智联网汽车技术 课件 任务6 路径规划系统

目标运动预测-基于物理的运动模型预测项目三汽车决策控制系统任务6路径规划系统智能网联汽车技术课程导入车辆运动轨迹行人运动轨迹准确预测车辆、行人等运动物体的未来轨迹，会带来很大的便利和安全性学习目标记住目标运动预测的概念01说出基于物理的运动模型预测的概念、原理及方法02理解其在轨迹预测方面的应用03学习任务运用所学知识进行简单的车辆运动预测01激活旧知汽车01日常生活中有那些常见物体的运动呢？行人02体育运动03探索新知基于物理的运动模型预测所有运动物体(车辆、行人、动物)的运动都满足一定的约束或者规则控制输入：转向、加速车辆特征：重量外部条件：路面摩擦系数用动力学和运动学模型来预测未来的运动，推算出车辆位姿/状态（位置、航向、速度）。模型预测条件探索新知基于物理的运动模型预测目前最为通用的方法，其复杂程度取决于车辆运动学和动力学建模的精细程度、不确定性如何处理、是否考虑道路的几何特征等等。基于物理的运动模型探索新知单一轨迹模拟假设车辆当前状态完全已知以及车辆模型是完全可以描述车辆的运动，基于车辆当前状态，应用车辆模型去预测车辆未来的轨迹。（1）单一轨迹模拟V2V1探索新知单一轨迹模拟该策略可以使用车辆动力学模型或者运动学模型优点该模型计算高效性，可满足实时性要求缺点未考虑当前状态的不确定性和车辆模型缺陷预测轨迹在长时间（不超过1s）下就会不可靠探索新知高斯噪声模拟当车辆状态和车辆模型的不确定性服从正态分布时，由于高斯噪声在卡尔曼滤波中的应用，使其在描述不确定性方面很受欢迎。（2）高斯噪声模拟卡尔曼滤波探索新知高斯噪声模拟在递归的预测车辆状态时考虑传感器测量噪声，卡尔曼滤波是一个普适方法。贝叶斯滤波探索新知高斯噪声模拟当车辆模型和传感器模型是线性的以及不确定性用正态分布描述时，就形成了贝叶斯滤波特例。探索新知高斯噪声模拟Step1预测步在时刻t估计的车辆状态推送给车辆模型，预测出时刻t+1以高斯分布的形式的车辆状态。在时刻t+1，传感器测得的状态结合预测状态得到时刻t+1，以高斯分布的车辆估计状态。Step2更新步每时每刻的对预测和更新循环，得到的车辆估计状态被称为滤波探索新知高斯噪声模拟通过预测步的循环，可以得到未来每一时刻车辆状态的均值和协方差矩阵，转换后可以计算出联合了不确定性（每一时刻的正态分布）的均值轨迹。探索新知高斯噪声模拟优点预测轨迹不确定性方面优于单一轨迹仿真模拟缺点用一个单峰的正态分布对不确定性建模并不足以描述不同操作的可能性探索新知蒙特卡洛模拟当车辆模型不是线性或不确定性没有高斯特性，预测状态分布的解析表达式往往是未知的。探索新知蒙特卡洛模拟蒙特卡洛方法提供了近似这种分布的手段，其思想在于对车辆模型的输入变量进行随机采样以生成潜在的未来轨迹。（3）蒙特卡洛模拟探索新知蒙特卡洛模拟为了考虑路谱，可在生成的轨迹当中加入权重，来删除不满足道路约束的轨迹，输入采样并不需要将输入视作固定值。典型输入参数采样：加速度、转向角或是侧向偏差（3）蒙特卡洛模拟探索新知蒙特卡洛模拟考虑到动作的可执行性，大侧向加速度的轨迹样本可以剔除考虑到车辆模型的物理限制，输入更多分布在可执行空间，后处理过程中的移除不可执行轨迹也不是必要的探索新知蒙特卡洛模拟不管当前状态是完全已知还是通过滤波的策略估计不确定的当前状态，蒙特卡洛模拟都可以用以预测车辆未来的状态。探索新知小贴士由于只考虑低层次的运动特性（动力学和运动学特性），基于物理的运动模型只能预测短期内（低于1s）的轨迹。它们不能预测执行一些特定操作（在一个十字路口，降速，定速转弯，然后加速过弯）时车辆运动的改变，或者是外部因素引起的车辆任何运动的变化（有前车引起的降速）。即时检测小测试单一轨迹模拟方法适用于哪些实时应用？