- 定位：Where we are
- 感知：What we see
- 预测：How the environment will change
- 规划：How we move
- 控制：How to control the car
Basic Motion Planning and Overview 基本运动规划 和概述
Motion Planning with Autonomous Driving 自动驾驶中的运动规划（know your approaches）
Motion Planning with Environment 运动规划的 环境（know your enviorment）
Optimization Inside Motion Planning 动态规划的 内部优化 (know the problem solver)
Understand More on the MP Difficulty MP难度 (build an autonomous driving motion planner)
Reinforcement Learning and Data Driven Approaches 强化学习和数据驱动方法 （build an generic eco system）
运动规划
决策规划的本质问题是什么：搜索
- 首先在不考虑环境情况，在global下寻找一条最优路径
- 然后再加入动态环境信息，进一步的做 motion planning
- 最后在深入到控制模块，做motion planning control
最简单的问题：路径规划（查找最优路径）
BFS广度优先查找（non-information algorithm）
A* 算法（information algorithm）（fully observed）（global routing）
D*算法 (Partially observed) （local routing）
使用平滑的曲线连接——生成较为平滑的路径
动态环境中还需考虑
- 动态障碍物
- 融入交通规则
- 实时计算
- 导航信息 HD map
- 。。。
使得无人车 安全、舒适的到达目的地
车辆行走的轨迹是随着时间变化，不断变化的
自动驾驶中的运动规划（know your approaches）
方法概述
从机器人到自动驾驶
仿真基础方法： RRT 、Lattice
基于自动驾驶方法： Frenet（车辆坐标系）等等
常用方法：
质点模型 和 实际场景的刚体模型 是不一样的（比如说碰撞问题）
空间复杂性、几何复杂性
路径约束（限制）
避免碰撞、运动曲率、最短路径等。。
motion planning框架
从连续空间——>分解成离散空间（比如说网格）——>再使用算法（A*）求最优解
离散空间的方法（Roadmap mothods）
随机撒点连接（PRM） （抽象连续空间的方法）
RRT（只看当下，不管全局，找路径的方法）
- 先随机撒离散点
- 点的连接（限制范围，行之有效的点）
- 平滑曲线连接
Lattice（网格法）
运动规划的 环境（know your enviorment）
- 从质点模型 到 车辆模型
- 车辆控制从环境中的需要(动态障碍物的问题)
- 平滑的行车路径和速度曲线(重要的性能指标)
- 几何计算，超几何计算，评估边界框
- 平滑的SL到XY Frenet映射技术
- 障碍物测绘
bicycle model
前轮相对车身的一个转向角（有一个转向圆心，和一个转向半径）（前后轮转向半径是不一样的（差速器））
后轮沿着切线（转向中心的圆的切线）方向行驶
曲面坐标系（车辆坐标系）
从车辆坐标系到世界坐标系下的mapping（运动学模型）
抽象曲线是根据一系列的离散点【这块理解不太好】
再使用平滑的曲线连接（曲率在一定范围，并且连续）
优化使得更平滑（smooth spline）
在不同的维度（多阶导）
平滑坐标系 Spline 2D
既要满足约束条件，又要让他足够平滑
使用一个五阶的函数
