【Vector-Map-路径规划（0）】卷首语

news2025/2/24 23:42:05

因为城市NOA 的开发过程中，十字路口这类场景非常不好处理，个人对路径规划没有什么基础，只知道深度优先，广度优先，A*，Dijkstra等算法，不知道在矢量地图中如何使用？因此花几天时间读几篇论文看看到底在NOA 中的十字路口需要什么样的地图？

什么是矢量地图？

我基于论文《VectorMapNet: End-to-end Vectorized HD Map Learning 》的输出来看，

In VectorMapNet, we represent map elements as a set of polylines that are easily linked to downstream tasks (e.g., motion forecasting), and model these polylines with a set prediction framework. The overview of our idea is presented in the Figure above.

论文中说，在矢量地图中，我们表征地图元素作为一系列的几何线，它们是容易去连接下游任务的，例如运动预测，编码这些几何线与一系列的预测任务。

These map elements include but are not limited to road boundaries, lane dividers, and pedestrian crossings, which are critical for autonomous driving.

输出包括道路边沿，车道线和人行横道。

在这里插入图片描述

看图片右边的情况，经过Polyline Generator 后，输出Polyline。这是由关键点+类别组成的。这就和车道线的关键点检测方法有点类似了。

在这里插入图片描述

在这里插入图片描述
图片中最右边的是VectorMapNet 输出的矢量地图。我们看中间的HDMapNet，这个的表达形式有点不同。
HAMapNet 论文中是这样说的

The overview of HDMapNet. Four modules parameterize HDMapNet: a perspective view image encoder, a neural view transformer in image branch, a pillar-based point cloud encoder, and a map element decoder. The output of the map decoder has 3 branches: semantic segmentation, instance detection and direction classification, which are processed into vectorized HD map.

输出的是三个分支：语义分割，实例检测和方向分类。然后被后处理变成矢量地图。HAMapNet 是对每个分割后的像素的实例和方向进行了分类。然后再通过后处理成矢量地图。

对于“vector map 路径规划”的问题

如果提问的是代码开发问题，我们可以提供一个基于常见库（如OpenCV或类似的地图处理库）的路径规划解决方案和实例代码。

路径规划的解决方案

1、数据准备：首先，你需要一份vector map数据，通常这种数据是地理信息系统（GIS）数据的一种形式。这些数据可以包含道路网络、地形信息等。

2、路径规划算法：选择合适的路径规划算法，如Dijkstra算法、A*算法等。这些算法可以从起点到终点计算出最优路径。

3、地图处理：使用计算机视觉或GIS相关库处理vector map数据，提取道路网络等信息。

4、实现路径规划：在处理过的地图数据上应用路径规划算法，得到路径。

实例代码

import cv2  # 用于图像处理，可替换为专门的地图处理库
import graph_search  # 假设的图形搜索库，用于路径规划算法
 
# 加载vector map数据，转换为可用于计算的格式
vector_map_data = load_vector_map()  # 假设的函数，实际中需要读取和处理数据
 
# 提取道路网络等信息
roads = extract_roads_from_vector_map(vector_map_data)
 
# 构建图模型，节点为路网交叉点，边为路段
graph = build_graph_from_roads(roads)
 
# 定义起点和终点
start_point = ...  # 用户输入或其它方式获取
end_point = ...  # 同上
 
# 使用图形搜索库找到路径
path = graph_search.find_path(graph, start_point, end_point)
 
# 输出或使用路径
print(path)  # 或根据需要进一步处理和使用路径信息

这段代码是一个非常简化的示例。整体上感觉，需要一份可靠的矢量地图就可以实现规划了。

文章目录

什么是矢量地图？
对于“vector map 路径规划”的问题
- 路径规划的解决方案
全局的规划目录
局部的规划目录
Open Planner 工程目录
fast_planner工程目录
lane_planner(使用vector_map)实战目录
车道选择流程目录

全局的规划目录

（A1）【全局路径规划】基于定位的全局航线的录制方法
（A2）【全局路径规划】曲线拟合的方法–Dubins曲线与Reeds-Shepp曲线
（A3）【全局路径规划】图搜索的路径探索方法–DFS\BFS\DFS-ID、贪心算法、Dijkstra和A*、JPS、.hybird A*、
（A4）【全局路径规划】基于采样的方法–RRT类算法、PRM算法、Lattice planner等
（A5）【全局路径规划】基于地图的方法–vector_map、Voronoi_map
（A6）【全局路径规划】智能算法的方法–蚁群算法、动态规划DP等
（A7）【全局路径规划】覆盖式路径规划

局部的规划目录

（B1）【路径插值与抽稀篇】路径插值与抽稀方向–线性/双线性插值、步距抽稀、等长抽稀、垂直限制抽稀、道格拉斯-普克(Douglas-Peuker)DPR抽稀、去除共线点抽稀等

（B2）【路径平滑篇】路径平滑滤波与拟合–算术方法、优化理论方法、滤波器方法、曲线拟合方法（三五次样条曲线、贝塞尔曲线、B样条曲线）、基于地图方法等

（B4.1）【轨迹优化篇】基于曲线实现速度规划、基于逻辑实现速度规划
（B4.2）【轨迹优化篇】线性加权轨迹代价损失评分，轨迹多选一方法–DWA_planner、Open_Planner、lexicographic_planner
（B4.3）【轨迹优化篇】基于控制的方法实现轨迹避障
（B4.4）【轨迹优化篇】基于优化理论，梯度下降迭代优化使得轨迹形变方法–Teb_planner、MinimumSnap轨迹生成与优化、无人机的硬软约束后端轨迹优化
（B4.5）【轨迹优化篇】基于地图的方法–VFH、VFH+、VFH*算法
（B4.6）【轨迹优化篇】基于Frenet车道线坐标系，采用DP、QP速度解耦进行局部规划–EM_planner