评价候选路径,每个步骤中的候选路径长度f,都有已有距离长度g和剩余距离长度h两部分组成,如下图所示:
第一步的路径长度值

第二步的路径长度值

实例

如下图所示,车辆在一个高速公路的出口,搜索到左转、直行和右转三个候选路径,分别对应不同的g值和h值,两者相加计算得到最优的路径为右转路线。

Tips

在路线规划的实际应用中,不管是路径搜索,还是最优计算,除了要考虑上述的地图数据和距离长度之外,通常还要考虑有没有市政封路、交通事故、堵车缓行、路面质量、红绿灯多少、加油充电站、停车场出入口、路桥费多少等等因素,是一个比较复杂的工程问题。

总结

以上就是本人在学习自动驾驶时,对所学课程的一些梳理和总结。后续还会分享另更多自动驾驶相关知识,欢迎评论区留言、点赞、收藏和关注,这些鼓励和支持都将成文本人持续分享的动力。

另外,如果有同在小伙伴,也正在学习或打算学习自动驾驶时,可以和我一同抱团学习,交流技术。


版权声明,原创文章,转载和引用请注明出处和链接,侵权必究!

文中部分图片来源自网络,若有侵权,联系立删。

相关推荐
数字芯片实验室12 天前
特斯拉HW5要上3nm工艺,自动驾驶芯片的军备竞赛
人工智能·机器学习·自动驾驶
小虎卫远程打卡app12 天前
自动驾驶避障思考
人工智能·chatgpt·自动驾驶
点云SLAM12 天前
PyTorch 中torch.clamp函数使用详解和实战示例
人工智能·pytorch·python·自动驾驶·slam·3d深度学习·张量操作
aixingkong92112 天前
需求初步探讨-从OR-AR
服务器·嵌入式硬件·自动驾驶·硬件工程
地平线开发者13 天前
地平线高效 backbone: HENet - V1.0
算法·自动驾驶
Fanmeang17 天前
IP路由基础
网络·网络协议·华为·路由·静态路由·路由表·动态路由
摘取一颗天上星️17 天前
自动驾驶技术路线之争:视觉派、激光雷达派与融合派,谁将引领未来?
人工智能·机器学习·自动驾驶
一点.点17 天前
MPDrive:利用基于标记的提示学习提高自动驾驶的空间理解能力
人工智能·自动驾驶
vlln19 天前
【论文解读】AgentThink:让VLM在自动驾驶中学会思考与使用工具
人工智能·机器学习·自动驾驶
数据堂官方账号19 天前
七大技术路线解析:自动驾驶如何被数据重新定义
人工智能·机器学习·自动驾驶