深入解析Apollo的换道策略及其实际应用
1.介绍
1.1. 换道的功能
简单地说, 换道的作用就是从待选地参考线中选择其中一个参考线, 供 Planning 后续模块进行使用.
需要说明的是,Apollo所开源的换道代码已经经过了大量的删减,仅保留了一个简单的框架。许多功能,如主动换道、被动换道(由于障碍物产生)、较为完整的状态机、换道窗口和Gap的选择等等都缺失了。本技术文章只展示现有框架上的内容。关于其他换道功能的内容,请期待后续的文章
1.2. 换道状态机
Apollo 当前的换道状态机如下:
对状态机有一下几点值得注意:
- 这里的IN_CHANGE_LANE同时包含了换道执行和换道准备两个阶段. 正常情况下应该加以区分. Apollo 采取的是先切换参考线后执行换道动作的方法, 也有友商会采用先执行换道动作在切换参考线的方法(好处是切换参考线的那一帧, 自车的横向距离接近于 0).
- 当前代码中并没有体现出什么时候会换道失败. 同样有理由相信是由于删除相关代码导致的.
- 完整的换道状态应该至少包含: 换道准备, 换道执行, 换道保持, 换道取消, 换道完成等状态.
2. 代码解析
2.1. 整体流程
相关代码所在路径: modules/planning/tasks/deciders/lane_change_decider/http://lane_change_decider.cc
- 处理
reference_line_info
为空的异常情况.reference_line_info
为空的异常情况. - 如果配置了强制换道
reckless_change_lane
为true
, 则直接更新 Reference Line. - 获取上一帧的换道状态
prev_status
, 刚进入程序时, 可能prev_status
没有状态信息(!prev_status->has_status()
), 此时直接认为处于换道完成状态. - 如果
reference_line_info
的数量为 1(即has_change_lane
为false
), 说明自车处在巡迹状态, 自车当前所在的车道拥有唯一的车道线, 周围没有可变车道, 所以直接更新换道状态即可. - 切换换道的状态机
- 上一帧处在换道状态
ChangeLaneStatus::IN_CHANGE_LANE
: 如果上一帧自车所在的 Lane 和这一帧所在的 Lane 相同, 说明自车还在往目标车道上走. 反之如果上一帧自车所在的 Lane 和这一帧所在的 Lane 不同, 说明自车已经在目标车道上了, 切换已经完成. - 上一帧处在换道失败状态
ChangeLaneStatus::CHANGE_LANE_FAILED
: 如果换道失败, 则冻结状态一段时间, 然后切换到正在换道状态, 为下一次换道做准备. - 上一帧处在换道完成状态
ChangeLaneStatus::CHANGE_LANE_FINISHED
: 换道成功后同样冻结一段时间, 然后切换到正在换道状态, 为下一次换道做准备. 这里冻结时间是为了避免频繁换道.
2.2. 安全检查
IsClearToChangeLane
reckless_change_lane
为true
, 则直接更新 Reference Line.- 获取上一帧的换道状态
prev_status
, 刚进入程序时, 可能prev_status
没有状态信息(!prev_status->has_status()
), 此时直接认为处于换道完成状态. - 如果
reference_line_info
的数量为 1(即has_change_lane
为false
), 说明自车处在巡迹状态, 自车当前所在的车道拥有唯一的车道线, 周围没有可变车道, 所以直接更新换道状态即可.
- 上一帧处在换道状态
ChangeLaneStatus::IN_CHANGE_LANE
: 如果上一帧自车所在的 Lane 和这一帧所在的 Lane 相同, 说明自车还在往目标车道上走. 反之如果上一帧自车所在的 Lane 和这一帧所在的 Lane 不同, 说明自车已经在目标车道上了, 切换已经完成.🎜🎜上一帧处在换道失败状态ChangeLaneStatus::CHANGE_LANE_FAILED
: 如果换道失败, 则冻结状态一段时间, 然后切换到正在换道状态, 为下一次换道做准备.🎜🎜上一帧处在换道完成状态ChangeLaneStatus::CHANGE_LANE_FINISHED
: 换道成功后同样冻结一段时间, 然后切换到正在换道状态, 为下一次换道做准备. 这里冻结时间是为了避免频繁换道.🎜2.2. 安全检查
IsClearToChangeLane
判断换道是否安全.🎜🎜🎜本安全判断方法不考虑虚拟障碍物(Virtual Obstacles)和静态障碍物(Static Obstacles).🎜🎜计算动态障碍物在 Reference Line 上面的投影. 投影的几何意义如下图所示:🎜🎜🎜🎜🎜
- 如果自车正在换道
IsChangeLanePath
, 利用上面计算的投影关系来忽略目标参考线的车道之外的障碍物.IsChangeLanePath
, 利用上面计算的投影关系来忽略目标参考线的车道之外的障碍物. - 判断障碍物的行驶方向是否和自车相同
same_direction
. 根据障碍物与自车的行驶方向的关系和速度关系分别计算前向安全距离和后向安全距离. - 如果自车和障碍物之间的距离大于上面计算的安全距离, 则认为可以安全换道的.
HysteresisFilter
是一种 Open Close 逻辑, 目的是增加安全判断结果的稳定性(上一帧判断结果认为是安全的, 那么这一帧就更倾向于给出是安全的判断, 反之亦然).
2.3. 更新 Reference Line
需要重写的内容是:LaneChangeDecider::PrioritizeChangeLane
- 输入:
<span> </span>is_prioritize_change_lane
. 如果is_prioritize_change_lane
为true
, 则找自车要切换的目标参考线. 反之如果is_prioritize_change_lane
为false
, 则找自车当前位置所在的 Lane 所在的参考线. -
reference_line_info->splice(reference_line_info->begin(),*reference_line_info, iter)
;将步骤 1 找到的iter
所指向的参考线放在链表的最前面. 由于 Planning 后续模块使用的都是reference_line_info().front()
, 所以链表的最前面就表示当帧就是使用的参考线.splice
的使用详细说明见C++ 基础. - 输出:
ReferenceLineInfo
判断障碍物的行驶方向是否和自车相同
same_direction
. 根据障碍物与自车的行驶方向的关系和速度关系分别计算前向安全距离和后向安全距离.如果自车和障碍物之间的距离大于上面计算的安全距离, 则认为可以安全换道的. HysteresisFilter
是一种 Open Close 逻辑, 目的是增加安全判断结果的稳定性(上一帧判断结果认为是安全的, 那么这一帧就更倾向于给出是安全的判断, 反之亦然).
2.3. 更新 Reference Line
需要重写的内容是:LaneChangeDecider::PrioritizeChangeLane
<span> </span>is_prioritize_change_lane
. 如果is_prioritize_change_lane
为true
, 则找自车要切换的目标参考线. 反之如果is_prioritize_change_lane
为false
, 则找自车当前位置所在的 Lane 所在的参考线.🎜🎜reference_line_info->splice(reference_line_info->begin(),*reference_line_info, iter)
;将步骤 1 找到的iter
所指向的参考线放在链表的最前面. 由于 Planning 后续模块使用的都是reference_line_info().front()
, 所以链表的最前面就表示当帧就是使用的参考线. splice
的使用详细说明见C++ 基础.🎜🎜输出: ReferenceLineInfo
链表.🎜🎜🎜🎜🎜🎜原文链接:https://mp.weixin.qq.com/s/IQkBV8iadaU4Qy70F3Xs3Q🎜以上是深入解析Apollo的换道策略及其实际应用的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

