本文主要是介绍自动驾驶代客泊车AVP决策规划详细设计，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
- 背景
随着产品的不断迭代，外部停车场的铺开，PAVP车辆需要应对的场景将越来越复杂，因此整体算法泛化能力的提升显得尤为关键。为了打磨巡航规划的能力，算法架构应当设计的更为灵活，可以针对使用场景迁入更为先进有效的算法，同时也可以更好的结合现有成熟的仿真平台进行算法的离线调优；此外考虑到产品的设计需求以及硬件算力的限制，算法性能的优化也是十分重要的课题。
- 算法架构图
- 总体算法架构图
|
|
| 图1 总体架构图 |
为了增强算法的可扩展性，提高开发效率，pnc算法模块总体架构包含算法和基础两大组件，基础组件主要包含配置管理、坐标系管理、底盘信息处理、状态机、通用库、工具和仿真支持模块，这些基础组件将复用信息进行了抽离整合，同时提供了接入辅助平台的接口。
-
- 预处理模块架构图
|
|
| 图2 预处理模块架构图 |
预处理模块的主要功能是将上游信息根据下游的使用情况进行整理，主要包括道路认知模块和障碍物筛选模块。
道路认知模块会将场端信息、定位信息、云端任务以及高精地图的信息进行整理，输出道路限速（speed_limit），停止点信息（control_point），道闸状态（barrier_status），道路信息（road_info）以及车位信息（park_info）。
障碍物筛选模块则会基于系统状态机，障碍物信息以及定位/地图消息，通过在限定ROI范围内计算安全场来筛选过滤出需要下游处理的障碍物，之后通过投影至Frenet坐标系上，由近及远进行障碍物的排序。
-
- 决策模块架构图
|
|
| 图3 决策模块架构图 |
决策模块主要功能是结合障碍物、环境、状态机和定位信息，给出相应的决策状态（DEC_mode）、决策目标（DEC_target）决策边界（DEC_boundary）。
决策状态机主要通过系统状态（master_state）道路信息（road_info）和车位信息（park_info）进行主车状态的决策，通过不同的决策状态，可以指向不同场景对应的规划器，从而选择合适的规划器来应对当前的场景。
决策目标主要是根据道路信息和道路限速（speed_limit）给出规划需要的参考线线和限速信息，规划模块可以根据参考线进行路径规划，参照限速信息进行速度规划。
决策边界模块参考障碍物信息（obstacle_info），道路信息和停止点信息（control_point）进行边界定义。根据边界信息可以将通行区域进行分解，给出可行解空间，规划模块根据给定的解空间进行规划。
-
- 规划模块架构图
- 巡航规划架构图
- 规划模块架构图
|
|
| 图4 巡航规划模块架构图 |
巡航规划模块的主要功能是结合决策信息、车身数据以及imu数据在给定场景状态和解空间范围内，进行巡航轨迹的的规划。由于产品场景相对复杂，这里采用并行架构，可能根据场景的不同，优选适用的规划器进行轨迹输出（上图主要展示了当前算法中利用的geometry planner，之后可以扩展丰富更多的planner）。
-
-
- 泊车规划模块架构图
-
|
|
| 图5 泊车规划模块架构图 |
泊车规划模块的主要功能是结合决策信息、车身数据以及imu数据在给定场景状态和解空间范围内，进行泊车轨迹的的规划（上图主要展示了当前算法中利用的一种泊车轨迹规划方法）。
这篇关于自动驾驶代客泊车AVP决策规划详细设计的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
