自动驾驶中泊车算法学习记录

算法学习记录"/>

自动驾驶中泊车算法学习记录

‍作者 | Sean  编辑 | 汽车人

原文链接：

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【自动泊车】技术交流群

本文只做学术分享，如有侵权，联系删文

自动驾驶泊车算法学习记录

Introduction

最近在学习自动驾驶泊车方面的算法，看的论文主要有以下三篇，分别是Path Planning for Autonomous Vehicles in Unknown Semi-structured Environments， DL-IAPS and PJSO: A Path/Speed Decoupled Trajectory Optimization and its Application in Autonomous Driving， Speed Profile Planning in Dynamic Environments via Temporal Optimization

Path Planning for Autonomous Vehicles in Unknown Semi-structured Environments

这篇论文应该只要是学习Hybrid Astar的人都看过，主要讲的是在开放空间搜索泊车路径，第一步先搜索出一条大概满足运动学约束的路径，然后密集插值，在进一步采用CG算法优化平滑度，保持原来关键的位置不变，这样也不用害怕碰撞了，这篇论文进一步求路径点对应的速度

DL-IAPS and PJSO: A Path/Speed Decoupled Trajectory Optimization and its Application in Autonomous Driving

这篇论文是逻辑上和上一篇论文挺像的， 先搜索一条路径，然后对路径点进一步平滑，这个论文平滑的时候会采用一个信赖半径， 发生碰撞了就缩小关键点的可移动范围， 除此之外DL-IAPS and PJSO还求解了路径的速度，这是比较牛逼的，但我看不太懂- -，后续有机会再进一步研究

Speed Profile Planning in Dynamic Environments via Temporal Optimization

我觉得路径和速度解耦求解的还可以看这篇伯克利的论文， 这篇论文是默认已经有一条光滑的路径，然后对时间变量优化，最后求解出路径点的速度，加速度，我复现了下发现这个方法会很容易收到路径点是否平滑的影响（曲率连续），如果路径点不够平滑，求解出来的速度也不好，这里论文没有说这个问题。

Idea

我看传统的泊车方法好像都需要先搜索出一条路径，然后再作进一步的处理，我觉得Hybrid Astar的搜索速度非常依赖于地图分辨率，分辨率小了就会很慢，大了就没法精确避障了， 如果直接使用一条直线段连接成的路径作为参考线，不用搜索的结果了，然后对这个直线段采用最优化的方案进行求解效果会如何。TEB就是直接对直线段进行优化，并且也实现了car-like方面的路径规划， 于是我去下载了源码然后跑了一下，发现效果不太好，速度很慢， 很容易出现无解的情况， 我觉得可能是因为TEB还多了一个时间变量需要处理，时空联合规划很容易失败，如果我把这个时间给去掉，在进行优化的话效果会不会就不一样了？

Method

kinematic cost function

nonholonomic constraint

safety constraint

vehicle with trailer kinematic 参考文献

code

代码方面就是把TEB的代价函数复制过来就可以了，优化器改成ceres-solver的， 车辆模型，我不仅实现了汽车模型，还顺带在卡车模型啥也测试了一波。

Result

测试模型包含阿克曼汽车模型以及vehicle with trailer模型， 图中阿克曼就是用一个矩形来描述，卡车模型则用两个矩形来描述，小个的是车头，长条的是车厢（用c++画的图，很简陋- -），绿色框是辅助划线的可以不用管， 其他的多边形则为障碍物，

我以为测试结果会很差，结果还是有点出乎意料的，虽然有的时候会出现无解，但是只要初始线段给的好一点就不会出问题，优化的速度也挺快平均时间大概是0.3s， 路径的质量的评价我觉得主要是看平滑度和曲率大小，只要曲率不会超过车辆最小转弯半径就可以了， 这里我设置的曲率最大是0.155， 列了几组测试图，第一个是直线段参考线和优化后的路径图，第二幅是对应的曲率和航向

• Test1

• Test2

• Test3

• Test4

• Test6

problem

1. 路径点的间隔不能小，否则优化时间和质量都会受到影响，这个我觉得后期可以参考上述论文，先优化出一条大概得解，然后再密集插值进一步平滑

2. 参数初始化的好坏也会影响到求解结果

3. 曲率不连续，虽然路径点曲率都满足要求了，但是曲率还是存在突变

4. 倒车次数比较多

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、协同感知、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

② 国内首个自动驾驶学习社区

近2000人的交流社区，涉及30+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（2D检测、分割、2D/3D车道线、BEV感知、3D目标检测、Occupancy、多传感器融合、多传感器标定、目标跟踪、光流估计）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

④【自动驾驶之心】平台矩阵，欢迎联系我们！