写在前面&笔者的个人理解三维Gaussiansplatting(3DGS)是近年来在显式辐射场和计算机图形学领域出现的一种变革性技术。这种创新方法的特点是使用了数百万个3D高斯,这与神经辐射场(NeRF)方法有很大的不同,后者主要使用隐式的基于坐标的模型将空间坐标映射到像素值。3DGS凭借其明确的场景表示和可微分的渲染算法,不仅保证了实时渲染能力,而且引入了前所未有的控制和场景编辑水平。这将3DGS定位为下一代3D重建和表示的潜在游戏规则改变者。为此我们首次系统地概述了3DGS领域的最新发展和关

昨天面试被问到了是否做过长尾相关的问题,所以就想着简单总结一下。自动驾驶长尾问题是指自动驾驶汽车中的边缘情况,即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决,剩下的5%的长尾问题,逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。自动驾驶中的边缘场景"长尾"是指自动驾驶汽车(AV)中的边缘情况,边缘情况是发生概率较低的可能场景。这些罕见的事件

0.写在前面&&个人理解自动驾驶系统依赖于先进的感知、决策和控制技术,通过使用各种传感器(如相机、激光雷达、雷达等)来感知周围环境,并利用算法和模型进行实时分析和决策。这使得车辆能够识别道路标志、检测和跟踪其他车辆、预测行人行为等,从而安全地操作和适应复杂的交通环境.这项技术目前引起了广泛的关注,并认为是未来交通领域的重要发展领域之一。但是,让自动驾驶变得困难的是弄清楚如何让汽车了解周围发生的事情。这需要自动驾驶系统中的三维物体检测算法可以准确地感知和描述周围环境中的物体,包括它们的位置、

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显着提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。 StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显着降低了使用AI

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

原标题:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving论文链接:https://arxiv.org/pdf/2402.02519.pdf代码链接:https://github.com/HKUST-Aerial-Robotics/SIMPL作者单位:香港科技大学大疆论文思路:本文提出了一种用于自动驾驶车辆的简单高效的运动预测基线(SIMPL)。与传统的以代理为中心(agent-cent

写在前面&出发点端到端的范式使用统一的框架在自动驾驶系统中实现多任务。尽管这种范式具有简单性和清晰性,但端到端的自动驾驶方法在子任务上的性能仍然远远落后于单任务方法。同时,先前端到端方法中广泛使用的密集鸟瞰图(BEV)特征使得扩展到更多模态或任务变得困难。这里提出了一种稀疏查找为中心的端到端自动驾驶范式(SparseAD),其中稀疏查找完全代表整个驾驶场景,包括空间、时间和任务,无需任何密集的BEV表示。具体来说,设计了一个统一的稀疏架构,用于包括检测、跟踪和在线地图绘制在内的任务感知。此外,重

最近一个月由于众所周知的一些原因,非常密集地和行业内的各种老师同学进行了交流。交流中必不可免的一个话题自然是端到端与火爆的特斯拉FSDV12。想借此机会,整理一下在当下这个时刻的一些想法和观点,供大家参考和讨论。如何定义端到端的自动驾驶系统,应该期望端到端解决什么问题?按照最传统的定义,端到端的系统指的是一套系统,输入传感器的原始信息,直接输出任务关心的变量。例如,在图像识别中,CNN相对于传统的特征提取器+分类器的方法就可以称之为端到端。在自动驾驶任务中,输入各种传感器的数据(相机/LiDAR