小结三个不同的预测方法单一轨迹模拟高斯噪声模拟蒙特卡洛模拟谢谢观看THANKS智能网联汽车技术目标运动预测-基于行为的运动模型预测项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入通过了解运动模型的行为，可以更好地预测未来的移动轨迹，从而做出更加安全和智能的驾驶决策。学习目标基于轨迹原型的方法01基于驾驶行为或意图估计的方法02了解它们的原理、优势和应用场景03学习任务通过案例分析和实践探究，掌握如何应用这两种方法来预测目标的运动轨迹01激活旧知在智能汽车中，为什么需要进行目标运动预测？预测其他车辆、行人或障碍物可能的运动轨迹自动驾驶系统中决策和控制模块的重要组成部分通过预测周围物体的未来运动，智能汽车可以更好地做出决策并规划行驶路径，确保行驶的安全性和顺畅性。探索新知基于行为的预测

所有运动物体（车辆、行人、动物等等）的运动都是一组运动行为的组合。基于行为的预测探索新知基于行为的预测巡航左转跟车超车停车探索新知基于行为的预测沿着人行横道运动沿着人行道上运动探索新知基于行为的运动模型基于行为的运动模型的轨迹预测依赖于提前对驾驶员期望行为的识别，如果能够识别驾驶员的驾驶意图，那就可以假设预测的未来轨迹是与行为相匹配的。探索新知基于行为的运动模型基于轨迹原型基于驾驶意图估的行为这种提前识别，使该方法预测的轨迹比基于物理的运动模型更具有相关性和可靠性基于行为的运动模型探索新知轨迹原型其思想是路网中的车辆轨迹可以归类为一簇有限的集群，每一种路径集对应一种典型的运动模式。轨迹原型探索新知轨迹原型通过对数据的训练和学习，可以得到轨迹原型中的运动模式，随后的预测便可以在在线给定部分轨迹时找到最近似的运动模式，并从轨迹原型中提取轨迹作为未来的运动预测。探索新知驾驶行为/意图估计和行为提取估计驾驶员的行为意图（在停止线的等待，跟车，执行左转），然后预测与所识别的行为对应的可能操作的、连续的物理状态。优势：不用去匹配提前观测到的部分轨迹探索新知驾驶行为/意图估计和行为提取采用提取更高层次的特征来识别行为，使得任意布局的学习模型实现起来更为容易，表达方式可以是随机的或是几何的形式。(a)RRT

(b)

高斯过程

(c)随机可达集探索新知驾驶行为/意图估计和行为提取在实践中，对车辆的运动对立于其他车辆的假设是不成立的。各车辆共享路权，一辆车的行为势必影响其他车辆的行为，在道路交叉口的车辆内部关联更为强烈，优先级规则迫使车辆必须考虑其他车辆正在执行的行为。即时检测小测试基于行为的运动模型预测方法有哪两种？分别讲一讲它们的原理和优势。小结目标运动预测-基于行为的运动模型预测基于轨迹原型的方法：通过归类轨迹为一簇集群来预测未来运动轨迹基于驾驶行为或意图估计的方法：通过估计驾驶员的行为意图来预测可能的操作和物理状态谢谢观看THANKS智能网联汽车技术目标运动预测-感知/意识交互的运动模型项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入目标运动预测-感知/意识交互的运动模型：一门关于智能网联汽车的先进技术能更好地理解和评估周围环境中的运动物学习目标了解基于轨迹原型的目标运动预测模型和基于动态贝叶斯网络的模型的原理和优缺点01描述感知/意识交互运动模型的计算成本和实时风险评估的兼容性02激活旧知目标运动预测的目的是什么？为什么需要预测周围物体的运动？目标运动预测的目的：帮助智能网联汽车更好地了解周围环境，做出正确的决策和控制，并从中获取其他运动物体行为的信息。探索新知基于运动交互的假设运动物体之间是有相互交互关系的路口直行和左转的车辆汇入同一条车道时，按照转向让直行的交规，转向的车辆会减速避让直行的车辆。探索新知基于运动交互的假设运动物体之间是有相互交互关系的行人永远拥有路权，但当他们感觉受到车辆运动的威胁时，会停下来等待观望车辆变道时通常会有信号指示灯探索新知基于运动交互的假设基于运动交互的假设基于轨迹原型基于动态贝叶斯网络有助于更好地理解环境，以及更可靠的风险评估探索新知基于轨迹原型的模型对于依赖于轨迹原型的方法，车辆间的相互影响在学习期是难以考虑的，因为产生的大量运动模式会很快变得难以处理。