第三章：决策规划框架总览

大家好，我是你们的老朋友。今天我们来聊聊自动驾驶决策规划系统的整体架构。说实话，很多新手一上来就盯着某个算法猛学，结果发现拼不到一起。我个人习惯是，先看全局，再抠细节。就像盖房子，你得先知道哪是承重墙，哪是卫生间。

决策规划系统，说白了就是让车知道「要去哪、怎么走、走哪条线」。这三个问题，分别对应了三个层级：全局路径规划、行为决策、运动规划。它们像公司的三层管理：CEO定大方向，经理做战术安排，一线员工执行具体动作。

一、全局路径规划：给车一张「地图」

全局路径规划，也叫Route Planning。它的任务很简单：给定起点和终点，找出一条最优的宏观路径。注意，是宏观的，不是微观的。它不关心你具体怎么变道、怎么避障，只关心你走哪条路、上哪个高速、在哪个路口转弯。

我在项目中遇到过一个问题：有一次测试车在园区里跑，全局规划给了一条穿过草坪的路径。为什么？因为高精地图里那片草坪被标注成了「可通行区域」。嗯，这里要注意，全局规划的质量高度依赖地图数据的准确性。地图错了，规划再好也没用。

常用的算法有哪些？

• Dijkstra：经典的最短路径算法，稳，但慢。
• A*：加了启发式搜索，比Dijkstra快很多。我个人最常用这个。
• RRT：随机采样树，适合高维空间，但路径不一定最优。

你想想看，全局规划其实是个「离线」任务。它不需要实时更新，除非用户改了目的地。所以它的计算频率很低，一般几秒甚至几十秒更新一次就够了。

二、行为决策：给车一个「大脑」

行为决策，也叫Behavioral Decision。这个层级负责回答「我现在该干什么？」。比如：是跟车还是变道？是加速超车还是减速让行？要不要在红灯前停下来？

我曾经踩过一个坑：行为决策模块输出「变道」指令，但运动规划模块发现旁边车道有车，于是拒绝执行。结果两个模块互相打架，车在车道线上来回摇摆。后来我加了一个「决策可行性检查」的环节，才解决这个问题。

行为决策的常见实现方式：

• 有限状态机（FSM）：最传统的方式。定义几个状态：巡航、跟车、变道、停车等。状态之间通过条件转移。简单直观，但状态多了容易爆炸。
• 决策树：像if-else的升级版。可解释性强，但维护起来也累。
• 强化学习：最近很火。让车自己学，但可解释性差，你敢让它在高速上自己试错吗？我个人持保留态度。

行为决策的输出是什么？是一个驾驶意图。比如「保持当前车道，速度30km/h」或者「准备向左变道」。它不给出具体的路径点，只给出一个「指令」。

三、运动规划：给车一双「手和脚」

运动规划，也叫Motion Planning。这是最底层、最精细的规划。它要生成一条平滑、安全、可执行的轨迹。这条轨迹包含位置、速度、加速度、甚至方向盘转角。

运动规划又分两部分：

• 路径规划：生成一条几何路径，也就是车要走的那条线。
• 速度规划：在这条路径上分配速度，也就是什么时候加速、什么时候减速。

我记得有一次调试，路径规划出来的曲线很平滑，但速度规划没做好，导致车在弯道里速度太快，差点侧滑。从那以后，我特别强调路径和速度要联合优化，不能分开搞。

常用的运动规划算法：

算法	特点	适用场景
多项式曲线	简单、平滑	低速、结构化道路
贝塞尔曲线	控制点直观	泊车、换道
样条曲线	分段平滑	高速、长距离
优化方法（MPC）	考虑动力学约束	复杂场景、高速

运动规划的输出是一系列轨迹点，每个点包含：时间戳、x坐标、y坐标、航向角、速度、加速度。控制模块拿到这些点，再去控制油门、刹车、方向盘。

四、三层架构如何协作？

这三层不是各干各的，而是层层递进、互相反馈的。我画个简单的流程：

全局路径规划 → 行为决策 → 运动规划 → 控制模块
     ↑              ↑            ↑
     └──────────────┴────────────┘
           反馈与重规划

举个例子：

1. 全局规划说：走A路，在B路口右转。
2. 行为决策说：当前车道前方有慢车，我决定变道超车。
3. 运动规划说：好，我生成一条从当前车道到左车道的平滑轨迹，速度从40提到50。
4. 控制模块执行。

如果运动规划发现变道轨迹不安全（比如左后方有车快速接近），它会反馈给行为决策：「变道不可行」。行为决策收到后，重新决策：那就跟车吧。

你看，这就是一个闭环。没有反馈的架构，就像蒙着眼睛开车，迟早出事。

好了，这一章就到这里。下一章我们深入讲讲全局路径规划里的A*算法，我会带一个实际的代码例子。到时候见。