apollo学习笔记十四：apollo规划技术（四）

Understand More on the MP Difficulty

EM算法

EM算法是一个在已知部分相关变量的情况下，估计未知变量的迭代技术，首先通过动态规划方式对整个问题有一个粗浅的认识，然后通过二次规划进行强化，这种启发式搜索方法是目前百度Apollo的EM算法的核心思想。这种方法和人开车的过程是一样的，通常驾驶员会先形成一个大概的指导思想，指明往什么方向开，然后再规划一条最优路径。

• EM的算法流程如下：
  1、初始化分布参数；
  2、重复直到收敛。
  重复直到收敛的步骤如下：
  2.1、E步骤：根据隐含数据的假设值，给出当前的参数的极大似然估计；
  2.2、M步骤：重新给出未知变量的期望估计，应用于缺失值。
• 缺点：
  本质是贪心算法，所以只能找到局部最优解

约束

在无人车场景中，有三类约束，第一个叫做 Rraffic Regulation，第二个是 Decisions，第三个是 Best Trajectory 。这些限制又分为硬限制和软限制，例如交通规则属于硬性限制。

约束问题的核心有三点：第一是目标函数的定义，目标函数比较清晰，对于后面的求解更有帮助。第二是约束，比如路网约束、交规、动态约束等。第三是约束问题的优化，比如动态规划、二次规划等。

优化

优化决策问题本身是一个 3D opt