探索新知基于轨迹原型的模型但通过假设驾驶员在他们可以做到的条件下是有意识去避免碰撞的，那么在匹配期间考虑相互间的影响时有可能的，那些会导致不可避免的碰撞轨迹在匹配期间会加以限制。探索新知基于轨迹原型的模型在用原型轨迹时考虑相互联系，这是一个简练的处理方式。由于车辆对另一车辆轨迹的影响难以直接建模，所以，原有的一些弊端在这种方式上仍然存在。探索新知基于动态贝叶斯网络的模型大部分感知/意识交互的运动模型是基于动态贝叶斯网络(DBN)用耦合隐马尔可夫模型(CHMMs)可以对多运动实体的成对依赖关系进行建模探索新知基于动态贝叶斯网络的模型由于成对依赖关系的数量会随实体的数量成平方增长，在复杂的交通情况下，复杂性是难以管理的。通过假设周围的交通会影响车辆的利益实现CHMMs的非对称可以简化模型。探索新知基于动态贝叶斯网络的模型依赖性的非对称假设大大地降低了计算的复杂度。该假设就在很多场景使用，特别是在换道超车或跟车探索新知小贴士那么感知/意识交互运动模型的优缺点有哪些呢？感知/意识交互的运动模型是目前所报道的最综合的方法。由于考虑了车辆的相互依赖关系，相比基于物理的运动模型，它具有更长时间预测能力；相比基于行为的运动预测，它具有更高的可靠性。但是，该方法也存在一些缺陷：计算成本高，不兼容实时的风险评估。即时检测小测试基于轨迹原型的目标运动预测模型有什么优点和缺点？小结目标运动预测-感知/意识交互的运动模型基于轨迹原型基于动态贝叶斯网络模型这些模型可以帮助智联网汽车更好地理解周围环境，并做出可靠的决策和控制，同时也意识到这些模型的计算成本较高，不适合实时风险评估。谢谢观看THANKS智能网联汽车技术全局路径规划项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入

在智能网联汽车中，全局路径规划非常重要，它能够根据各种信息为我们提供到达目的地的最优路径。学习目标了解全局路径规划的定义和作用01掌握传统算法中的迪杰斯特拉算法和A*算法02学习任务通过实例分析，理解全局路径规划的应用场景和局限性01激活旧知什么是路径规划？路径规划：找到一条从起点到目的地的最佳路径在自动驾驶中，全局路径规划特别重要，因为它能够在整个路网中为我们规划一条最优的路径。

探索新知路径规划模块局部环境感知可用的全局车道级路径相关交通规则根据驾驶需求进行任务决策，接着在能避开可能存在的障碍物前提下，通过一些特定的约束条件，提供能够将车辆引导向目的地（或目的点）的最优路径。探索新知自动驾驶车辆的路径规划根据环境信息是否完全已知：1全局环境路径规划建立所要规划路径的框架2局部环境路径规划弥补其中的细节3混合路径规划方法两者相辅相成探索新知定义已知全局环境下各个障碍物的位置、大小等相关信息，以此进行最优路径的求取。全局路径规划(RoutePlanning)探索新知定义局限性：由于障碍物之间密度过大或在有障碍物和狭窄通道的情况下容易规划失败大多数算法在搜索路径时间复杂度过高特点：可以求取最优解全局路径规划算法：一般在生成轨迹后，不会再进行多次的规划智能网联汽车全局路径规划需依据高精度地图、定位信息和驾驶者设定的目的地来规划出一条全局的路径，这条路径只考虑起始点和道路最优。探索新知定义探索新知定义考虑道路标志信息、道路总长度、拥堵程度，因而不能动态避障不对实时环境信息进行考虑（行人、车辆和交通信号灯、道路宽度、道路中心线曲率、动静态障碍物信息）探索新知算法分类全局路径规划算法传统算法智能算法遗传算法、蚁群算法等基于图的搜索算法基于采样的规划算法D算法、A*算法等PRM、RRT等探索新知算法分类运动规划(MotionPlanning)目的是从某一空间的固定位置转向另一个固定位置的转换序列。