路径规划之基于二次规划的路径平滑Matlab代码

参考:

自动驾驶决策规划算法第二章第二节(上) 参考线模块_哔哩哔哩_bilibili

自动驾驶决策规划算法第二章第二节(下) 参考线代码实践_哔哩哔哩_bilibili

QP函数,二次规划的逻辑

Matlab 复制代码
function [smooth_path_x,smooth_path_y] = QP(path_x, path_y, w_cost_smooth, w_cost_length, w_cost_ref, x_lb, x_ub, y_lb, y_ub)

%   采用二次规划平滑路径
%   0.5X'Hx + f'x = min
%   lb <= x <= ub

% 输入:
% path_x, path_y: 待平滑路径
%  w_cost_smooth, w_cost_length, w_cost_re:平滑代价,紧凑代价,几何相似代价权重系数
% x_lb, x_ub, y_lb, y_ub:允许x, y变化的上下界(约束条件)

% 输出:
% smooth_path_x,smooth_path_y:平滑后路径

% 分析二次规划的形式
% H = 2 * (w_cost_smooth * A1' * A1 + w_cost_length * A2' * A2 + w_cost_ref * A3' * A3)
% f = -2 * w_cost_ref * path(待优化路径的xy组合)
% A1 = [1, 0, -2, 0, 1, 0              
%          1, 0, -2, 0, 1, 0
%             1, 0, -2, 0, 1, 0
%                1, 0, -2, 0, 1, 0
%                    .............]
% A2 = [1, 0, -1, 0,              
%          1, 0, -1, 0,
%             1, 0, -1, 0,
%                1, 0, -1, 0,
%                    .............]
% A3 为2n*2n的单位矩阵,n为平滑点的个数

n = length(path_x);

% 初始化平滑路径
smooth_path_x = zeros(n,1);
smooth_path_y = zeros(n,1);

% 初始化损失函数相关信息
A1 = zeros(2*n-4, 2*n);
A2 = zeros(2*n-2, 2*n);
A3 = eye(2*n, 2*n);
path = zeros(2*n, 1);

% 初始化不等式约束
lb = zeros(2*n, 1);
ub = zeros(2*n, 1);

% 初始化等式约束(起点和终点必须一致)
Aeq = zeros(2*n, 2*n);
beq = zeros(2*n, 1);

%计算f、lb、ub
for i = 1:n
    path(2*i-1) = path_x(i);
    path(2*i) = path_y(i);

    lb(2*i-1) = path_x(i) - x_lb;
    lb(2*i) = path_y(i) - y_lb;

    ub(2*i-1) = path_x(i) + x_ub;
    ub(2*i) = path_y(i) + y_ub;
end

% 计算A1
for i = 1:2*n-5
    A1(i, i) = 1;
    A1(i, i+2) = -2;
    A1(i, i+4) = 1;
    A1(i+1, i+1) = 1;
    A1(i+1, i+3) = -2;
    A1(i+1, i+5) = 1;
end

% 计算A2
for i = 1:2*n-3
    A2(i,i) = 1;
    A2(i,i+2) = -1;
    A2(i+1,i+1) = 1;
    A2(i+1,i+3) = -1;
end

H = 2 * (w_cost_smooth * (A1' * A1) + w_cost_length * (A2' * A2) + w_cost_ref * (A3' * A3));
f = -2 * w_cost_ref * path;

% 计算Aeq、beq
Aeq(1,1) = 1;
Aeq(2,2) = 1;
Aeq(2*n-1,2*n-1) = 1;
Aeq(2*n,2*n) = 1;
beq(1,1) = path(1,1);
beq(2,1) = path(2,1);
beq(2*n-1,1) = path(2*n-1,1);
beq(2*n,1) = path(2*n,1);

%起点
X0 = path;

% 进行二次规划
X = quadprog(H,f,[],[],Aeq,beq,lb,ub,X0);

for i = 1:n
    smooth_path_x(i) = X(2*i-1);
    smooth_path_y(i) = X(2*i);
end
 

end

main函数,运行QP

Matlab 复制代码
clear;
clc;

path_x = [0, 1, 2, 4, 5, 5, 5, 6, 7, 8, 9, 10, 11, 12, 12, 13, 14, 14];
path_y = [0, 0, 0, 0, 0, 1, 2, 3, 4, 5, 9, 10, 11, 12, 12, 13, 14, 14];
w_cost_smooth = 3;
w_cost_length = 2;
w_cost_ref = 1; 
x_lb = 1;
x_ub = 1;
y_lb = 1;
y_ub = 1;

[smooth_path_x, smooth_path_y] = QP(path_x, path_y, w_cost_smooth, w_cost_length, w_cost_ref, x_lb, x_ub, y_lb, y_ub);

hold on;
plot(path_x, path_y,'Color','red');
plot(smooth_path_x, smooth_path_y,'Color','blue');

运行结果:蓝色为原路径,红色为平滑路径

相关推荐
deephub21 分钟前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制
搏博33 分钟前
神经网络问题之二:梯度爆炸(Gradient Explosion)
人工智能·深度学习·神经网络
KGback39 分钟前
【论文解析】HAQ: Hardware-Aware Automated Quantization With Mixed Precision
人工智能
寻找码源41 分钟前
【头歌实训:利用kmp算法求子串在主串中不重叠出现的次数】
c语言·数据结构·算法·字符串·kmp
Matlab精灵42 分钟前
Matlab科研绘图:自定义内置多款配色函数
算法·matlab
电子手信1 小时前
知识中台在多语言客户中的应用
大数据·人工智能·自然语言处理·数据挖掘·知识图谱
不高明的骗子1 小时前
【深度学习之一】2024最新pytorch+cuda+cudnn下载安装搭建开发环境
人工智能·pytorch·深度学习·cuda
诚丞成1 小时前
滑动窗口篇——如行云流水般的高效解法与智能之道(1)
算法
Chef_Chen1 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
搏博1 小时前
神经网络问题之:梯度不稳定
人工智能·深度学习·神经网络