自动驾驶路径规划(智能驾驶)面试题目

增大比例系数P将加快系统的响应，它的作用于输出值较快，大的比例系数会使系统有比较大的超调，并产生振荡

积分能在比例的基础上消除余差，它能对稳定后有累积误差的系统进行误差修整，减小稳态误差

它可以使系统超调量减小，稳定性增加，微分具有超前作用，

预测控制算法的三要素：内部（预测）模型、参考轨迹、控制算法。现在一般则更清楚地表述为内部（预测）模型、滚动优化、反馈控制。

大量的预测控制权威性文献都无一例外地指出, 预测控制最大的吸引力在于它具有显式处理约束的能力, 这种能力来自其基于模型对系统未来动态行为的预测, 通过把约束加到未来的输入、输出或状态变量上, 可以把约束显式表示在一个在线求解的二次规划或非线性规划问题中.

————————————————

版权声明：本文为CSDN博主「tingfenghanlei」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/tingfenghanlei/article/details/85046120

路径规划、避障规划、轨迹规划 。 路径规划通常指全局的路径规划，也可以叫全局导航规划，从出发点到目标点之间的纯几何路径规划，无关时间序列，无关车辆动力学。

避障规划又叫局部路径规划，又可叫动态路径规划，也可以叫即时导航规划 主要是探测障碍物，并对障碍物的移动轨迹跟踪（缩写为MODAT）做出下一步可能位置的推算，最终绘制出一幅包含现存碰撞风险和潜在碰撞风险的障碍物地图，

轨迹规划应该是在路径规划和避障规划的基础上，考虑时间序列和车辆动力学对车辆运行轨迹的规划。主要是车纵向加速度和车横向角速度的设定。将设定交给执行系统，转向、油门、刹车。

避障规划的前提是对周围环境有深刻的理解，有一个非常完善实时的的环境理解。

有了环境模型（不同于环境理解），在加上路径搜索就构成了路径规划。 通常 环境模型是三大类，分别是栅格法、可视图法、自由空间法。 路径搜索的算法就多了， Dijkstra、Floyd-Warshall、A+算法、层次法、动作行为法、势场域法。

环境建模方面，栅格法是公认最成熟的算法，栅格法应该也是安全系数最高的算法。栅格法把工作空间分割成规则而均匀的含二值信息的栅格。 在机器人移动的过程中，栅格的尺寸和位置不变。二值信息分别表示该栅格处是否有障碍，没有障碍的栅格称为自由栅格，否则为障碍栅格。栅格的尺寸通常和机器人的基本移动步长相适应，故机器人移动转化成从一个自由栅格移动到下一个自由栅格，机器人移动的路长对应于机器人爬过的栅格数。栅格法直观且建模相对较容易，因此得到了广泛的应用。

路径搜索方面，典型的如 Dijkstra

Dijkstra（迪杰斯特拉）算法是最短路算法的经典算法之一，由E.W.Dijkstra在1959年提出的。该算法适于计算道路权值均为非负的最短路径问题，可以给出图中某一节点到其他所有节点的最短路径，以思路清晰，搜索准确见长。相对的，由于输入为大型稀疏矩阵，又具有耗时长，占用空间大的缺点。

轨迹规划则研究的很少，对于生成的轨迹是否满足运动学约束、 侧滑约束以及执行机构约束，即轨迹的可行性，研究相对较少.

研究人员通常基于车体模型进行轨迹规划。按照车体模型的精确程度，轨迹规划方法可以进一步分为基于模型预测控制 (Model predictive control, MPC) 以及基于几何轨线的规划方法，贝塞尔曲线

如图2所示为sequential planning 的过程，简要概括为路径规划->决策过程->车辆控制，本小结将要讲述的路径规划属于其中的第一步与第三步。

在无人车的运动轨迹生成问题上，有直接轨迹生成法与路径-速度分解法两种，相比第一种，路径-速度难度更小，因此更加常用。 路径规划可分为四大类：

以PRM、RRT为代表的基于采样的算法、 以为A*、D*代表的基于搜索的算法，

以β样条曲线为代表的基于插值拟合的轨迹生成算法， 以及以MPC为代表的用于局部路径规划的最优控制算法。

Reeds-Shepp曲线。Reeds-Shepp曲线由几段半径固定的圆弧和一段直线段拼接组成，而且圆弧的半径就是汽车的最小转向半径。

Dubins曲线和Reeds-Shepp曲线差不多，只不过多了一个约束条件：汽车只能朝前开，不能后退（不能挂倒挡）

Astar算法：， 它结合了Dijkstra和启发式算法的优点，以从起点到该点的距离加上该点到终点的估计距离之和作为该点

在无人车辆人局部路径规划过程中，需要满足车辆运行过程中的各种约束，一方面要并保证车辆不发生事故，遵守物理条件的要求，另一方面也要满足高速运行的实时性要求。

路径规划目前较好的适用于车辆的路径规划方法：

1、搜索法基本思想是将空间分解为多个栅格，寻找一条最优连通路线作为目标路径例如 A*，D*算法等；

2、人造势场法将目标环境模拟为能量场，障碍区为斥力，建议通过的区域为引力极，但该方法对物体边缘复杂难以识别，同时容易进入局部最小不能得到最优解；

3、神经网络与遗传算法进行的路径规划方法也逐渐出现，但这些方法计算较为复杂，通常用于全局规划。

因此对于适应车辆安全换道的轨迹并不是任意曲线都可以实现的，对于车辆系统提出换道轨迹设计至少应满足以下准则：

1、轨迹连续；

2、轨迹曲率可导；

3、轨迹容易被车辆跟随，且容易生成；

通常都采用曲线拟合的方法来对离散化的路点进行处理和规划。