3、权重求和法：线性加权、权重敏感性分析、在ADAS路径规划中的应用

好，咱们今天聊聊权重求和法。说实话，这是多目标优化里最直观、最容易上手的方法了。我刚入行那会儿，第一次做路径规划，领导丢给我一堆指标——安全性、舒适性、效率，我当时就懵了。后来师傅跟我说：「你把它们加起来不就行了？」嗯，就是这么简单粗暴。

3.1 线性加权的基本原理

权重求和法的核心思想，说白了就是把多个目标函数乘以各自的权重，然后求和成一个单目标函数。你想想看，我们做ADAS决策时，既要避开障碍物，又要保持车速，还得让乘客不晕车。这几个目标往往是冲突的。

数学上长这样：

J = w₁ * f₁(x) + w₂ * f₂(x) + ... + wₙ * fₙ(x)

其中 fᵢ 是第 i 个目标函数，wᵢ 是对应的权重。权重越大，说明这个目标越重要。

我个人习惯把权重归一化，让所有权重加起来等于1。这样有个好处——你一眼就能看出哪个目标占主导。比如 w₁=0.6，w₂=0.3，w₃=0.1，那很明显，第一个目标最重要。

3.2 权重敏感性分析

权重怎么定？这是个好问题。说实话，没有标准答案。但我们可以做一件事——敏感性分析。

什么叫敏感性分析？就是看看权重变化一点点，结果会变多少。如果权重从0.5变成0.51，路径就完全不一样了，那说明这个权重很敏感，你得小心。

我曾经在一个项目中，把舒适性的权重从0.3调到0.35，结果路径规划出来的轨迹让乘客感觉像在坐过山车。嗯，这就是权重敏感性的典型表现。

做敏感性分析，我一般分三步：

1. 基准测试：先选一组基准权重，跑出基准结果
2. 扰动测试：每次只变一个权重，比如±5%、±10%、±20%
3. 结果对比：看路径变化、目标函数值变化、约束满足情况

3.3 在ADAS路径规划中的应用

好了，理论说完了，咱们看看实际怎么用。在ADAS路径规划中，我通常把目标函数分成三类：

目标类别	具体指标	典型权重
安全性	与障碍物的最小距离、碰撞风险	0.5 - 0.7
舒适性	加速度变化率、横向加速度	0.2 - 0.3
效率	路径长度、行驶时间	0.1 - 0.2

你可能会问：「为什么安全性权重这么高？」这还用说吗？ADAS的第一要务就是安全。舒适性和效率都是锦上添花，安全是底线。

下面是一个简化的代码示例，展示如何在路径规划中用权重求和法：

def weighted_path_cost(path, weights):
    # 计算三个目标函数
    safety_cost = compute_safety_cost(path)      # 安全性代价
    comfort_cost = compute_comfort_cost(path)    # 舒适性代价
    efficiency_cost = compute_efficiency_cost(path)  # 效率代价
    
    # 权重求和
    total_cost = (weights['safety'] * safety_cost +
                  weights['comfort'] * comfort_cost +
                  weights['efficiency'] * efficiency_cost)
    
    return total_cost

# 使用示例
weights = {'safety': 0.6, 'comfort': 0.3, 'efficiency': 0.1}
best_path = min(all_paths, key=lambda p: weighted_path_cost(p, weights))

实际项目中，我还会做一件事——动态调整权重。比如在高速公路上，效率权重可以高一点；在市区拥堵路段，舒适性权重应该更高。说白了，权重不是一成不变的，要根据场景自适应。

嗯，这里要注意一点：权重求和法虽然简单，但它有个隐含假设——各个目标之间是相互独立的。但现实中，安全性和舒适性往往是相关的。比如你为了安全离障碍物远一点，可能就得急转弯，舒适性就下降了。这种时候，单纯调权重可能不够，得考虑更高级的方法。

最后总结一下我的经验：权重求和法适合快速原型验证，也适合对实时性要求高的场景。但如果你的问题很复杂，或者帕累托前沿是非凸的，那就得考虑其他方法了。咱们后面几章会讲到。