自动驾驶—决策规划算法

介绍ST速度规划流程与原理，整体流程与SL规划相似，细节稍有不同，同时介绍了Apollo中规划算法的版本更迭。

速度规划的基本流程为： 1.首先是参考线： 速度规划也需要参考线，但是参考线与路径规划不同，速度规划的参考线是已经规划出来的轨迹。 2.考虑的障碍物对象： 需要将动态障碍物投影到ST图。

在2.5的文章中我们已经写出了一版路径规划的完整代码，执行仿真后，会发现出现了很多问题：二次规划崩溃、车辆控制不稳定方向盘急剧抖动、决策不稳定朝令夕改，现在来讨论一下这几个问题该如何解决。

问题描述 在2.4的文章中我们已经求出了一个可行的凸空间，本文将描述如何在这个凸空间内求解一条满足车辆动力学特性、边界约束的轨迹。

问题描述 在2.3的规划中，我们将相邻两点之间的路段拟合为一个五次多项式，并且计算出该路段的代价，通过动态规划的方法求解出了从规划起点到达最后一层节点的最短路径，本质上是得到了粗略的路径解，即完成了遇

前言 决策规划的路径，除了能够满足车辆动力学的限制，最基本的一点是需要规划出合理的路线避开障碍物，然后在道路可行域内建立目标函数进行求解，这是一件很难做到的事情，因为我们大多数的优化方法都建立在一个基

前言 通过提取参考线后，下一步我们可以开始做路径规划了。在规划之前要想清楚一个问题，每个规划周期的起点是哪个点？是当前时刻车辆的实际位置？还是去上一周期规划的点位中寻找当前时刻的点位作为规划起点？

原生导航路径存在的问题 在决策规划的过程中，路径计算是以参考线为自然坐标系，将欧式空间中的点转换到自然坐标系下再进行路径规划，但是在实际情况下，导航模块给出的全局导航路径可能存在以下问题： 路径过长；

概述 在1.1和1.2的两个章节我们已经学习了笛卡尔坐标转换为Frenet坐标的推导过程，在自动驾驶的决策规划模块中，通过坐标转换我们从欧式空间变换到了SL自然空间，在这个空间下进行路径决策与计算。

笛卡尔坐标与Frenet坐标相互转化过程中涉及到投影点的计算问题，本文对计算方式进行了描述，并且给出了实现代码。

以二维Frenet公式为出发点，推导笛卡尔坐标到Frenet坐标的转换原理，文末总结了转换公式，引出下一篇的投影点计算相关知识。