一、规划在自动驾驶系统中的位置
说实话，很多人刚开始接触自动驾驶时，容易把规划想得太简单。不就是让车从A点走到B点吗？
嗯，真不是这么回事。
我习惯把自动驾驶系统比作一个「人车合一」的团队。感知是眼睛，定位是记忆，控制是手脚，而规划——就是大脑。
具体来说，规划模块在整个系统中扮演三个关键角色：
- 承上启下：接收感知模块输出的障碍物信息、定位模块提供的自车位置，然后输出一条安全、舒适、可执行的轨迹给控制模块。
- 决策中枢：什么时候该变道？要不要让行？是加速超车还是减速跟车？这些「灵魂拷问」都由规划模块回答。
- 安全兜底：当感知出现误检、定位发生漂移时，规划模块要有能力做出保守决策，保证车辆不撞。
我个人的经验是：很多团队在早期只重视感知算法，觉得「看得清就能开」。结果路测时发现，车能识别一切，但就是不知道该怎么走——这就是规划没做好的典型症状。
二、规划算法的分类
规划算法不是铁板一块。按我的理解，它应该拆成三个层次，每一层解决不同的问题。
2.1 全局路径规划
说白了，就是「大方向」的问题。从北京开到上海，走哪条高速？中间在哪个服务区休息？
这一层的特点是：更新频率低（通常几秒甚至几分钟一次），搜索空间大（整个路网），不考虑动态障碍物。
常用的算法有：
- Dijkstra：经典的最短路径算法，稳但慢。
- A*：加了启发式搜索，效率高很多。我在项目中用的最多的就是它。
- Hybrid A*：考虑了车辆运动学约束，适合泊车场景。
避坑指南：我曾经在高速场景下直接用A*做全局规划，结果算出来的路径让车在匝道口反复横跳。后来加了「道路连通性检查」才解决。记住，全局路径不仅要短，还要符合交规。
2.2 行为决策
这一层解决的是「下一步该干什么」的问题。你想想看，车在路口遇到红灯，是停还是闯？前面有行人过马路，是等还是绕？
行为决策的输出通常是一个离散的动作：
- 跟车：保持安全距离，随前车速度调整。
- 换道：向左/向右变道，需要评估目标车道是否有足够间隙。
- 让行：减速或停车，让其他交通参与者优先通过。
- 紧急停车：遇到无法处理的场景，安全第一。
常用的方法包括：
- 有限状态机（FSM）：简单直观，但状态多了容易「爆炸」。
- 决策树：可解释性好，适合规则明确的场景。
- 基于学习的决策：比如DQN、PPO，能处理复杂交互，但可解释性差。
注意：行为决策是规划中最容易被低估的模块。我见过太多团队把精力花在路径优化上，结果决策逻辑写成一团乱麻。最后路测时，车在十字路口犹豫不决，被后车疯狂鸣笛。
2.3 运动规划
这一层解决的是「具体怎么走」的问题。给定一个目标（比如变到左边车道），生成一条平滑、安全、满足车辆动力学约束的轨迹。
运动规划的输出通常是一条轨迹，包含：
- 路径：一系列离散点，描述车辆的位置。
- 速度曲线：每个点对应的速度、加速度。
- 时间信息：什么时候到达哪个点。
常用的方法：
- 多项式曲线：用五次多项式生成平滑轨迹，简单高效。
- 贝塞尔曲线：控制点少，适合曲率连续的场景。
- 优化方法：把轨迹生成建模成二次规划（QP）问题，可以同时考虑多个约束。
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 多项式曲线 | 计算快，实现简单 | 难以处理复杂约束 | 简单换道、直线行驶 |
| 贝塞尔曲线 | 曲率连续，控制直观 | 全局性差，局部调整困难 | 泊车、低速场景 |
| 优化方法（QP） | 约束处理能力强 | 计算量大，需要调参 | 高速、复杂城市道路 |
三、工程落地的挑战
算法在论文里跑得飞起，一上车就「翻车」——这是规划算法落地最大的痛点。我总结了几条血泪教训：
3.1 实时性要求
规划模块必须在50-100毫秒内完成一次完整的计算。你想想看，车以60km/h行驶，每秒钟跑16.7米。如果规划延迟了200毫秒，车就已经冲出去3米多了——这在城市道路上是致命的。
我的做法：在代码中埋入计时器，每个子模块都记录耗时。一旦发现某个环节超时，立刻报警。同时，我会为规划算法设置「降级策略」——如果优化求解超时，就退回到基于规则的快速规划。
3.2 不确定性处理
感知模块告诉你「前方50米有行人」，但这个行人是站着不动还是准备横穿？定位模块告诉你「当前位置在车道中心」，但误差可能有30厘米？
规划算法必须对这些不确定性有「免疫力」。我常用的方法：
- 膨胀障碍物：给每个障碍物加上安全边界，留出容错空间。
- 保守速度规划：在不确定性大的区域，主动降低车速。
- 多假设跟踪：对每个障碍物维护多个可能的运动轨迹，规划时考虑最坏情况。
3.3 场景覆盖
自动驾驶面临的场景几乎是无限的。你可以在测试场里跑一万遍「直道跟车」，但永远不知道下一个路口会遇到什么。
我建议的做法是：
- 场景库建设：把真实路测中遇到的「奇葩场景」都记录下来，形成测试用例。
- 仿真验证：在仿真环境中跑百万公里的测试，覆盖各种边缘情况。
- 渐进式部署：先跑简单场景（高速），再跑复杂场景（城市道路），逐步积累经验。
我曾经踩过的坑：有一次在园区测试，车遇到一个正在倒车的卡车。我的规划算法只考虑了前向运动的障碍物，结果直接规划了一条从卡车后方绕行的路径——差点撞上。从那以后，我要求所有障碍物都必须考虑「全方向运动可能性」。
3.4 可解释性与调试
规划算法出错了，你得能快速定位问题。是感知给的数据不对？还是决策逻辑有bug？还是优化求解器没收敛？
我个人的习惯是：
- 可视化日志：每个规划周期都输出完整的中间结果，包括候选轨迹、代价函数值、约束违反情况。
- 回放工具：开发一个离线回放工具，可以逐帧查看规划器的决策过程。
- 关键指标监控：实时监控规划成功率、平均计算耗时、轨迹平滑度等指标。
好了，以上就是我对规划算法在自动驾驶系统中位置、分类以及落地挑战的理解。说白了，规划算法不是「写出来就能用」的，它需要大量的工程打磨和场景积累。下一章，我会带大家深入全局路径规划的细节，聊聊A*算法在实际工程中的那些坑。