自动驾驶---Motion Planning之轨迹Path优化

笔者也经常提到优化的思想在规划模块中使用非常多，在参考线平滑模块，属于二次规划，通常构造二次规划问题的三个基本步骤：（1）确定优化变量；（2）构造代价函数；（3）确定约束条件。文中详细介绍了整个二次规划问题的构造和求解过程。

本文将继续深入研究自动驾驶车辆基于动力学模型横向运动的轨迹追踪优化控制——横向动力学模型。

介绍了车辆横向动力学模型与线性二次调节器(LQR)，并使用LQR方法实现车辆横向控制。

自动驾驶轨迹规划方法主要分为横纵分离与横纵联合两种。横纵分离规划将运动分解为横向和纵向独立优化，计算效率高但忽略耦合效应；横纵联合规划则通过非线性模型预测控制处理耦合问题，能获得更优轨迹但计算复杂度高。两种方法各有优劣，发展趋势呈现混合架构方向，结合分离方法的实时性和联合优化的全局最优性，并引入数据驱动技术提升复杂场景的适应性。

在EMPlanner的速度规划中，完成动态规划之后，要进行二次规划（quadratic programming）以平滑速度曲线。

1.背景介绍 自动驾驶技术是近年来迅速发展的一门研究领域，它旨在通过集成计算机视觉、机器学习、机械控制等多种技术，使汽车在特定环境下自主地进行驾驶。自动驾驶的主要组成部分包括感知系统、路径规划与控制系统和动力系统。在这篇文章中，我们将主要关注自动驾驶的路径规划与控制系统，以及相关的优化算法和动态调整策略。 2.核心概念与联系 2.1 路径规划 路径规划是自动驾驶系统中的一个关键模块，其主要...

1. 路径规划P73 1.1 路径搜索 DP（dynamic programming）又称动态规划，可以使指数级别的计算耗时转换成多项式级别的耗时。具体大家可以找网上关于DP原理的介绍，有很多的。这里简要说明一下，其基本思路是“ 2. 速度规划 ...

本文详细拆解了Autoware Planning模块的学习路线，从Mission Planner到Motion Velocity Smoother，帮助读者逐步掌握自动驾驶决策系统的核心架构。通过三层规划架构（全局规划、行为决策、运动规划）的解析和实战调试技巧，为初学者提供清晰的学习路径和高效实践方法。

记录深耕路径规划与运动控制算法领域的学习历程

端到端自动驾驶是将感知、预测、规划统一建模的前沿范式，其核心在于摆脱传统模块化流水线，实现从原始传感器输入到物理可行轨迹输出的联合优化。这一范式依赖BEV特征空间构建、时空交叉注意力与可微分轨迹优化等关键技术，对CUDA算子定制、硬件-驱动-框架三重版本对齐提出严苛要求。尤其在UniAD等典型框架中，自定义CUDA内核（如bev_pool、traj_opt_kernel）深度绑定特定CUDA Toolkit版本（如11.1），稍有偏差即引发NaN输出、kernel不可用或显存冲突。本文聚焦真实工程落地场景，

文章出处：https://blog.csdn.net/adamshan/article/details/80779615 动作规划动作在无人车规划模块的最底层，它负责根据当前配置和目标配置生成一序列的动作，我们前面讨论的三次样条插值实际上只是一个简单的路径，而非我们最终能够执行的轨迹，本文介绍一种基于Frenet坐标系的优化轨迹动作规划方法，该方法在高速情况下的高级车道保持和无人驾驶都具有...

摘要：机器人运动规划面临动态环境响应、高维计算、不确定性处理等核心难点。动态环境中需实现毫秒级重规划；高维空间引发计算爆炸（如6关节机械臂）；感知误差要求系统具备容错性。此外还需解决复杂物理约束（关节限制、惯性等）、学习方法的可靠性验证，以及多机器人协同博弈问题。当前采用概率路线图、双层规划结构等方案，但实时性保障与安全性验证仍是待突破的瓶颈。

基于Frenet坐标系的动作规划方法由于是由BMW的Moritz Werling提出的，为了简便，我们在后文中也会使用Werling方法简称。在讨论基于Frenet坐标系的动作规划方法之前，我们首先得定义什么是最优的动作序列：对于横向控制而言，假定由于车辆因为之前躲避障碍物或者变道或者其他制动原因而偏离了期望的车道线，那么此时最优的动作序列（或者说轨迹）是在车辆制动能力的限制下，相对最安全，舒适，...

介绍一种依靠车辆中心线的Mini Jerk 的轨迹生成方法。 注：下文中两点上标，都是3点上标。 jerk就是加速度的导数，如果让车开的稳就得保证加速的平滑，加速的平滑度可以用jerk的L2模来度量，即 Jt(p(t)):=∫t0t1p¨2(τ)dτJ_{t}(p(t)):=\int_{t_{0}}^{t_{1}} \ddot{p}^{2}(\tau) \mathrm{d} \tauJt​(p(t)):=∫t0​t1​​p¨​2(τ)dτ[1] 其中 ppp 为车行驶的位置，ppp上三个点表示对时间的三次导

多目标多头蒸馏模块：我们看到轨迹模仿学习之后的轨迹还过了其他的MLP，这就是其他头，它的目标也是不一样的，第一个是跟碰撞相关的，第二个是跟行驶区域相关的，第三个是跟舒适度相关的，也就是说不同的评判指标都有一个teacher，之前的模仿学习就是人类的teacher，那么这些teacher是怎么来的呢？本文作者提出的新的范式，就是规划模块是多模的输出，同时，目标也是多样性的，即不仅是GT的轨迹也同时引入了更多的正样本，由不同的专家给出的。还是那句话，小米汽车的成功，是小米价值观，小米模式，和小米方法论的成功。

自动驾驶车辆运动规划综述

摘要：本文提出Shape-Aware MPPI（SA MPPI）算法，通过引入Robo-Centric ESDF（RC-ESDF）技术，实现了对任意形状机器人的精确碰撞检测和实时轨迹优化。该算法克服了传统MPPI将机器人简化为圆形模型的局限，支持任意多边形轮廓，在仓储AGV、服务机器人等场景中显著提升了狭窄空间的通过性和安全性。核心创新包括：1）基于机器人中心坐标系的离线ESDF构建与实时查询；2）三段式障碍物代价策略；3）梯度引导的轨迹优化方法。

在传统自动驾驶系统中，决策过程往往是一个"黑箱"——传感器数据输入，控制指令输出，中间的逻辑推理过程难以理解和验证。这种不透明性不仅限制了系统的可信度，也阻碍了安全性的进一步提升。DriveLM作为首个融合语言理解与自动驾驶技术的Graph VQA框架，正在颠覆这一现状，通过图结构视觉问答技术为自动驾驶系统赋予了前所未有的可解释性和交互能力。 ## 自动驾驶的"黑箱"困境：为什么传统方法难以突破