探索新知算法分类路径规划(PathPlanning)可将无人车感知环境进行栅格化处理，将感知的障碍物以及智能车选取的局部目标点映射到相应的网格中，通过对无“占据”网格的连接得到一条从当前位置到目标位置的路径。因此，一些传统的图搜索算法在智能汽车中得到广泛应用。探索新知算法分类Dijkstra算法一种经典的路径规划算法以起点为中心向外进行层层搜索，得到最短的路径Dijkstra算法探索新知算法分类Dijkstra算法广泛应用于寻找地图上一个顶点到另一个顶点的最短距离，解决了寻找地图上最优路径问题，但由于D算法采取的是盲目搜索策略，在搜索过程中搜索了很多无意义几点，所以其算法效率偏低。探索新知算法分类A*算法引入了启发式代价函数的概念使得路径点能够有方向性的朝向终点运动，即启发式搜索大大提高了搜索效率A*算法探索新知小贴士A*算法1.把起点加入Openlist。2.重复如下过程：a)遍历Openlist，查找F值最小的节点移到Closelist，把它作为当前要处理的节点。b)判断当前方格的8个相邻方格的每一个方格，若为Unreachalbe或者已在Closelist中则忽略。否则做如下操作。c)如果它不在Openlist中，把它加入Openlist，并且把当前方格设置为它的父亲，记录该方格的F，G和H值。探索新知小贴士A*算法d)如果它已经在Openlist中，检查这条路径(即经由当前方格到达它那里)是否更好，用G值作参考。更小的G值表示这是更好的路径。如果是这样，把它的父亲设置为当前方格，并重新计算它的G和F值。3.直到Openlist为空，从终点开始，每个方格沿着父节点移动直至起点，这就是最优路径。探索新知算法分类图形构建即为场景地图添加路径规划信息的过程，其中的路径规划信息往往需要根据实际场景进行界定。图形搜索即通过图形构建中提供的地图信息与相关规划信息对最佳路径计算的过程。该过程相关的搜索算法广泛，使用最多的为A*算法与D*算法两者在实际使用时往往均需要针对图形构建步骤的结果进行再设计即时检测小测试全局路径规划方法有哪两类？小结全局路径规划的概念、方法和算法Dijkstra算法A*算法传统算法无论是传统算法还是智能算法，都在路径规划中发挥着重要的作用。谢谢观看THANKS智能网联汽车技术局部路径规划项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入自动驾驶汽车在完全未知的环境里面自主驾驶怎么确定自己的行驶路径？是预先规划好全局路径，还是根据实时环境进行局部规划?学习目标学习局部路径规划的基本概念和算法分类01学会解释其基本概念，并能举例说明它的作用02学习任务和小智一起，完成对局部路径规划必要知识的介绍01激活旧知为什么需要局部路径规划吗?局部规划相比全局规划而言，可以根据环境的复杂多变从而做到实时调整，以确保驾驶安全。探索新知全局规划通常需要在已知环境中进行，属于一种事前规划，可以找到最优解，但是一旦环境发生变化，或未及时更新地图时，该方法就不能达到预期效果。全局规划探索新知全局规划车辆在实际行驶中，位置、航向和转弯半径是连续变化的，那么生成的路径也要满足位置、切向方向和曲率的连续变化。探索新知全局规划作用：基于一定的环境地图寻找一条满足车辆运动学约束和舒适性指标的无碰撞路径。属于全局路径规划的实时补偿规划局部路径规划探索新知局部路径规划车辆在一段较短时间或空间内的动态路线规划，通常在未知或部分已知的环境中，系统根据车载传感设备及V2X实时获取到环境障碍物及驾驶人的状态信息，包括交通信号、自车位姿状态、动静态障碍物信息等。局部路径规划探索新知局部路径规划并做出相应规划，规划出的路径可以实现动态避障功能和超车变道等情境中，具有较高的实时性，从而提高轨迹的合理性及安全性。