一、规划控制算法概述

大家好，我是你们的老朋友。今天咱们正式开讲规划控制算法。说实话，每次带新人入门，我都要先花半小时讲清楚一件事——自动驾驶系统到底长什么样？规划控制模块又处在什么位置？

我个人习惯把自动驾驶系统比作一个「人」。感知是眼睛和耳朵，定位是大脑里的导航仪，决策规划是思考过程，控制就是手脚的执行。你想想看，眼睛再好使，手脚不听使唤也白搭。反过来，手脚再灵活，脑子没想好往哪走，那更危险。

1.1 自动驾驶系统架构概览

先看一张经典的架构图。虽然各家方案略有不同，但大体上逃不出这几个模块：

• 感知层：摄像头、激光雷达、毫米波雷达、超声波。负责「看到」世界。
• 定位层：GPS、IMU、高精地图、SLAM。负责「知道自己在哪」。
• 预测层：对周围交通参与者的未来轨迹进行估计。说白了，猜别人下一步要干嘛。
• 规划层：路径规划、行为决策、轨迹规划。这是今天的主角。
• 控制层：横向控制（方向盘）、纵向控制（油门/刹车）。负责「执行」。

我在项目中遇到过不少同学，一上来就扎进控制算法里调PID参数，结果发现车根本走不对路。为什么？因为规划层给的轨迹就是错的。所以，一定要先理解整个链条。

1.2 规划控制模块的定位

规划控制模块到底干什么活？我给它总结了三个核心任务：

1. 我要去哪？——全局路径规划（Route Planning）。从A点到B点，走哪条路。
2. 我该怎么走？——行为决策（Behavior Decision）。变道？跟车？让行？还是加速超车？
3. 我具体怎么动？——运动规划（Motion Planning）。生成一条平滑、安全、舒适的轨迹，包含位置、速度、加速度、曲率等信息。

嗯，这里要注意：控制模块拿到的是一条「轨迹」，而不是一个「点」。很多新手犯的错误，就是只给控制模块一个目标点，然后指望它自己算过去。这不行。控制模块只负责跟踪，不负责规划。

1.3 核心算法演进历程

规划控制算法不是一天建成的。我入行那会儿，大家还在用最朴素的方法。这些年走过来，大致经历了三个阶段：

阶段	时间	代表方法	特点
1.0 规则时代	2010-2015	状态机、A*、Dijkstra、PID	简单、可解释性强，但场景覆盖不全
2.0 优化时代	2015-2020	EM Planner、Lattice Planner、MPC	考虑最优性，能处理复杂约束
3.0 学习时代	2020-至今	模仿学习、强化学习、端到端	数据驱动，泛化能力强，但可解释性差

1.0 规则时代：说白了就是「if-else大法」。遇到红灯就停，遇到行人就让。A*找路径，PID跟轨迹。优点是稳定可靠，缺点是遇到没见过的场景就抓瞎。我记得有一次测试，一个路口的交通灯坏了，规则直接死循环了。

2.0 优化时代：这时候大家开始用数学建模了。把规划问题转化成优化问题——在满足动力学约束、安全约束的前提下，最小化某个代价函数（比如时间、舒适度、能耗）。EM Planner（百度Apollo的方案）和Lattice Planner（基于采样+优化的方案）是典型代表。MPC（模型预测控制）则把规划和控制在同一个框架下求解。

3.0 学习时代：最近几年，深度学习杀进来了。模仿学习（IL）让模型学人类司机的驾驶行为，强化学习（RL）让模型自己试错。端到端方案更是激进——摄像头图像直接输出方向盘转角。但说实话，我个人对纯端到端持保留态度。为什么？因为出了问题你根本不知道是感知错了还是规划错了。可解释性太差。

1.4 我的学习建议

讲了这么多，最后给各位一些实在的建议：

• 先动手，再动脑。别光看书。找个开源框架（比如Apollo、Autoware），跑一遍仿真，看看轨迹是怎么生成的。
• 重视数学基础。优化理论、控制理论、概率论，这三样是基本功。我见过太多人调参调了半天，其实是因为目标函数没写对。
• 多问「为什么」。为什么用五次多项式而不是三次？为什么MPC比PID更适合横向控制？想清楚这些，你才算真正入门。

好了，第一章就到这里。下一章我们深入聊聊全局路径规划——怎么从地图上找到一条最优路径。到时候我会手撕A*算法，带你看懂它的每一个细节。

咱们下章见。