apollo motion planner 学习总结5

5.understand more on the MP difficulty

 本节主要介绍EMplanner的开发，

如何抽象constraint

三维空间（slt）优化问题，不仅能够避开静态障碍物，也能避开动态障碍物

  M step就是maximization，E step就是expectation-期望

  解决高维空间，有两种方法：一种是离散处理，从configuration space出发，然后离散化，生成一些三维空间的trajectory，然后再寻找一个最优解。但是这样sample时，仍然有颗粒度，不可能把全空间都sample，

   Iterative path speed solving：当在高维解决不了得问题，则先在低维空间里把其中一个维度的问题先解决，在此基础上，再优化另一个维度，优化的差不多了，再在此基础上，再去优化开始的那个维度，以此类推，不断迭代优化。

    这种迭代算法，本质上来讲，仍旧是一种贪心算法，贪心算法只能收敛到局部最优，不一定能收敛到全局最优----但是这种局部最优有时也够用

优化问题的三个关键，objective function ,constraint以及solver

就是先通过动态规划有一个大概的了解，然后再用QP（二次规划）生成一条平滑的轨迹。

Speed的DP与前面也一样

关于逆行障碍物：

算法提速-hotstar热启动，就是将上一帧求出来的最优解作为一个启发，当做下一帧的起始搜索点