局部路径规划探索新知局部路径规划从车辆的当前位置出发，根据一系列车身传感器感知得到的障碍物运动速度与运动方向等信息，在机器视觉的一定预瞄范围内规划出一条安全、可靠的最短参考路径，同时该参考路径必须满足动态避障条件，并由一定间距的点序列构成。探索新知局部路径规划移动车辆在沿参考路径运动的同时，以车辆当前行走速度，对参考路径进行新一轮规划，并将重新规划的路径代替原参考路径，进入新一轮的路径跟踪控制，使车辆沿动态参考路径不断向全局目标点接近。探索新知典型算法现阶段智能汽车的局部路径规划方法多样，但在实时性与鲁棒性等方面有所差异人工势场法神经网络法模糊逻辑法遗传算法探索新知典型算法krogh和khatib于1986年提出的一种构造虚拟势函数的方法，人工势场法结构简单、计算量小，对传感器要求低，很好的解决实时避障问题上。人工势场法（potentialfield）探索新知典型算法智能汽车要到达的目标点对其产生引力势场，方向由四周向自身聚拢，而障碍物对汽车产生斥力势场，方向由其自身向外部发散。将智能汽车的运动简化为在受力场中的运动探索新知典型算法将智能汽车的运动简化为在受力场中的运动由于引力势场和斥力势场的共同作用，引力场根据与目标点的距离增加而单调递增，且方向指向目标点，而斥力场在车辆处在障碍物位置时有一极大值，并根据车辆与障碍物距离的增大而单调减小，方向指向远离障碍物方向。探索新知典型算法智能汽车能够在引力作用下向目标点移动，因为斥力作用而躲避障碍物，因此汽车能够顺利安全地到达终点。将智能汽车的运动简化为在受力场中的运动探索新知典型算法该种算法被广泛应用于路径规划中人工势场算法简单实用，无须对全局进行搜索，且鲁棒性较强，且有着良好的实时性和较简单的结构，便于底层的实时控制，在智能汽车的实时避障和平滑的轨迹控制方面得到广泛的应用。探索新知典型算法由于引力势场的范围比较大，而斥力的作用范围只是局部的，当车辆和障碍物的距离超过障碍物影响范围的时候，车辆不受排斥势场的影响。探索新知典型算法因此而会出现诸如存在陷阱区域、在相近的障碍物群中不能识别路径和在狭窄通道中摆动之类的缺点。人工势场法只能解决局部空间的避障问题探索新知典型算法采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，能够模拟人脑复杂的层次化认知特点的深度学习。神经网络算法探索新知典型算法由于其算力和泛用性等方面的优越性，对于应对往往处于信息完全未知或部分未知环境的局部路径规划，神经网络算法体现出了很大的应用潜力。神经网络算法探索新知典型算法建立一个关于车辆从初始位置到目标位置行走路径的神经网络模型，模型输入是传感器信息和车辆前一位置或者前一位置的运动方向，通过对模型训练输出车辆下一位置或者下一位置的运动方向，通过其自学习能力降低环境中的动态因素对系统的影响。探索新知典型算法对于智能汽车动态运行状态的多状态处理有着很强的包容性，但需要量的参数和较长的学习时间。探索新知典型算法根据人类的驾驶经验产生的，司机能够根据模糊环境信息做出转弯直行等避障动作，参考这一过程移动机器人在路径规划的时候，先将环境信息模糊化，再通过查规则表来获得规划的结果。模糊逻辑算法探索新知典型算法缺点模糊判断需要较多的先验知识，所以灵活性较差当输入较多时会造成规则库或模糊表急剧膨胀优点克服了一般局部规划方法产生局部极小点的弊端实时性较好探索新知典型算法遗传算法近来在移动机器人路径规划领域取得了许多成果基本思想首先将个体编码为路径中的一些中间点，然后再进行选择、交叉、复制、变异这些遗传操作，经过若干代的选择之后最后输出的是最优个体。探索新知典型算法遗传算法是一种并行计算的方法，不容易陷入局部极值点，但由于其计算速度较慢限制了它的应用。遗传算法的进化方向由适应度函数决定，因此适应度函数的选择非常重要探索新知典型算法以上介绍了几种目前常用环境信息已知的全局规划和环境信息未知的局部规划的方法，但现实的环境往往介于两者之间。