参考文章：
（1）【自动驾驶】运动规划丨速度规划丨T型/S型速度曲线
（2）一文教你快速搞懂速度曲线规划之S形曲线（超详细+图文+推导+附件代码）

1 梯形速度曲线

如下图所示梯形速度/加速度/加加速度曲线

运动过程：匀加速、匀速、匀减速
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

梯形速度曲线加速度不连续，存在突变，会对车辆执行器造成冲击，影响舒适性。适用于紧急制动对舒适性要求不高的场景

2 S型速度曲线

如下图所示S型速度/加速度/加加速度曲线
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

S型速度曲线解决了T型函数存在的加速度突变的问题，避免了车辆运动时候的柔性冲击，但由于分段较多、结构复杂，导致算法计算量较大，实现起来相对复杂。

# 自动驾驶 # 机器人
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

图像识别化技术目标检测模型训练数据标注策略

图像识别技术中的目标检测模型近年来在自动驾驶、安防监控、医疗影像等领域展现出巨大潜力，而模型的性能高度依赖于训练数据的标注质量。对于遮挡、重叠目标，应采用分层标注策略，明确标注可见部分。标注策略需结合具体需求，灵活调整标注粒度和标准，确保模型在实际场景中发挥最佳效果。通过分析模型在测试集上的表现，发现漏检或误检案例，针对性补充标注数据。未来，随着自动化标注技术和多模态融合的发展，数据标注将迈向更高

avatar DAMO开发者矩阵
cover

【3D 物理布局生成】PHYSCENE: Physically Interactable 3D Scene Synthesis for Embodied AI

avatar DAMO开发者矩阵

强化学习环境智能体与奖励设计

强化学习的核心在于智能体通过与环境的交互学习最优策略，而奖励设计则是这一过程中的关键驱动力。例如，在稀疏奖励环境中，智能体可能因缺乏即时反馈而难以学习。例如，在机器人路径规划中，仅设置终点奖励可能导致探索效率低下，而加入距离惩罚或时间惩罚则能加速收敛。例如，在足球游戏中，团队奖励鼓励传球配合，而个人得分奖励可能激励球员突破。总结而言，强化学习环境智能体与奖励设计是推动智能决策的核心。通过优化交互机

avatar DAMO开发者矩阵