自动驾驶学习笔记（二十）——Planning算法

最新推荐文章于 2026-06-15 13:09:58 发布
原创 最新推荐文章于 2026-06-15 13:09:58 发布 · 2.4k 阅读 · 35
标签
#自动驾驶 #Planning #离散点平滑 #EM Planner #Lattice Planner
#Apollo开发者
本文介绍了自动驾驶Planning模块中的关键算法，包括参考线平滑、双层状态机结构、EM Planner和Lattice Planner的工作原理。EM Planner基于最大期望算法进行路径规划，而Lattice Planner则采用采样方法生成无碰撞的局部轨迹。文章还提到了算法的调试方法，如实车运行和仿真运行。

低功耗蓝牙项目，需要一块懂省电的板

思澈 SF32LB52 芯片，BLE 协议栈深度优化，上手即开发

点击查看

#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 社区开发者圆桌会》免费报名—>传送门

文章目录

前言

参考线平滑

双层状态机

EM Planner

Lattice Planner

算法调试

总结

前言

        见《自动驾驶学习笔记（十五）——交通灯识别》

        见《自动驾驶学习笔记（十六）——目标跟踪》

        见《自动驾驶学习笔记（十七）——视觉感知》

        见《自动驾驶学习笔记（十八）——Lidar感知》

        见《自动驾驶学习笔记（十九）——Planning模块》

参考线平滑

        高精地图通过Routing模块给过来的道路参考线，平滑度不满足决策规划算法的要求，参考线平滑算法类型有如下几种：

        离散点平滑算法是在离散的参考点之间插值，使用低价函数求得最优参考线，示例如下：

        代价函数：cost = costsmooth + costlength + costdeviation

双层状态机

低功耗蓝牙项目，需要一块懂省电的板

思澈 SF32LB52 芯片，BLE 协议栈深度优化，上手即开发

点击查看
最低0.47元/天 解锁文章
规划算法Planning Algorithms
11-15
提出了对许多不同种类的规划算法的统一处理。 该主题处于机器人技术，控制理论，人工智能，算法和计算机图形学之间的十字路口。
planning algorithm（规划算法）英文版
12-03
这个是绝版书了，有需要的可以下载！
自动驾驶学习笔记（十九）——Planning模块
Mr.Cssust的博客
12-16 1097
本文是笔者在学习自动驾驶时，对所学课程的一些梳理和总结。欢迎和我一同抱团学习，交流技术。
自动驾驶之轨迹规划1——算法综述
热门推荐
IHTY_NUI的博客
03-05 3万+
1. 概述 本文立足于智能车领域的轨迹规划，根据自己的整理和理解输出，权当做一篇学习笔记。 首先解释一下一些基本概念： 环境感知与融合； 驾驶行为决策：从驾驶员本身出发，包含心理学、认知学、统计学等多个学科交叉的一种决策过程，旨在研究“驾驶员实际是怎样进行决策的”和“为什么做出这样的决策”。 轨迹规划：基于感知到的话你就拿个信息（如路况信息、路网结构、车辆状态等）对车辆的未来轨迹进行最优规划：路径规划和速度规划。 车辆横纵向控制： 2. 轨迹规划的问题本质 轨迹规划的任务是计算出一个无碰撞可执行的轨迹（包
Apollo Planning决策规划算法代码详细解析 (1)：Scenario选择
自动驾驶Player的博客
03-22 1万+
本文重点讲解Apollo代码中怎样配置Scenario以及选择当前Scenario，Scenario决策是Apollo规划算法的第一步，本文会对代码进行详细解析，也会梳理整个决策流程，码字不易，喜欢的朋友们麻烦点个关注与赞。 在本文你将学到下面这些内容： 规划器planer的种类； 规划器planer的主要函数及逻辑； 场景管理类ScenarioManager的运行机制； 场景注册方法； 场景决策流程，如何选择当前场景 详细的apollo决策规划代码分析 代码具体过程如下： 1、Scenar
Apollo Planning决策规划算法代码详细解析 (3)：stage执行
自动驾驶Player的博客
03-23 4631
Apollo Planning决策规划系列文章： Apollo Planning决策规划代码详细解析 (1)：Scenario选择 Apollo Planning决策规划代码详细解析 (2)：Scenario执行 通过之前章节的介绍，在经过Scenario的决策与执行之后，Apollo已经可以确定目前处于对应场景下的对应stage，接下来就进入stage类的内部，通过Process() 函数来进行具体的规划过程。本章节将以 LANE_FOLLOW 场景的 LANE_FOLLOW_DEFAULT_S..