即环境信息部分己知和部分未知的情况探索新知典型算法针对上述的环境，一种全局路径规划和局部路径规划相结合的混合路径规划的思路被一些专家和学者所提出，既利用了全局路径规划环境利用率高的特点也结合了局部路径规划的灵活性。即时检测小测试人工势场法的主要优缺点是什么?小结局部路径规划的概念、方法和算法人工势场法神经网络算法模糊逻辑算法遗传算法了解四个算法的优缺点清楚了局部路径规划的原理和流程它们都在路径规划中发挥着重要作用，可以根据不同的路况从而选择不同的算法谢谢观看THANKS智能网联汽车技术基于采样的路径规划算法项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入想象一下，如果让汽车在一个复杂动态环境中快速规划出一条安全驾驶路径，应该如何高效实现呢?学习目标学习基于采样的路径规划的几种算法01学会解释基于采样的路径规划算法及其效率优势02学习任务共同完成对几种典型采样算法的介绍01激活旧知随机采样搜索与传统全局搜索有什么不同吗?随机采样搜索更高效传统全局搜索时间长探索新知基于随机采样的路径规划算法适用于高维度空间，由于求解时间是有限制的，大部分情况下只能得到一个概率层面上的最优路径，可提高搜索效率。基于随机采样的路径规划算法探索新知基于随机采样的路径规划算法基于随机采样的路径规划算法单查询算法渐近最优算法找到可行路径，侧重快速性找到的路径进行逐步优化达到最优，侧重最优性探索新知基于随机采样的路径规划算法概率路图法PRM(ProbabilisticRoadMap)算法随机扩展树法RRT(Rapidly-exploringRandomTrees)算法动态窗口法DWA算法探索新知随机路图法（PRM）以图结构为基础的路径规划算法分为两个阶段：学习阶段和查询阶段首先将连续空间转换成离散空间，在规划空间内随机选取N个节点。随机路图法（PRM）探索新知随机路图法（PRM）学习阶段（构建图）在有起始点和目标点的C-空间内随机撒下N个粒子删除在障碍物中的点每个点连接到最近的点，得到无碰路径图距离太长或者连线有经过障碍物的，不连接探索新知随机路图法（PRM）查询阶段（搜索路径）在路线图上搜索以找到从开始到目标的路径(使用Dijkstra's或A*)路线图与网格图（或简化的网格图相似）探索新知小贴士随机路图法（PRM）的算法过程？从构建的图上的起点使用图搜索算法(A*、Dijkstra)规划一条从起点到终点的路径，然后将每个点与它相邻的点(一定距离内)连接起来，剔除碰到障碍物的连接。连续空间转换成离散空间构建图（红色和绿色的线不连接）剔除碰到障碍物的连接搜索路径探索新知随机路图法（PRM）在多数问题上，相对少的样本足够来覆盖大分的可行空间，并且找到路径的概率为百分之百。当随机采样点太少或分布不合理时，PRM算法是不完备的，但随着采用点的增加可以达到完备，所以PRM是概率完备且不最优的。探索新知快速探索随机树路径规划方法（RRT）一种适用于多维空间中路径规划方法以一个初始点作为根节点，通过随机对空间中的路径点进行采样来增添子节点，以此构造一个随机扩展树。当随机树中的子节点进入了目标点所在的目标区域内时，已成功寻找到路径。该方法得到的路径是一条蜿蜒曲折的路径。快速探索随机树路径规划方法（RRT）探索新知快速探索随机树路径规划方法（RRT）与PRM方法相似，该方法也是概率不完备的，利用该方法所求得的最终路径往往不是最优，而且当面对狭窄通道型障碍物时，RRT算法往往需要花费很多时间进行随机树扩展才可以找到出口。探索新知快速探索随机树路径规划方法（RRT）PRM算法：在一开始就通过抽样在地图上构建出完整的无向图，再进行图搜索RRT算法：从某个点出发一边搜索，一边抽样并建图探索新知动态窗口法根据机器人或自动驾驶汽车当前的线速度和角速度，在速度空间中进行采样，通过所设计的评价指标对一定时间内的运动轨迹进行评价，并选择最优轨迹所对应的控制量对机器人或车辆进行控制。