[论文解读] Baidu Apollo EM Motion Planner

Haoyang Fan, Fan Zhu+8 more|arXiv (Cornell University)|Jul 20, 2018

Autonomous Vehicle Technology and Safety参考文献 12被引用 242

一句话总结

本论文提出一个实时、开源的运动规划系统（EM planner）用于百度 Apollo，采用多车道、路径-速度迭代方法，在Frenet空间中使用DP和样条QP，以确保在高速公路和城市驾驶场景下的安全、舒适性与可扩展性。

ABSTRACT

In this manuscript, we introduce a real-time motion planning system based on the Baidu Apollo (open source) autonomous driving platform. The developed system aims to address the industrial level-4 motion planning problem while considering safety, comfort and scalability. The system covers multilane and single-lane autonomous driving in a hierarchical manner: (1) The top layer of the system is a multilane strategy that handles lane-change scenarios by comparing lane-level trajectories computed in parallel. (2) Inside the lane-level trajectory generator, it iteratively solves path and speed optimization based on a Frenet frame. (3) For path and speed optimization, a combination of dynamic programming and spline-based quadratic programming is proposed to construct a scalable and easy-to-tune framework to handle traffic rules, obstacle decisions and smoothness simultaneously. The planner is scalable to both highway and lower-speed city driving scenarios. We also demonstrate the algorithm through scenario illustrations and on-road test results. The system described in this manuscript has been deployed to dozens of Baidu Apollo autonomous driving vehicles since Apollo v1.5 was announced in September 2017. As of May 16th, 2018, the system has been tested under 3,380 hours and approximately 68,000 kilometers (42,253 miles) of closed-loop autonomous driving under various urban scenarios. The algorithm described in this manuscript is available at https://github.com/ApolloAuto/apollo/tree/master/modules/planning.

研究动机与目标

• 在实时系统中以安全、舒适性和可扩展性解决工业级别4级运动规划问题。
• 开发一个多车道框架，通过并行的车道级优化器和跨车道决策机制处理车道变换。
• 在Frenet坐标系中使用动态规划与样条二次规划（QP）混合对路径和速度进行迭代优化，以遵守交通规则和避让障碍物的决策。
• 展示对高速公路和城市驾驶的可扩展性，并提供道路验证和系统部署指标。
• 利用Apollo开源平台实现模块化、以安全为先的自动驾驶规划。

提出的方法

• 提出一个多车道框架，在并行生成候选车道轨迹的同时，跨车道决策器基于成本和安全性选择最佳轨迹。
• 将车道级优化建模为在Frenet坐标系中的SL（station-lateral）和ST（station-time）问题；执行E步（障碍投影）和M步（路径和速度优化）。
• 采用两阶段路径优化：先进行动态规划（DP）路径步骤，产生粗糙的隧道和障碍物决策，再在该隧道内进行基于样条的二次规划（QP）路径细化。
• 通过基于DP的ST图搜索计算速度轮廓，然后在受车辆动力学和交通法规约束的基础上使用样条QP速度优化进行细化。
• 通过从前一循环获得的热启动来高效求解QP问题；每个问题的时序在几毫秒级别，能够实现实时规划（平均<100 ms）。
• 通过耦合DP（全局性搜索）与QP（凸优化）来平衡非凸性，获得鲁棒的路径-速度解。

实验结果

研究问题

• RQ1 实时自治运动规划器在遵守交通法规的前提下，如何安全地在具有动态障碍的多车道场景中工作？
• RQ2 在Frenet空间中采用两阶段DP + 样条QP优化，是否能够为高速公路和城市驾驶提供可扩展、平滑且安全的路径与速度轮廓？
• RQ3 所提的EM planner 的计算效率如何，是否适合在汽车硬件上进行实时部署？
• RQ4 在并行车道框架中，规划器如何管理车道变换决策（被动与非被动）以维持安全性和乘坐舒适性？
• RQ5 在百度 Apollo 平台内，EM planner 的实际部署指标和路上验证结果是什么？

主要发现

• EM planner 实现了实时性能，在二维凸域内解决 DP+QP 的路径与速度优化，平均路径和速度问题的 QP 解算时间约为 3 ms。
• 该方法将三维的 station-lateral-speed 问题转化为两个二维问题，降低了计算复杂度，实际规划周期小于 100 ms。
• 系统已在数十辆 Apollo 车辆上部署，并进行了大量闭环测试，至 2018 年 5 月 16 日累计 3,380 小时、约 68,000 公里。
• 该规划器能够处理复杂的多障碍都市场景，展示了一种轻量级的基于决策的方法，在保持安全性和通行性的同时避免了重量级的规则化计划。
• DP + QP 的组合缓解了非凸优化问题，通过 DP 探索可行域、在凸包内用 QP 精细化最优轨迹。