从调参实战看差异：Lattice Planner和EM Planner在Apollo中的参数配置与场景适配心得

从调参实战看差异Lattice Planner和EM Planner在Apollo中的参数配置与场景适配心得在自动驾驶系统的开发中规划算法是决定车辆行为的关键模块。百度Apollo平台提供了Lattice Planner和EM Planner两种主流规划器它们在算法原理和适用场景上各有特点。本文将基于实际工程经验深入探讨两种规划器在不同路况下的参数调优策略帮助开发者根据具体需求做出更合理的选择。1. 核心算法原理与适用场景对比Lattice Planner和EM Planner虽然同为规划算法但设计思路和适用场景存在显著差异。理解这些差异是进行参数调优的基础。Lattice Planner采用采样-评估的工作流程通过在状态空间中采样末状态生成候选轨迹簇最后选择最优轨迹。这种方法的优势在于响应速度快适合需要快速决策的场景实现相对简单代码结构清晰调试方便车辆动力学考虑充分轨迹生成时已考虑运动约束EM Planner则采用分层优化策略先通过动态规划(DP)获得粗解再用二次规划(QP)进行精细化处理。其特点包括处理复杂场景能力强适合城区道路等环境优化空间明确通过SL和ST图分步处理路径和速度计算资源需求较高需要更多处理时间下表对比了两种算法的主要特性特性Lattice PlannerEM Planner计算效率高中等场景复杂度简单到中等中等到复杂参数敏感度较高中等实时性优良代码复杂度低高2. Lattice Planner参数调优实战Lattice Planner的性能很大程度上取决于参数配置。以下是关键参数及其调优建议2.1 采样范围设置采样范围直接影响规划的质量和效率。在Apollo配置文件中相关参数通常位于planning_config.pb.txtlattice_planner_config { sample_s_range: 5.0 // 纵向采样范围(米) sample_l_range: 3.0 // 横向采样范围(米) sample_v_range: 2.0 // 速度采样范围(m/s) }调优建议高速公路场景可适当增大纵向采样范围(如8-10米)减小横向采样范围(1-2米)城区场景需平衡纵向(4-6米)和横向(2-3米)采样范围停车场景减小所有采样范围提高精度注意过大的采样范围会导致计算量激增可能影响实时性2.2 代价函数权重调整代价函数决定轨迹选择的偏好关键权重包括# 示例权重配置 cost_weights { safety: 1.5, # 安全代价 comfort: 1.0, # 舒适性代价 efficiency: 0.8, # 效率代价 guidance: 0.5 # 引导线跟随代价 }实际调参时可考虑以下策略安全优先场景如行人密集区提高safety权重(2.0)适当降低efficiency权重(0.5-)效率优先场景如高速公路提高efficiency权重(1.2)保持中等safety权重(1.0)舒适性敏感场景如载客车辆提高comfort权重(1.5)添加jerk(加加速度)惩罚项3. EM Planner参数调优要点EM Planner的参数体系更为复杂需要分层考虑SL和ST规划的参数配置。3.1 SL规划参数配置SL规划涉及DP和QP两个阶段关键参数包括em_planner_config { sl_dp_config { sample_s_range: 200.0 // DP采样纵向范围(米) sample_l_range: 5.0 // DP采样横向范围(米) dp_cost_weight { obstacle: 1.0 // 障碍物代价权重 smooth: 0.1 // 平滑性代价权重 guidance: 0.5 // 引导线代价权重 } } sl_qp_config { qp_smooth_weight: 10.0 // QP平滑项权重 qp_length_weight: 1.0 // QP长度项权重 } }场景适配建议复杂路口减小DP采样范围(100-150米)提高障碍物代价权重(1.5)直线高速增大DP采样范围(200-250米)降低障碍物权重(0.8-)提高QP平滑项权重(15.0)3.2 ST规划参数优化ST规划控制速度曲线对乘坐舒适性影响显著。关键参数st_dp_config { time_range: 8.0, # 时间范围(秒) speed_sample_num: 7, # 速度采样点数 cost_weights: { speed: 0.7, # 速度保持代价 accel: 0.3, # 加速度代价 jerk: 0.1 # 加加速度代价 } }调优经验拥堵跟车缩短时间范围(5-6秒)提高加速度代价权重(0.5)增加速度采样点数(9-11个)高速巡航延长时间范围(8-10秒)提高速度保持权重(1.0)降低jerk权重(0.05)4. 场景化配置策略与避坑指南根据实际项目经验不同场景下规划器的选择和参数配置需要针对性调整。4.1 典型场景配置方案高速公路场景优先选择Lattice Planner参数重点增大纵向采样范围提高效率代价权重放宽横向约束城区复杂路口推荐使用EM Planner参数重点精细调整SL障碍物代价控制ST规划时间范围加强QP平滑约束停车场自动泊车两种规划器均可但需特殊配置关键调整大幅减小所有采样范围提高安全代价权重降低最小转弯半径限制4.2 常见问题与解决方案问题1规划轨迹抖动明显可能原因Lattice采样点过少或代价函数权重失衡EMQP平滑项权重不足解决方案# 对于Lattice 增加sample_v_points参数值 调整cost_weights中的smooth项 # 对于EM 提高sl_qp_config.qp_smooth_weight 检查DP采样密度是否足够问题2规划延迟导致控制滞后优化方向Lattice减少采样点数量或缩小采样范围EM降低DP采样分辨率或缩短规划周期折中方案# 动态调整参数示例 if detection_latency threshold: planner_config.sample_points * 0.8 planner_config.time_range * 0.9问题3特定场景下轨迹不合理调试步骤记录问题场景的感知和预测输入可视化规划中间结果如DP路径、QP空间针对性调整相关代价权重添加场景特殊处理逻辑在实际项目中我们发现在上下匝道场景中EM Planner的表现通常优于Lattice Planner特别是在曲率变化较大的路段。这时可以适当调整EM Planner的SL DP采样范围至150米左右同时提高引导线代价权重至0.8以上能显著改善轨迹平滑性。