參考與前言
-
apollo 代碼:https://github.com/ApolloAuto/apollo/tree/master/modules/planning/math/smoothing_spline
-
apollo readme:https://github.com/ApolloAuto/apollo/blob/master/docs/specs/qp_spline_path_optimizer.md
-
自我測試的代碼:張聰明/OSQP_test (gitee.com)
本篇也主要基於參考二翻譯而來,背景是因為 GPIR代碼 里有這層做初始化,不太懂怎么干的和干啥,所以就搜索了一下,一開始一直在弄參考三使其能逐步斷點debug 以讓我能明了整個步驟,不過后來搜了一下看到了參考二 emm 就是我想要了解的 smooth到底是怎樣編程二次規划問題的。
以下大部分翻譯至參考二,其中添加了自己的思考句子(有時也可能就是問題
實際這個包的名字就:QP-Spline-Path Optimizer,基於二次規划的曲線路徑優化器
方法:Quadratic programming + Spline interpolation,二次規划 + 樣條差值
注意這全文都是講的path,而不是trajectory,至於兩者區別:Motion Planning 是什么 總結了下:
Path是靜態的,不包括時間;Trajectory是除了路徑還有其他信息可以說是時間,speed profile,這條路徑上速度的變化關系
這一段是我看完了寫的:emmm 看完了發現包裝的太好了 以至於就算看了整個公式 對應起來都是要跳轉進去的 果然是做軟件一套的。但是想着用的話 這樣也算是夠了的。所以整體其實還是拿五次樣條先生成了reference point 然后根據他們的s,l點來進行約束,cost function也已經給出
① 目標函數 Objective function
路徑長度
首先路徑的坐標系是以SL 也就是frenet坐標系下。其中 s 是從車輛當前位置到規划路徑的長度,類似於我們會提前給定一個 我們要規划多長的距離。
樣條線段
將路徑拆分成 n 段。每段都用多項式表示,比如這樣一個式子:
每段 i 沿着參考線的累積距離 \(d_i\) 的多項式函數公式如下:
實際代碼調用時,后者的 5 也就是五次多項式的意思
OsqpSpline2dSolver osqp_spline2d_solver(t_knots, 5);
線段的優化函數
也就是一個cost 和為速度,加速度,加加速度:
但實際test.cc這個代碼中只對加加速度進行了weight賦值,所以最后在計算曲率 curvature的時候 smooth后的效果明顯好很多(雖然點之間看不出來啥)
mutable_kernel->Add2dThirdOrderDerivativeMatrix(0.5);
將cost函數轉為QP形式
QP formulation:
下面是如何被優化函數objective function/cost function轉成QP形式,首先我們 (1)式 可以轉成向量相乘的形式,那么 \(f_i(s)\) 可以這樣表示
\(f_i'(s)\) 求導再次表示
\(f_i'(s)^2\) 兩個相乘一下:
然后就會獲得這樣的:
把常數項提到積分外面去:
然后給矩陣里的都積分一下從0到\(d_i\) 積分一下 就可以獲得這樣的:
所以現在應該發現了:如果是五次樣條曲線的導數cost函數是會獲得一個\(6\times6\)的矩陣
② 約束 Constraints
初始點/end點約束
init point/初始點
假設第一個點是 (\(s_0\), \(l_0\)), (\(s_0\), \(l'_0\)) and (\(s_0\), \(l''_0\)), 其中 \(l_0\) , \(l'_0\) and \(l''_0\) 是規划初始點的橫向offset及其一階導、二階導,可以由 \(f_i(s)\), \(f'_i(s)\), and \(f_i(s)''\) 計算得知
使用這個式子,將這些約束轉為QP等式約束
下面就是轉換的步驟:
其中 \(i\) 是指那段擁有初始點 \(s_0\) 的分段區,應該說是最初的那段,因為后面平滑約束的時候還有 \(f_{k+1}(s_0)\)上面三個一起形成了一個等式,即最后的形式如 式(2).
end point/結束點
與上述的initial point 初始點步驟一致,結束點 \((s_e, l_e)\) 也是已知的,而且應該是和前面的約束一致的形式,所以總一總可以得出
等式約束 \(A_{eq}x = b_{eq}\) 展開為以下形式
實際代碼中為:
// init point constraint
mutable_constraint->Add2dPointConstraint(0, Eigen::Vector2d(spline(a, 0), spline(b, 0)));
mutable_constraint->Add2dPointDerivativeConstraint(0, Eigen::Vector2d(spline_1st(a, 0), spline_1st(b, 0)));
// end point constraint
mutable_constraint->Add2dPointConstraint(t_end, Eigen::Vector2d(spline(a, t_end), spline(b, t_end)));
mutable_constraint->Add2dPointDerivativeConstraint(t_end, Eigen::Vector2d(spline_1st(a, t_end), spline_1st(b, t_end)));
分段之間平滑約束
這部分的約束主要在於將分段點連接處進行平滑操作,比如一階連續,二階連續,三階連續。
假設 \(seg_k\) 和 \(seg_{k+1}\) 是相連接的, \(seg_k\) 段累積的 s 距離值為 \(s_k\). 注意這里的 \(s_0\) 不同與前面說的為整段路徑的init point初始點,而是每段自身的起點處,所以對 \(seg_k\) 來說他的累積距離 \(s_k\) 正是 \(seg_{k+1}\) 的起點 \(s_0\)
以下為計算過程:
使用 \(s_0\) = 0 在上式中,然后同樣添加如下的等式約束:
實際代碼中只添加了三階連續:(但是三階連續的前提不是一二階也連續嗎?)
mutable_constraint->Add2dThirdDerivativeSmoothConstraint();
對采樣點的邊界約束
沿着路徑均勻采樣 m 個點,檢查這些點是否觸碰到了障礙物的邊界,然后將其轉成QP問題的不等式約束:
首先根據道路寬度和周圍障礙物找到點 \((s_j, l_j)\) and \(j\in[0, m]\) 的下邊界 \(l_{lb,j}\),然后不等式約束的計算如下:
-
傑哥回復:這是一個box形狀,不是說從0-10是我的采樣增加區間 而是以ref為0,-10 - 10采樣增加區間
-
lower_bound.emplace_back(d_lateral - lat_tol[i]); lower_bound.emplace_back(d_longitudinal - lon_tol[i]); upper_bound.emplace_back(d_lateral + lat_tol[i]); upper_bound.emplace_back(d_longitudinal + lon_tol[i]);
如此手繪圖所示:
-
好像可以對某一個 \(l_{ub,j}\) 進行擴大,使其表達障礙物的膨脹。但是我感覺這個點應該是說已知環境中,不包括動態障礙物,類似於在地圖已經建好的這層上去做邊界約束,而不是實時根據障礙物去做約束
這樣的 因為輸入的邊界約束是station lateral boundary,其實是依據你的reference line 參考線然后有設定縱向和橫向的最大便宜角度進去,比如test代碼中是0.2
同樣的,上界 \(l_{ub,j}\) 同樣也可以以這種不等式約束計算:
③ 代碼總結
首先完整的test代碼可見gitee鏈接,此處僅將上述提到的進行說明
// solver
OsqpSpline2dSolver osqp_spline2d_solver(t_knots, 5);
mutable_kernel->Add2dReferenceLineKernelMatrix(t_coord, ref_ft, 0.5);
// 添加連續平滑約束 三階
mutable_constraint->Add2dThirdDerivativeSmoothConstraint();
// 添加初始點
mutable_constraint->Add2dPointConstraint(0, Eigen::Vector2d(spline(a, 0), spline(b, 0)));
mutable_constraint->Add2dPointDerivativeConstraint(0, Eigen::Vector2d(spline_1st(a, 0), spline_1st(b, 0)));
// 添加end point
double t_end = t_coord.back();
mutable_constraint->Add2dPointConstraint(t_end, Eigen::Vector2d(spline(a, t_end), spline(b, t_end)));
mutable_constraint->Add2dPointDerivativeConstraint(t_end, Eigen::Vector2d(spline_1st(a, t_end), spline_1st(b, t_end)));
// 添加邊界約束
mutable_constraint->Add2dStationLateralBoundary(t_coord, ref_ft, ref_theta,lon_tol, lat_tol);
實際上看上去 數學公式都被隱去了 是因為osqp這層 apollo加了自己的spline,所以最后main呈現的就是這樣的形式,如果跳轉各個部分的更為仔細的可以發現更多,比如添加邊界約束:
bool Spline2dConstraint::Add2dStationLateralBoundary(
const std::vector<double>& t, const vector_Eigen<Eigen::Vector2d>& ref_xy,
const std::vector<double>& ref_theta, const std::vector<double>& lon_tol,
const std::vector<double>& lat_tol) {
if (t.size() != ref_xy.size() || ref_xy.size() != ref_theta.size() ||
ref_theta.size() != lon_tol.size() || lon_tol.size() != lat_tol.size()) {
return false;
}
Eigen::MatrixXd sl_constraints =
Eigen::MatrixXd::Zero(2 * t.size(), total_param_);
std::vector<double> lower_bound, upper_bound;
for (uint32_t i = 0; i < t.size(); ++i) {
const uint32_t index = FindSegStartIndex(t[i]);
const double d_lateral = SignDistance(ref_xy[i], ref_theta[i]);
const double d_longitudinal =
SignDistance(ref_xy[i], ref_theta[i] - M_PI_2);
const double t_corrected = t[i] - t_knots_[index];
std::vector<double> lateral_coef = AffineCoef(ref_theta[i], t_corrected);
std::vector<double> longitudianl_coef =
AffineCoef(ref_theta[i] - M_PI_2, t_corrected);
const uint32_t index_offset = index * spline_param_num_;
// 構建公式10,11的左邊矩陣
for (uint32_t j = 0; j < spline_param_num_; ++j) {
sl_constraints(2 * i, index_offset + j) = lateral_coef[j];
sl_constraints(2 * i, index_offset + total_param_ / 2 + j) =
lateral_coef[spline_param_num_ + j];
sl_constraints(2 * i + 1, index_offset + j) = longitudianl_coef[j];
sl_constraints(2 * i + 1, index_offset + total_param_ / 2 + j) =
longitudianl_coef[spline_param_num_ + j];
}
lower_bound.emplace_back(d_lateral - lat_tol[i]);
lower_bound.emplace_back(d_longitudinal - lon_tol[i]);
upper_bound.emplace_back(d_lateral + lat_tol[i]);
upper_bound.emplace_back(d_longitudinal + lon_tol[i]);
}
return coxy_constraint_.AddConstraint(sl_constraints, lower_bound,
upper_bound);
}
由這里我們可以看到公式 10 和公式 11的矩陣形式的構建
④ 效果示意
運行上面給的Gitee代碼,可以得到下面這樣一幅圖:

ref就是每小段都是五次樣條出來的,做圖就是sl坐標系下生成出來的,右圖為計算了他們的每個點連接處的曲率,可以看到經過osqp spline曲率約束 cost 都有明顯的生效(雖然在這個例子中展現的不大)