自动驾驶之ST图与迭代优化

上一讲：b站老王 自动驾驶决策规划学习记录（十）
接着上一讲学习记录b站老王对自动驾驶规划系列的讲解

参考视频：自动驾驶决策规划算法二章第六节 ST图与迭代优化

回顾：
参考线->建立frenet坐标轴，障碍物投影，动态规划（决策）,二次规划，frenet转cartesian

1 ST图、预测

已有cartesian的path，作速度规划
在这里插入图片描述

ST图的画法
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2 SL、ST如何迭代求解

在这里插入图片描述
当前帧规划端
在这里插入图片描述
在这里插入图片描述
当前帧的规划结果是下一帧的上一次的规划结果
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

EM planner核心思想
1.将SLT三维规划问题降维，分解成两个二维的SL、ST规划问题大大降低了规划难度。
2.上一帧的trajectory优化当前帧的SL、SL优化ST，不断迭代
扩展:
1、博弈问题
在这里插入图片描述
预测很难处理博弈问题
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
整个决策算法中最难的问题，行业内难题

# 自动驾驶 # 学习 # 人工智能
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

deck.gl TripsLayer 出租车轨迹动画示例实战：从示例运行到着色器原理

TripsLayer 是 deck.gl 中用于渲染**随时间流动的轨迹动画**（如出租车行程、物流路径、迁徙路线）的核心图层。本文以仓库中的最小独立示例 [examples/website/trips](https://link.gitcode.com/i/1442af8f442f4cff39ff546e050fceb5) 为骨架，带你完成从安装依赖、启动应用、理解曼哈顿出租车数据格式，到深入

avatar 天工造物局

Foundry Anvil 中 eth_simulateV1 的 Blob 交易与 Blob Gas 字段规范化：原理、实现与测试验证

本篇技术指南以 [anvil-simulate-blob-transactions.md](https://link.gitcode.com/i/3d2ebe227262de169335eb290af80da8) 这条 changelog 条目为起点，深入剖析 Foundry Anvil 对 `eth_simulateV1` RPC 返回结果中 blob（EIP-4844）交易与 blob gas

avatar 天工造物局

LMCache CLI 实战：用 `lmcache kvcache clear` 管理运行中服务的 KV Cache 状态

本文是一份针对 LMCache 官方 CLI 命令 `lmcache kvcache` 的完整技术指南。该命令用于在**运行中的 LMCache 服务（MP HTTP server）**上管理 KV cache 状态，当前提供 `clear` 子命令，用于清空 L1（CPU 内存）层中缓存的全部 KV 数据。读完本文，你将掌握该命令的完整参数体系、退出码语义、终端/JSON/静默三种输出模式，并能

avatar 天工造物局