1. Lattice Planner算法概述
Lattice Planner是百度Apollo自动驾驶系统中的核心规划算法之一,属于局部轨迹规划器范畴。简单来说,它的任务就是在复杂道路环境中,实时生成一条既安全又舒适的行驶轨迹。想象一下你开车时的场景:前方有慢车需要超车,旁边车道有车辆并线,路口还有行人通过——Lattice Planner就是那个在毫秒间帮你做出最优路径选择的"隐形副驾驶"。
这个算法的核心思想非常直观:通过横纵向采样生成候选轨迹簇,再基于代价函数选择最优解。就像下象棋时,高手会在大脑中预演多种走法,然后选择最优策略一样。Lattice Planner的工作流程可以分为七个关键步骤:
- 离散化参考线(将全局规划给出的参考线转换为密集的路径点)
- 匹配投影点(找到车辆当前位置在参考线上的投影点)
- 计算Frenet坐标(将直角坐标系转换到更易处理的S-L坐标系)
- 解析决策目标(根据感知信息确定跟车、超车等策略)
- 生成横纵向采样轨迹(核心创新点)
- 计算轨迹代价并进行碰撞检测
- 选择最优无碰撞轨迹
在实际项目中,我发现这个算法最精妙之处在于其采样策略。不同于传统方法只生成单条轨迹,Lattice会同时考虑数十种可能的行驶方案,通过"海选"方式确保不遗漏最优解。这就好比导航软件同时为你规划多条路线,而不是只给单一选择。
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. 横纵向轨迹采样详解
2.1 横向采样策略
横向采样决定了车辆的换道行为。在Apollo的实现中,横向采样采用多终点状态枚举的方式。具体来说,算法会预设几个典型的终点横向偏移量(如-0.5m、0.0m、0.5m),代表保持车道、轻微避让或变道等意图。
我通过调试代码发现,每个横向终点状态还会配合不同的到达时间(10s、20s、40s、80s)进行组合。这种设计确保了采样覆盖短期紧急避障和长期车道保持等不同场景。实际运行时,算法会用双层循环枚举所有组合:
python复制# 伪代码示例
for end_l in [-0.5, 0.0, 0.5]: # 横向偏移
for end_t in [10, 20, 40, 80]: # 到达时间
trajectory = GenerateLateralTrajectory(
