无人驾驶工作计划(推荐5篇)

在这个步骤中，我们采用一个叫“ST图”的工作来帮助我们设计和选择速度曲线，在ST图中，S表示车辆的纵向位移，t表示时间，ST图上的曲线是对车辆运动的描述，它说明了对车辆在不同时间的位置，由于速度是位置变化的速率，我们可以通过查看曲线的斜率从ST图上推断速度，斜率越大，也就是斜坡越陡，代表速度越快。

接下来，我们需要将ST图离散为多个单元格：

单元格之间的速度有所变化，但在每个单元格内，速度保持不变，该方法可以简化速度曲线的构建，并维持曲线的近似度。在ST图中，可以将障碍物绘制在特定时间段内，来阻挡道路的某些部分的矩形，例如，假设预测模块预测车辆将在t0到t1的时间段内驶入我们的车道，由于该车将在此期间占据s0到s1的位置，因此我们在ST图上绘制了一个矩形：

此时，速度曲线就不能与该矩形框相交，既然有了一张各种单元格被阻挡的ST图，我们就可以使用优化引擎为该图选择最佳的速度曲线：

优化算法通过复杂的数学运算来搜索，他会受到各种限制的低成本解决方案，这些限制同样会包含：

法律限制

距离限制

汽车物理限制

以及更多

A* 是经典的路径查处理算法，我们来一起看看A*算法。

计算机会从起点开始，竭尽所能的尝试所有可能的路径，以找到最短的路径，但是这个过程会消耗大量的时间，尤其是在地图非常大的时间。

我们以红色的节点为例，我们有8个用于下一步的选项：

对于这8个选项而言，他的下一步依然有另外8个选项，抛开已经经过的节点，还有13个选项：

如果我们展开所有的节点，搜索量将指数型的增长，即使是最快的计算机，可能也无法处理。这时候我们需要采用更好的策略来寻找最佳路线。

从初始节点开始，我们需要确定8个相邻的节点中哪个是最有希望的候选节点，对于每个候选节点，我们考虑两件事情：

首先，我们计算从开始节点（起点）到候选节点（下一个点）的成本。

其次，我们估计从候选节点前往目的地的成本。

这个过程中，计算前往候选节点的成本很容易，因为他已经与我们相临了，比如我们走到一个路口，直行、左转、右转三个对我们而言最简便的是哪个，这就很清晰。难点在于计算从候选节点到目的地的成本。针对这个问题，我们可以通过一些简单的计算，估计出从候选节点到目的地的距离。

我们使用变量g和h来表示每个成本：

g表示从开始节点前往候选节点的成本；

h表示从候选节点到前往目的地的估计成本。

我们通常使用笛卡尔坐标系描述物体的位置，也就是我们常说的直角坐标系，但是笛卡尔坐标系对自动驾驶而言并不是最佳选择，这是因为我们即便得到了车辆的x、y值，但是如果没有搭配地图的话，我们很难判断车辆究竟在什么位置或车辆行驶了多远，例如车辆是否在车道线的中间，是否压车道线等。因此一个更好的坐标系——Frenet坐标系就成了必然的选择。

Frenrt坐标系描述了汽车相对于道路的位置，在Frenet框架中，s代表沿着道路的距离，也被称为纵坐标，d表示与纵向线的位移，也被称为纵坐标，在道路的每个点上，横轴和纵轴都是垂直的，纵坐标表示在道路中的行驶距离，横坐标表示汽车偏离中心线的距离。

在现实中，规划面临多种约束，大体上我们可以分为四个要求：

轨迹应能免于碰撞，这意味着必须无障碍物；

轨迹让乘客感觉到舒适，因此路径点之间的过渡以及速度的任何变化都必须要平滑；

路径点对于车辆而言应该切实可行才行，例如高速移动的车辆如果猛打方向会造成侧翻，相信会开车的同学都知道，驾校教练会告诉你不要猛打方向，对于轨迹生成同样，我们不能构建这种不可行的轨迹；

轨迹应该合法，我们需要遵守不同地区的交通法规，确保轨迹的合法性。

我们再思考一个问题，在道路上任何两点之间，其实是有多个满足上述要求的轨迹的，如下图：

那我们如何选择一个最优轨迹呢？

这里就要使用“成本函数”。

成本函数为每一个轨迹分配了一个“成本”，轨迹成本由各种犯规处罚组成，例如偏离道路中心、有可能会碰撞、超出速度限制、轨迹的曲率和加速度会让乘客感觉到不舒服，这些均会让成本增加，轨迹成本将所有这些缺陷聚合为单个数字，这让我们可以对不同的轨迹进行排名，车辆甚至可能在不同的环境中使用不同的成本函数，例如高速公路的成本函数可能就与停车场的成本函数不同。

我们通常将轨迹规划分为两部分，来实现轨迹-速度的解耦：

路径规划

速度规划

在路径规划的步骤中，生成候选曲线，这是车辆可行驶的路径，我们使用成本函数对每条路径进行评估，该函数包括平滑度、安全性、与车道中心的偏离等，我们对得到的结果进行排名，选择成本最低的路径。

在速度规划的步骤中，我们可能希望改变在该路径上的速度，所以我们真正需要选择的是与路径点相关的一系列的速度，而不是一个单一的速度，我们将该序列称作“速度曲线”，我们可以使用优化功能给路径去选择受到各种限制的良好速度曲线，通过将路径和速度曲线相结合，可构建车辆行驶轨迹。

接下来我们就对这两个步骤展开介绍一下。