DWA算法（动态窗口法）探索新知动态窗口法DWA算法核心采样动态规划空间维度的采样（轨迹采样）时间维度的采样（速度采样）探索新知动态窗口法动态窗口法中，在不同场景下需要进行代价函数的选择和设计DWA算法的仿真结果需考虑的因素01保证机器人或者自动驾驶汽车行进方向不会频繁切换02不会与障碍物或者道路边缘发生碰撞03航向角没有突变04局部路径方向与目标点方向一致05速度在区间内即时检测小测试PRM算法的主要步骤是什么？小结基于采样的路径规划的三个算法PRM随机路图法RRT快速随机树法动态窗口法谢谢观看THANKS智能网联汽车技术启发式搜索算法项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入没有导航仪，要怎么找到路的呢?盲目搜索，找到路的速度会很慢，而且很容易走远路或者走错路事先规划，对周围路况有所了解，大幅度提高搜索效率，搜索最佳路线学习目标学会解释启发式搜索算法的思路、原理和具体算法01能应用到汽车路径规划中去02学习任务用生动形象的例子帮助理解启发式搜索算法01与小智一起设计一个汽车路径规划的启发式搜索算法02激活旧知路径规划算法有哪些类型吗？迪杰斯特拉算法一种比较经典的最短路径算法通过为每个路径设置权重，逐步遍历找到最短路径A*算法借鉴Dijkstra算法的思想利用启发式函数优化了搜索过程探索新知盲目搜索通常效率较低，时间和空间计算开销大启发式搜索利用问题的启发信息来指导搜索，从而达到降低搜索空间复杂度和问题复杂度的效果探索新知启发式算法思路：由日常生活中发现规律，寻找适合的方法启发而来的，能够得到近似的理想解，大大提高了搜索效率。探索新知定义即有信息搜索(InformedSearch)利用问题拥有的启发信息来引导搜索，达到减少搜索范围、降低问题复杂度的目的。启发式搜索(HeuristicallySearch)探索新知定义在智能汽车状态空间中的搜索，对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标坐标。探索新知原理和算法基本思想

将状态空间通过确定的方式离散成一个图，然后利用各种启发式搜索算法搜索可行解甚至是最优解，这类算法具有解析完备性，甚至是解析最优性。探索新知原理和算法利用当前与问题有关的信息作为启发式信息，这些信息是能够提升查找效率以及减少查找次数的。keyword探索新知原理和算法估价函数h(x)：对当前状态x的一个估计，表示x状态到目标状态的距离。起始状态到x状态所花的代价为g(x)：含义从起点到x位置花的步数在最短路径中，g(x)是到x点的权值，h(x)是x点到目标结点的最短路或直线距离探索新知原理和算法根据搜索依据函数的不同代价一致搜索UniformCostSearchorDijkstrasearch贪心搜索GreedySearchA*搜索A*Search探索新知原理和算法代价一致搜索具有完备性，能找到最优解，但效率太低1F(x)=g(x)：按照花了多少代价去搜索，从离得近的层开始搜索，一层一层搜2dijkstra算法：依据每条边的代价开始选择搜索方向探索新知原理和算法贪心搜索F(x)=h(x)：贪婪优先搜索，每次都是向最靠近目标的状态靠近。不具有完备性，不一定能找到解探索新知原理和算法A*搜索A*算法：对A算法进行了修改，证明了当估价函数满足一定条件，算法一定能找到最优解，估价函数满足一定条件的算法称为A*算法。限制条件F(x)=g(x)+h(x)代价函数g(x)>0h(x)的值不大于x到目标的实际代价h*(x)即定义的h(x)是可纳的，是乐观的探索新知原理和算法A*搜索吸取Dijkstra算法中的当前代价，为每个边长设置权值，不停计算每个顶点到起始顶点的距离，以获得最短路线。