Planning

近期小鹏公司和深蓝学院展开合作介绍了一些NGP相关内容，从主讲人的资料中可以看出一些NGP系统Planning模块的一些蛛丝马迹。

1. 算法原理

算法原理的介绍是目前较为主流的，并且和Apollo有较高的相似性。

在参考线平滑模块，主讲人介绍的是piece-wisely with polynomial spirals方法。在决策规划部分由Path Decision，Path Optimization，Speed Decision， Speed Optimization依次执行，路径决策和速度决策在SL和ST坐标系中采用全局规划方法，例如A*或者DP生成粗略的路径和轨迹，也就是产生绕障方向和Overtake/Follow决策，然后采用最优化的方法求解。

2. Planning的决策

主讲人放出了一段Planning模块调试工具的视频。

从上图中可以看出，左侧第一列是可视化界面，有地图、障碍物、主车和规划信息等。

左侧第二列是Planning内部的信息，有规划耗时、状态、Ignore的障碍物信息、交通灯、path/speed求解状态、与前车关系、routing信息等，其中routing信息中每个车道都是有优先级的，同时有Parked，merge属性(是否可停车？汇流车道？)。

左侧第三列有规划起点信息、决策状态机信息、纵向决策信息、ST图信息、规划的轨迹分析等。

左侧第四列其他模块的信息(资源占用情况？？)、前向摄像头视频以及标注工具等。可以看出NGP采用了局部定位和全局定位，地图融合。

2.1 换道决策

从视频中的几次换道工况，可以猜测NGP在换道时采用的比较保守的策略，即当目标车道一定范围内没有行驶车辆时才进行换道。上图向左换道，目标车道在主车前后一定范围内没有行驶车辆，并且对目标车道中的前车做了Follow的纵向决策。我们再看下其他换道工况是否也是如此：

从上图可知，决策是向左侧车道换道，此时左侧车道没有任何车辆。

从上图可知，决策是向左侧车道换道，在换道过程中，左侧出现行驶车辆，从ST图可知，Speed Decider做出了Follow的决策。

2.2 Merge策略

在汇入路口有大量的车辆形成了拥堵，决策生成一系列的Follow决策等待主车道车辆通过，等主车道车辆都通过后才会进行汇流。下图也是相同的工况。

3. 纯视觉感知的问题

当一辆公交车出现在ADC侧方时，会造成误捡。

4. 仿真系统

从上面两幅图可知，小鹏公司采用和百度的DreamLand相似的仿真系统。并且可以利用在线采集的数据进行算法验证，下图中白色车辆是原算法生成的轨迹，红色轨迹是新算法生成的轨迹。