大模型LLM | Agent技术解读之Planning（规划）模块：什么是Planning？LLM Planning方法
star_nwe的博客
09-25 9988
Planning 指任务分解：把大任务划分成小任务，进而解决复杂问题；反思和提炼：基于已有动作做自我批评和自我反思，从错误中学习优化接下来的动作。任务分解的典型实现方案是 CoT（Chain of thought）和 ToT（Tree of thoughts）。一项复杂任务包括多个子步骤，智能体需要提前将任务分解，并进行规划。规划模块分类1）无反馈规划:大语言模型在做推理的过程中无需外界环境的反馈。单路推理，仅一次大语言模型调用就输出完整的推理步骤；多路推理，借鉴众包思想，让大语言模型生成多个。
Apollo Planning决策规划算法代码详解 (22):决策规划算法最完整介绍
自动驾驶Player的博客
05-19 1万+
前言： 后台已经写完了Apollo Planning决策规划算法的完整解析，一路从规划模块的入口OnLanePlanning，介绍到常见的规划器PublicRoadPlanner；接着介绍了在PublicRoadPlanner中如何通过类似有限状态机的ScenarioDispatch进行场景决策。之后又介绍了在每个场景Scenario中如何配置以及判断当前所处的stage，以及对于每个stage又是如何注册tasks来执行具体的规划任务。 现在回头来看，这个系列应该是目前全网最完整的apollo规划算法
自动驾驶学习笔记（二十一）——自动泊车系统
Mr.Cssust的博客
12-24 1806
本文是笔者在学习自动驾驶时，对所学课程的一些梳理和总结。欢迎和我一同抱团学习，交流技术。
[readpaper] A Survey on Trajectory-Prediction Methods for Autonomous Driving
HaisHa1的博客
04-14 962
为了在动态环境中安全驾驶，自动驾驶汽车应该能够预测附近交通参与者的未来状态，特别是周围车辆，类似于人类驾驶员预测驾驶的能力。这就是为什么研究人员致力于轨迹预测领域并提出不同的方法。本文是对过去二十年自动驾驶提出的轨迹预测方法的全面和比较回顾。它从问题定义和算法分类开始。然后，详细介绍了基于物理、经典机器学习、深度学习和强化学习的流行方法。最后，本文评估了每种方法的性能，并概述了指导读者的潜在研究方向。自动驾驶，轨迹预测，机器学习，深度学习，强化学习。
apollo学习之---planning理论到实践（14）reference line-pnc_map
qq_41593516的博客
02-25 948
文章目录1、调用接口on_lane_planning.cc 1、调用接口on_lane_planning.cc //创建ReferenceLineProvider实例 reference_line_provider_ = std::make_unique<ReferenceLineProvider>( injector_->vehicle_state(), hdmap_); reference_line_provider_->Start(); ...
自动驾驶规划方法综述
小白学视觉
11-27 575
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达仅作学术分享，不代表本公众号立场，侵权联系删除转载于：本文来源：知乎、RoboCar，https://zhuanlan...
path-planning 路径规划a*算法
04-20
path-planning 路径规划a*算法 对理解路径规划有重要作用
MotionPlanning:自动驾驶汽车上常用的运动计划算法。 （路径规划+路径跟踪）
03-31
概述 该存储库实施了一些用于自动驾驶汽车的常见运动计划器，包括 （不完整） 此外，此存储库还提供了一些用于路径跟踪的控制器，包括 要求 Python 3.6或更高版本 车辆型号 该存储库使用两种模型：简单汽车模型和。 混合A *计划器 州格规划师 控制器 纸 规划 推荐材料 调查自动驾驶城市车辆运动计划和控制技术调查 自动驾驶路径规划中的实用搜索技术 Frenet框架中动态街道场景的最优轨迹生成 控制 推荐材料 纯追求路径跟踪算法的实现 自主汽车路径跟踪的自动转向方法 Stanley：赢得DARPA大挑战赛的机器人 ApolloAuto / apollo：开放的自动驾驶平台 基于MPC的自动驾驶系统主动转向方法 有用的材料 AtsushiSakai 由KTH Research Concept Vehicle提供
