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
达柳斯·绍达华·宁1 小时前
自动驾驶04:点云预处理03
人工智能·机器学习·自动驾驶
地平线开发者1 天前
【征程 6】工具链 VP 示例为什么能运行
算法·自动驾驶
寻丶幽风1 天前
论文阅读笔记——ReconDreamer
论文阅读·笔记·自动驾驶·3dgs·世界模型·闭环仿真
GIS数据转换器2 天前
在机器人和无人机时代,测绘人的出路在哪里?
大数据·人工智能·信息可视化·机器人·自动驾驶·汽车·无人机
地平线开发者4 天前
精度调优|conv+depth2space 替换 resize 指导
算法·自动驾驶
智能汽车人4 天前
自动驾驶---打造自动驾驶系统之参考线平滑(四)
人工智能·自动驾驶·汽车
机械心6 天前
自动驾驶VLA模型技术解析与模型设计
人工智能·机器学习·自动驾驶·vla·端到端自动驾驶
赛卡6 天前
“自动驾驶背后的数学” 专栏导读
人工智能·pytorch·python·学习·机器学习·自动驾驶·numpy
达柳斯·绍达华·宁6 天前
自动驾驶01 激光雷达原理
人工智能·机器学习·自动驾驶
康谋自动驾驶6 天前
多模态自动驾驶混合渲染HRMAD:将NeRF和3DGS进行感知验证和端到端AD测试
数码相机·3d·自动驾驶