1. 自动驾驶路径规划中的静态障碍物边界处理技术解析
在自动驾驶系统的决策规划模块中,路径边界生成是确保车辆安全行驶的关键环节。本文将深入剖析基于静态障碍物缩放路径边界的技术实现,重点解读Apollo开源框架中的相关算法逻辑。
1.1 核心概念与坐标系转换
在路径规划过程中,我们首先需要将感知到的障碍物从笛卡尔坐标系转换到Frenet坐标系。Frenet坐标系以参考线为基准,使用纵向距离s和横向距离l来描述物体位置,这种表示方法更符合道路行驶的直观认知。
cpp复制auto indexed_obstacles = reference_line_info_->path_decision()->obstacles();
for (const auto* obs : indexed_obstacles.Items()) {
const auto& sl_bound = obs->PerceptionSLBoundary();
// 处理每个障碍物的SL边界信息
}
障碍物的SL边界通常表示为轴对齐边界框(AABB),包含四个角点和一个中心点。在Apollo中,通过PerceptionSLBoundary()获取的边界信息包含以下关键属性:
- boundary_point_size(): 边界点数量(通常为5个:p0-p3四个角点+mid1中心点)
- MinS()/MaxS(): 障碍物在纵向的最小/最大位置
- min_l_point_/max_l_point_: 障碍物在横向的最小/最大位置点
1.2 障碍物预处理与过滤
在实际道路场景中,并非所有感知到的障碍物都需要考虑。Apollo通过多级过滤机制筛选出真正影响路径规划的障碍物:
cpp复制for (const auto* obstacle : obstacles.Items()) {
// 过滤虚拟障碍物和动态障碍物
if (!IsWithinPathDeciderScopeObstacle(*obstacle)) continue;
// 过滤自车后方的障碍物
if (obstacle->PerceptionSLBoundary().end_s() < adc_back_edge_s) continue;
// 保存有效障碍物信息
const auto obstacle_sl = obstacle->PerceptionSLBoundary();
polygons->emplace_back(obstacle_sl, obstacle->Id(), obstacle->Perception().type());
}
过滤后的障碍物会按照纵向位置排序,确保后续处理时从近到远依次检查:
cpp复制sort(polygons->begin(), polygons->end(), [](const SLPolygon& a, const SLPolygon& b) {
return a.MinS() < b.MinS();
});
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 路径边界动态调整算法详解
2.1 基础路径边界获取
初始路径边界通过GetBoundaryFromSelfLane函数获取,包含参考线两侧的可通行空间信息。这个边界仅考虑车道线约束,尚未考虑障碍物影响:
