【路径规划】局部路径规划算法——曲线插值法（含python实现 | c++实现）

曲线插值的方法是按照车辆在某些特定条件（安全、快速、高效）下，进行路径的曲线拟合，常见的有多项式曲线、双圆弧段曲线、正弦函数曲线、贝塞尔曲线、 B样条曲线等。曲线插值法的核心思想就是基于预先构造的曲线类型，根据车辆期望达到的状态（比如要求车辆到达某点的速度和加速度为期望值），将此期望值作为边界条件代入曲线类型进行方程求解，获得曲线的相关系数（简单地说就是待定系数法！）。曲线所有的相关系数一旦确定

CHH3213

9207人浏览 · 2022-06-06 22:06:10

CHH3213 · 2022-06-06 22:06:10 发布

参考资料

路径规划与轨迹跟踪系列算法

1. 算法简介

曲线插值的方法是按照车辆在某些特定条件（安全、快速、高效）下，进行路径的曲线拟合，常见的有多项式曲线、双圆弧段曲线、正弦函数曲线、贝塞尔曲线、 B样条曲线等。
曲线插值法的核心思想就是基于预先构造的曲线类型，根据车辆期望达到的状态（比如要求车辆到达某点的速度和加速度为期望值），将此期望值作为边界条件代入曲线类型进行方程求解，获得曲线的相关系数（简单地说就是待定系数法！）。
曲线所有的相关系数一旦确定，轨迹规划随之完成。

2. 算法精讲

2.1 多项式曲线

下面以多项式曲线为例讲解曲线插值法轨迹规划。

多项式曲线分为三次多项式曲线、 五次多项式曲线、 七次多项式曲线

针对三次多项式曲线，最多能确定每一个期望点的两个维度的期望状态，一般来说就是位置和速度。

$\tag{1} \left\{\begin{array}{l} x(t)=a_{0}+a_{1} t+a_{2} t^{2}+a_{3} t^{3} \\ y(t)=b_{0}+b_{1} t+b_{2} t^{2}+b_{3} t^{3} \end{array}\right.$

针对五次多项式曲线，最多能确定每一个期望点的三个维度的期望状态，一般来说就是位置、速度、加速度。

$\tag{2} \left\{\begin{array}{l} x(t)=a_{0}+a_{1} t+a_{2} t^{2}+a_{3} t^{3}+a_{4} t^{4}+a_{5} t^{5} \\ y(t)=b_{0}+b_{1} t+b_{2} t^{2}+b_{3} t^{3}+b_{4} t^{4}+b_{5} t^{5} \end{array}\right.$

针对七次多项式曲线，最多能确定每一个期望点的四个维度的期望状态，一般来说就是位置、速度、加速度、加加速度（加加速度称为jerk，加加加速度称为snap，无人机轨迹规划中有用到snap）

$\tag{3} \left\{\begin{array}{l} x(t)=a_{0}+a_{1} t+a_{2} t^{2}+a_{3} t^{3}+a_{4} t^{4}+a_{5} t^{5}+a_{6} t^{6}+a_{7} t^{7} \\ y(t)=b_{0}+b_{1} t+b_{2} t^{2}+b_{3} t^{3}+b_{4} t^{4}+b_{5} t^{5}+b_{6} t^{6}+b_{7} t^{7} \end{array}\right.$

2.2 示例——五次多项式曲线

以五次多项式曲线为例讲解曲线揷值法轨迹规划。

设 $t_0$ 为初始时间，位置、速度、加速度均已知，显然 $x 和 y$ 方向分别有以下三个方程：

位置
$\tag{4} \left\{\begin{array}{l}x\left(t_{0}\right)=a_{0}+a_{1} t_{0}+a_{2} t_{0}^{2}+a_{3} t_{0}^{3}+a_{4} t_{0}^{4}+a_{5} t_{0}^{5} \\ y\left(t_{0}\right)=b_{0}+b_{1} t_{0}+b_{2} t_{0}^{2}+b_{3} t_{0}^{3}+b_{4} t_{0}^{4}+b_{5} t_{0}^{5}\end{array} \quad\right.$
速度
$\tag{5} \left\{\begin{array}{l}x^{\prime}\left(t_{0}\right)=a_{1}+2 t_{0} a_{2}+3 t_{0}{ }^{2} a_{3}+4 t_{0}{ }^{3} a_{4}+5 t_{0}{ }^{4} a_{5} \\ y^{\prime}\left(t_{0}\right)=b_{1}+2 t_{0} b_{2}+3 t_{0}{ }^{2} b_{3}+4 t_{0}{ }^{3} b_{4}+5 t_{0}{ }^{4} b_{5}\end{array} \quad\right.$
加速度
$\tag{6} \left\{\begin{array}{l}x^{\prime \prime}\left(t_{0}\right)=2 a_{2}+6 t_{0} a_{3}+12 t_{0}{ }^{2} a_{4}+20 t_{0}{ }^{3} a_{5} \\ y^{\prime \prime}\left(t_{0}\right)=2 b_{2}+6 t_{0} b_{3}+12 t_{0}{ }^{2} b_{4}+20 t_{0}{ }^{3} b_{5}\end{array} \quad\right.$

定义换道终点时间为 $t_1$ ，横纵向(即 $x, y$ 方向)均有期望的位置、速度、加速度，又分别可以得到以下三个方程：

位置
$\tag{7} \left\{\begin{array}{l}x\left(t_{1}\right)=a_{0}+a_{1} t_{1}+a_{2} t_{1}^{2}+a_{3} t_{1}^{3}+a_{4} t_{1}^{4}+a_{5} t_{1}^{5} \\ y\left(t_{1}\right)=b_{0}+b_{1} t_{1}+b_{2} t_{1}^{2}+b_{3} t_{1}^{3}+b_{4} t_{1}^{4}+b_{5} t_{1}^{5}\end{array} \quad\right.$
速度
$\tag{8} \left\{\begin{array}{l}x^{\prime}\left(t_{1}\right)=a_{1}+2 t_{1} a_{2}+3 t_{1}{ }^{2} a_{3}+4 t_{1}{ }^{3} a_{4}+5 t_{1}{ }^{4} a_{5} \\ y^{\prime}\left(t_{1}\right)=b_{1}+2 t_{1} b_{2}+3 t_{1}{ }^{2} b_{3}+4 t_{1}{ }^{3} b_{4}+5 t_{1}{ }^{4} b_{5}\end{array} \quad\right.$
加速度
$\tag{9} \left\{\begin{array}{l}x^{\prime \prime}\left(t_{1}\right)=2 a_{2}+6 t_{1} a_{3}+12 t_{1}{ }^{2} a_{4}+20 t_{1}{ }^{3} a_{5} \\ y^{\prime \prime}\left(t_{1}\right)=2 b_{2}+6 t_{1} b_{3}+12 t_{1}{ }^{2} b_{4}+20 t_{1}{ }^{3} b_{5}\end{array} \quad\right.$

把起末两点的横纵向方程统一用矩阵表达为：
$\tag{10} \begin{aligned} &X=\left[\begin{array}{l} x_{0} \\ x_{0}^{\prime} \\ x_{0}^{\prime \prime} \\ x_{1} \\ x_{1}^{\prime} \\ x_{1}^{\prime \prime} \end{array}\right]=\left[\begin{array}{llllll} t_{0}{ }^{5} & t_{0}{ }^{4} & t_{0}{ }^{3} & t_{0}{ }^{2} & t_{0} & 1 \\ 5 t_{0}{ }^{4} & 4 t_{0}{ }^{3} & 3 t_{0}{ }^{2} & 2 t_{0} & 1 & 0 \\ 20 t_{0}{ }^{3} & 12 t_{0}{ }^{2} & 6 t_{0} & 2 & 0 & 0 \\ t_{1}^{5} & t_{1}{ }^{4} & t_{1}{ }^{3} & t_{1}{ }^{2} & t_{1} & 1 \\ 5 t_{1}^{4} & 4 t_{1}{ }^{3} & 3 t_{1}{ }^{2} & 2 t_{1} & 1 & 0 \\ 20 t_{1}{ }^{3} & 12 t_{1}{ }^{2} & 6 t_{1} & 2 & 0 & 0 \end{array}\right]\left[\begin{array}{l} a_{5} \\ a_{4} \\ a_{3} \\ a_{2} \\ a_{1} \\ a_{0} \end{array}\right]=T \times A\\ \\ &Y=\left[\begin{array}{l} y_{0} \\ y_{0}^{\prime} \\ y_{0}^{\prime \prime} \\ y_{1} \\ y_{1}^{\prime} \\ y_{1}^{\prime \prime} \end{array}\right]=\left[\begin{array}{llllll} t_{0}{ }^{5} & t_{0}{ }^{4} & t_{0}{ }^{3} & t_{0}{ }^{2} & t_{0} & 1 \\ 5 t_{0}{ }^{4} & 4 t_{0}{ }^{3} & 3 t_{0}{ }^{2} & 2 t_{0} & 1 & 0 \\ 20 t_{0}{ }^{3} & 12 t_{0}{ }^{2} & 6 t_{0} & 2 & 0 & 0 \\ t_{1}^{5} & t_{1}{ }^{4} & t_{1}{ }^{3} & t_{1}{ }^{2} & t_{1} & 1 \\ 5 t_{1}^{4} & 4 t_{1}{ }^{3} & 3 t_{1}{ }^{2} & 2 t_{1} & 1 & 0 \\ 20 t_{1}{ }^{3} & 12 t_{1}{ }^{2} & 6 t_{1} & 2 & 0 & 0 \end{array}\right]\left[\begin{array}{l} b_{5} \\ b_{4} \\ b_{3} \\ b_{2} \\ b_{1} \\ b_{0} \end{array}\right]=T \times B \end{aligned}$

多项式曲线的自变量为时间 $t$ ，故一旦求解出系数矩阵 $A, B$ ，即可确定曲线方程（说白了，求系数的方法就是我们初中学过的待定系数法）。曲线唯一确定后，则曲线上每一点的位置、速度等便确定了，轨迹即可求出。曲线上每一点的导数就代表了车辆经过该点时的速度，表明多项式曲线换道轨迹规划是路径+速度的耦合结果。

注意，五次多项式换道轨迹曲线特指横向位置/纵向位置是关于时间 $t$ 的五次多项式，而不是指纵向位置 $y$ 关于横向位置 $x$ 的五次多项式。

2.3 双圆弧段曲线

如图，对于双圆弧段换道轨迹，它由弧AC+线段CD+弧DF构成。

显然，在C点，轨迹曲率由弧AC段的定值突变为0，故为了让车辆能完全跟随轨迹，考虑到方向盘转角是一个连续缓变过程，车辆行驶到在C点后必须速度为0，让方向盘回正后才能继续行驶，因此无法应用于行车路径规划，而应用于泊车路径规划。

3. python代码实现

下面实现五次多项式曲线插值法轨迹规划

import numpy as np
import matplotlib.pyplot as plt


if __name__=="__main__":
    # 场景定义
    # 换道场景路段与车辆相关参数的定义
    d = 3.5          # 道路标准宽度
    len_line = 30    # 直线段长度
    W = 1.75         # 车宽
    L = 4.7          # 车长

    # 车辆换道初始状态与终点期望状态
    t0 = 0
    t1 = 3
    state_t0 = np.array([0, -d/2, 5, 0, 0, 0])  # 分别表示小车的x,y; vx,vy; ax,ay
    state_t1 = np.array([20, d/2, 5, 0, 0, 0])


    """计算A和B两个系数矩阵"""
    ## 把起末两点的横纵向方程统一用矩阵表达
    X = np.concatenate((np.array([state_t0[i] for i in range(6) if i%2==0]),np.array([state_t1[i] for i in range(6) if i%2==0])))
    Y = np.concatenate((np.array([state_t0[i] for i in range(6) if i%2!=0]),np.array([state_t1[i] for i in range(6) if i%2!=0])))

    #矩阵T表示
    T = np.matrix([
        [t0 ** 5,t0 ** 4,t0 ** 3,t0 ** 2,t0,1],
        [5 * t0 ** 4,4 * t0 ** 3,3 * t0 ** 2,2 * t0,1,0],
        [20 * t0 ** 3,12 * t0 ** 2,6 * t0,1,0,0],
        [t1 ** 5,t1 ** 4,t1 ** 3,t1 ** 2,t1,1],
        [5 * t1 ** 4,4 * t1 ** 3,3 * t1 ** 2,2 * t1,1,0],
        [20 * t1 ** 3,12 * t1 ** 2,6 * t1,1,0,0]
        ])
    
    # # 解法1
    # A=np.linalg.pinv(T)@X
    # B=np.linalg.pinv(T)@Y.T
    # A=A.T
    # B=B.T

    # # 解法2
    A = np.linalg.solve(T,X)
    B = np.linalg.solve(T,Y)


    # 将时间从t0到t1离散化，获得离散时刻的轨迹坐标
    t = np.transpose((np.arange(t0,t1+0.05,0.05)))
    path = np.zeros((len(t),4)) # 1-4列分别存放x,y,vx,vy 

    for i in range(len(t)):
        # 纵向位置坐标
        path[i,0] = np.array([t[i] ** 5,t[i] ** 4,t[i] ** 3,t[i] ** 2,t[i],1]) @ A  # @符号是矩阵相乘的意思
        # 横向位置坐标
        path[i,1] = np.array([t[i] ** 5,t[i] ** 4,t[i] ** 3,t[i] ** 2,t[i],1]) @ B
        # 纵向速度
        path[i,2] = np.array([5 * t[i] ** 4,4 * t[i] ** 3,3 * t[i] ** 2,2 * t[i],1,0]) @ A
        # 横向速度
        path[i,3] = np.array([5 * t[i] ** 4,4 * t[i] ** 3,3 * t[i] ** 2,2 * t[i],1,0]) @ B


    ## 画场景示意图
    plt.figure(1)
    # 画灰色路面图
    GreyZone = np.array([[- 5,- d - 0.5],[- 5,d + 0.5],[len_line,d + 0.5],[len_line,- d - 0.5]])
    plt.fill(GreyZone[:,0],GreyZone[:,1],'gray')

    # 画小车
    plt.fill(np.array([state_t1[0],state_t1[0],state_t1[0] + L,state_t1[0] + L]),np.array([- d / 2 - W / 2,- d / 2 + W / 2,- d / 2 + W / 2,- d / 2 - W / 2]),'b')
    plt.fill(np.array([state_t0[0],state_t0[0],state_t0[0] - L,state_t0[0] - L]),np.array([- d / 2 - W / 2,- d / 2 + W / 2,- d / 2 + W / 2,- d / 2 - W / 2]),'y')
    # 画分界线
    plt.plot(np.array([- 5,len_line]),np.array([0,0]),'w--')

    plt.plot(np.array([- 5,len_line]),np.array([d,d]),'w')

    plt.plot(np.array([- 5,len_line]),np.array([- d,- d]),'w')

    # 设置坐标轴显示范围
    plt.axis('equal')

    plt.savefig("场景示意图.png")


    # 画换道轨迹
    plt.plot(path[:,0],path[:,1],'r--')
    ## 分析速度

    # 横向速度
    plt.figure(2)
    plt.plot(t,path[:,3],'k')
    plt.xlabel('time/s ')
    plt.ylabel('m/s ')
    plt.savefig("横向速度.png")

    # 纵向速度
    plt.figure(3)
    plt.plot(t,path[:,2],'k')
    plt.xlabel('time/s ')
    plt.ylabel('m/s ')
    plt.savefig("纵向速度.png")
    
    plt.show()

结果如下：

换道轨迹
纵向速度
横向速度

代码仓库见github

4. c++实现

由于在自动驾驶中算法实现一般使用C++，所以我也使用C++实现了相关功能，比较简单就不再做相关代码解释了。完整代码详见另一个github仓库。

开放原子开发者工作坊

开放原子开发者工作坊旨在鼓励更多人参与开源活动，与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动，如meetup、训练营等，主打技术交流，干货满满，真诚地邀请各位开发者共同参与！

更多推荐

一维高斯分布与多维高斯分布及 matlab 实现

一维高斯分布与多维高斯分布一维高斯分布高斯分布（Gaussian distribution），又称正态分布（Normal distribution）。若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。正态分布使用下列参数：参数说明范围mu (

开放原子开发者工作坊

图像传感器与信号处理——自动曝光算法

图像传感器与信号处理——自动曝光算法图像传感器与信号处理——自动曝光算法1. 如何实现自动曝光？2. 基于直方图统计的算法2.1 Automatic Camera Exposure Control，20073. 基于熵的算法4. 基于梯度的算法图像传感器与信号处理——自动曝光算法在很久之前我和一位视觉SLAM大佬交流过，视觉SLAM难以落地原因有很多，其中之一就是环境光照对SLAM系统有较大的..