本文解析论文Runtime-Bounded Tunable Motion Planning for Autonomous Driving
论文的两个点我认为都比较值得应用，接下来有时间我会进行测试，但估计是没时间的，最近很繁忙。
总结一下：
第一，论文依然采用了sampling based的路径规划方法，但是一开始使用的是点的连接，先生成粗糙曲线然后再做平滑处理。
第二，论文再代价函数的调参问题上做出了一些贡献，我认为是最近看到的文章里面最有价值的部分了。
文章前面扯了一堆没用的，有兴趣的可以去了解一下，就是介绍了各种搜索，优化，图算法等。
第一个点：空间图生成的粗糙曲线。
这个方法在之前的文章解析里面也有提及，意思就是一开始我们不使用直接曲线规划，比如给定限制条件后进行五阶曲线规划，因为这样虽然一步到位，但是很费计算资源，我们这里依然使用cost function 的方法，去找到一系列的点，连接起来生成连续但不可导的粗糙曲线，然后在对这些曲线做平滑处理，显然损耗的计算资源要少很多。这个cost function写成：
l表示与中心线的横向偏差， 我们期望永远能沿着中心线走，偏差尽量小。delta_h是点的前后两条线段之间的heading的差值。下面的图表示的很清楚，在上一个论文解析里面（论文解析3）中也说到了这个公式，我们在曲线中，就是希望尽量的把曲线拉直，表示成heading就是希望前后两个线段的heading的变化能尽量小。
第二个值得一提的问题就是对cost function 的调参。因为cost function 中可能涉及很多参数，这些参数有的可能很难表示什么具体的物理意义，比如说曲率的二次变化率，我们很难用量化的方式去评判它的好坏，不像我们评判加速度的好坏，有具体的量化指标。第二个，一旦这些参量高达十几个的时候，他们的权重weight的调参就会变得越加困难。所以本文提出了一个创新的方法，也不去计算累加和了，而是用了cascaded ranking method. 中文译名串联评价方法。
举个例子，我们现在就只有6个参量：
人为的给予不同的重要程度，以上碰撞肯定是最高优先级的，偏离预定轨迹和预定速度作为最低优先级。我们现在有N条曲线要评判哪条是最优曲线，就从这些曲线的这些不用重要性的参量出发来评价曲线的好坏。对于每个参量对应描述的状态，我们就给他三种评价，好，中，坏，比如第一个，是否和静态障碍物碰撞，我们对每条曲线的这个部分，进行评价，然后继续对第二个优先级所描述的状态进行评价，再打分，最后把这些东西统一在一个bucketing box里面，统一的原因是我们要避免这个方法是对每个参量的单独打分，不然就没意思了。应该放在一起打分。最后我们去总分最高的作为最优曲线。
这个方法的创意在于，我们是对每个状态进行横向的评价，而不是对单位不统一的参量进行纵向评价。比如，我们对所有曲线是否与静态障碍物发生碰撞这个状态打分，就是横向打分，而我们把每条曲线所有的参量通过量化的方式累加起来，就是纵向对比，因为与静态障碍的距离（L/m）与曲线曲率（kappa/1/m）两者连单位都没有统一，我们把他们加起来的意义是什么呢？
下图举了一个简单的例子解释了bucketing box的方法：