端到端模型上车了！GraphAD：国内首个可实车量产部署的端到端建模范式
CV_Autobot的博客
01-18 1074
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取今天自动驾驶之心邀请来了鉴智机器人合伙人、技术副总裁、智驾产品线负责人—潘屹峰博士！今晚七点半为大家分享国内首个可实车量产部署的自动驾驶端到端建模方法—GraphAD！如果您有兴趣分享相关学术成果，请联系AIDriver002！上世纪五十年代开始，自动驾驶技术开始受到学术界关注，进入二十一世纪以来，伴随着谷歌（Waymo）和百度等产...
【一看就会】Autoware.universe的“规划”部分源码梳理【五十八】（autoware_freespace_planning_algorithms——自由空间路径规划算法包）
weixin_48386130的博客
02-18 1012
书接上文，本篇讲述planning这边的第二十四部分——autoware_freespace_planning_algorithms——自由空间路径规划算法包。autoware_freespace_planning_algorithms是一个自由空间路径规划算法包，主要功能：实现了多种路径规划算法：Hybrid A和RRT（包括RRT和informed RRT*）提供了统一的算法接口和抽象基类支持碰撞检测和路径优化可以处理复杂的障碍物环境//////
【AI视野·今日Robot 机器人论文速览 第二十一期】Fri, 24 Sep 2021
TomRen
09-27 453
AI视野·今日CS.Robotics 机器人学论文速览 Fri, 24 Sep 2021 Totally 28 papers ????上期速览✈更多精彩请移步主页 Daily Robotics Papers Leveraging distributed contact force measurements for slip detection: a physics-based approach enabled by a data-driven tactile sensor Authors Pie
自动驾驶五大核心模块：感知预测规划控制与环境建模深度解析
最新发布
angel192939的博客
06-15 467
自动驾驶并非单一技术突破，而是融合环境建模、多源感知、行为预测、轨迹规划与精准控制的系统工程。其本质是在物理约束与语义规则双重框架下，实现从‘看见’到‘理解’、从‘预判’到‘决策’、再到‘执行’的毫秒级闭环。传感器融合解决暴雨逆光鬼探头等长尾场景的鲁棒性问题，机器学习驱动的预测需兼顾概率云建模与不确定性量化，而高精地图与车辆动力学模型则构成系统安全的底层基石。本文聚焦量产落地中的真实技术卡点，揭示L2+到L3跨越背后，那些决定成败的工程细节与系统权衡。
【一看就会】Autoware.universe的“规划”部分源码梳理【五十六】（autoware_objects_of_interest_marker_interface：兴趣对象标记接口）
weixin_48386130的博客
02-18 784
书接上文，本篇讲述planning这边的第二十二部分——autoware_objects_of_interest_marker_interface：兴趣对象标记接口。autoware_objects_of_interest_marker_interface是一个用于可视化感兴趣对象的标记接口，主要功能：为感兴趣的对象创建可视化标记支持多种标记颜色和样式提供灵活的标记配置接口发布标记数组用于RViz显示。
大三小学期进阶课程第二十三课：ROS概述
君陌的博客
07-26 1852
第23课、ROS概述 ROS是2007年在斯坦福大学里面的一个实验室学生开发出来的一套机器人通用的一个框架，2013年被纳入OSRF机构统一管理，如今被很多公司和大学的研究所广泛地使用到一些科研项目中。 ROS有5个比较明显的特征如下： (1)点对点：两个Node之间进行消息通讯是一个点对点的行为。 (2)它支持分布式：在部署多机之间的消息通讯时，ROS提供了一个天然的支持。 (3)它是跨语言，它并不关注每个节点之间是用什么语言来写的。你只需要按照ROS提供的一些接口完成消息的订阅和分发即可以完成一
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Mr.Cssust

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值