百度EM Planner算法论文原文

简介：
本文为百度研发团队发布的关于EM Planner算法的原创性研究论文，深入探讨了该算法在资源调度与优化领域的创新应用及技术细节。 本段落介绍的是百度Apollo平台上的实时运动规划系统——EM Planner算法。该系统针对四级自动驾驶中的安全、舒适性和可扩展性问题进行了优化设计，并适用于多车道及单车道的驾驶场景，采用分层处理的方式： 1. **顶层策略**：在这一层级中，多车道策略负责处理车辆变道情况下的决策过程，通过并行计算实现对多个潜在路径的选择和比较。 2. **车道级轨迹生成器**：在此层次下，系统会迭代解决路径规划与速度优化的问题。基于Frenet框架进行精确的计算分析，确保在复杂环境中的驾驶安全性和效率。 3. **路径及速度优化**：结合动态规划方法以及二次样条插值技术，构建了一种可扩展且易于调整的框架，能够同时处理交通规则、障碍物规避和行驶平稳性等多方面的需求。 该系统可以适应高速公路与低速城市道路驾驶场景。作者通过具体示例和实际道路上的测试结果展示了算法的有效性和可靠性。自2017年9月Apollo v1.5版本发布以来，此规划器已经被部署在百度内部数十辆自动驾驶车辆上，并且截至到2018年5月份，在各种城市场景下进行了大约3,380小时或68,000公里的闭环测试。 **背景与目标** 自动驾驶技术的研究始于二十世纪八十年代，近几十年来发展迅速。其主要目的是减少道路交通事故并提高行车安全性。百度Apollo平台上的EM Planner算法是实现这一愿景的关键部分之一，通过精确和实时决策确保车辆在复杂环境下的安全行驶能力。 **核心技术细节** - **Frenet框架**：这是一种广泛应用于描述车辆运动的模型，将沿路方向（s轴）与横向偏离（d轴）分开考虑，简化了路径规划问题。 - **动态规划及二次样条插值技术**：动态规划用于寻找最优行驶路线；而使用二次样条插值求解平滑且满足约束的速度曲线，则保证驾驶的舒适性。 - **可扩展性设计**：算法能够快速适应不同的交通场景需求，无论是高速公路还是城市道路环境都可以生成合理的驾驶策略。 **应用场景与验证** 通过模拟测试和实际车辆行驶实验两种方式对EM Planner进行了全面性能评估。这证明了该系统在遵守交通规则、避开障碍物以及保持平稳驾乘体验等方面具有良好的实用性和可靠性。 总结而言，百度Apollo平台上的EM Planner算法是自动驾驶决策规划中的一个重要组成部分，它将多车道策略选择、车道级轨迹生成和路径速度优化有机结合在一起，实现了高效且安全的实时驾驶计划。这一技术的成功应用及其测试结果表明了其在该领域内的先进性与实用性。