吸取贪婪最佳优先搜索算法中不断向目标前进优势，并持续计算每个顶点到目标顶点的距离，以引导搜索队列不断向目标逼近，从而搜索更少的顶点，保持寻路的最优解。探索新知启发式搜索算法总结启发式算法与最短路径问题通常用于资讯充份的搜寻算法（最好优先贪婪算法与A*）最好优先贪婪算法为启发式函数选择最低代价的节点为g(n)+h(n)选择最低代价的节点，此g(n)是从起始节点到目前节点的路径的确实代价。如h(n)是可接受的意即h(n)未曾付出超过达到目标的代价，则A*一定会找出最佳解A*探索新知启发式搜索算法总结启发式算法对运算效能的影响任何的搜寻问题中，每个节点都有b个选择以及到达目标的深度d，一个毫无技巧的算法通常都要搜寻bd个节点才能找到答案。探索新知启发式搜索算法总结启发式算法对运算效能的影响分叉率可以用来定义启发式算法的偏序关系，例：若在一个n节点的搜寻树上，h1(n)的分叉率较h2(n)低，则h1(n)<h2(n)。为每个要解决特定问题的搜寻树的每个节点提供了较低的分叉率，因此拥有较佳效率的计算能力启发式算法借由使用某种切割机制降低了分叉率以改进搜寻效率，由b降到较低的b'即时检测小测试启发式搜索算法和传统盲目搜索算法的主要区别是什么吗?小结启发式搜索利用问题自身的信息指导搜索方向启发式搜索算法在汽车导航路径规划中的应用谢谢观看THANKS智能网联汽车技术自动驾驶行为决策项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入自动驾驶汽车利用行为决策系统在复杂多变的道路环境中，根据各种条件自主做出继续直行、转弯、减速、变道等决策，它模拟人类驾驶员的思维逻辑,让汽车获得独立思考和决策的能力。学习目标学习自动驾驶汽车行为决策的作用、说明其工作流程、概述两种主要决策方法01理解决策系统的作用和工作流程02解释两种决策方法的原理、优缺点、以及未来发展趋势03学习任务根据所学知识，为一辆自动驾驶汽车设计一个简单的决策系统01激活旧知人工智能技术是如何应用于自动驾驶汽车的，主要用于哪些方面呢?感知决策控制激活旧知人工智能让汽车拥有独立感知环境、做出决策的能力！汽车需要根据导航路线和环境，自己做出继续直行、转弯、变道等决策。探索新知无人驾驶汽车拥有自己的一套规划和决策的系统，行为决策就是这套系统的大脑无人驾驶汽车根据路网信息和用户终点设置完成全局规划时，车辆在行驶的过程中需要检测和调整自身的行驶轨迹，在保证遵守交通规则的同时还可以躲避障碍物和行人，达到人类驾驶行为的要求，完成规划的任务。探索新知

无人驾驶汽车通过摄像头或雷达等各类传感器对真实环境进行感知与建模，形成环境模型与局部地图，GPS和惯性导航系统再根据环境模型和局部地图进行定位与建图，形成全局地图，然后输入至行为决策与路径规划模块，形成局部路径传至运动控制模块，从而使车辆的运动状态发生改变，依次循环。探索新知定义在接收到全局路径后，自动驾驶车辆结合从感知模块得到的环境信息（其他车辆与行人，障碍物，以及道路上的交通规则信息），考虑周边环境、动静态障碍物、车辆汇入以及让行规则等，与无人驾驶库中的经验知识等进行匹配，作出适合当前交通环境之下的具体行为决策（选择变道超车还是跟随）。行为决策层（BehavioralLayer）探索新知典型算法类型基于强化学习的行为决策方法基于规则的行为决策方法探索新知典型算法类型其主要是将无人车的运动行为进行划分，根据当前任务路线、交通环境、交通法规以及驾驶规则知识库等建立行为规则库，对不同的环境状态进行行为决策逻辑推理，对驾驶员的行为进行输出，同时接受运动规划层对当前执行情况的反馈情况进行实时动态调整。基于规则的行为决策方法全局路径规划层当前任务路线交通状况驾驶规则知识库行为决策逻辑推理运动规划层驾驶行为输出当前行为执行情况探索新知典型算法类型在基于规则的行为决策中，有限状态机法是最经典也是最具有代表性的方法，其