第一章：决策规划基础
大家好，我是你们这门课的主讲。在自动驾驶这个行当摸爬滚打了好些年，踩过不少坑，也积累了一些经验。今天咱们开始第一讲，聊聊决策规划最基础的东西。
说实话，很多人一上来就盯着各种高大上的算法看，什么A*、RRT*、Lattice Planner。但我个人习惯，先把这个地基打牢。你想想看，如果连状态空间和动作空间都分不清，后面写代码肯定要出大问题。
1.1 状态空间与动作空间
先问大家一个问题：自动驾驶的车，它到底「知道」些什么？又能「做」些什么？
状态空间，说白了就是车辆当前所处的所有可能情况的集合。我习惯把它分成三块：
- 自车状态：位置(x, y)、航向角(yaw)、速度、加速度、方向盘转角。这些是基础。
- 环境状态：车道线、路沿、交通标志、红绿灯。嗯，这里要注意，环境不是一成不变的。
- 交互状态：周围其他车辆的位置、速度、意图。这个最难搞。
重要概念：状态空间的维度决定了问题的复杂度。每增加一个维度，计算量可能翻倍。这就是所谓的「维度灾难」。
动作空间就好理解了——车能执行什么操作？
我见过不少新手，把动作空间设计得特别细，什么「方向盘左打5度」、「油门踩30%」。其实没必要。在决策规划层面，我们通常用更抽象的动作：
- 纵向动作：加速、匀速、减速、停车
- 横向动作：直行、向左换道、向右换道
举个例子，我在做高速巡航项目时，动作空间就只定义了5种：保持车道、左换道、右换道、跟车、紧急制动。简单但够用。
个人经验：动作空间不是越细越好。太细了，搜索空间爆炸；太粗了，又不够灵活。我一般建议先粗后细，跑通了再优化。
1.2 路径规划与轨迹规划的区别
这个问题，我面试的时候必问。很多人答不上来，或者答得模棱两可。
路径规划，只关心「走哪条路」。它输出一条几何曲线，不关心时间。比如从A点到B点，沿着哪条车道走，什么时候变道。路径规划的结果是一条空间曲线。
轨迹规划，关心的是「怎么走」。它不仅要给出路径，还要给出每个时刻的速度、加速度。说白了，轨迹 = 路径 + 时间信息。
我给大家画个重点：
| 对比项 | 路径规划 | 轨迹规划 |
|---|---|---|
| 输出 | 几何曲线 (x, y) | 时间序列 (x, y, v, a, t) |
| 约束 | 避障、道路边界 | 避障 + 动力学 + 舒适性 |
| 典型算法 | A*、Dijkstra、RRT | Lattice Planner、MPC |
我曾经在一个项目中，路径规划做得很好，但轨迹规划没跟上。结果呢？车是能绕开障碍物，但一加速一减速，乘客直接晕车。这就是只做了路径规划，没做轨迹规划的后果。
避坑指南：千万不要把路径规划和轨迹规划混为一谈。路径规划只管「能不能到」，轨迹规划管「能不能舒服地到」。两者缺一不可。
1.3 决策规划算法的评价指标
好，现在问题来了：我们写了一大堆算法，怎么评价它好不好？我总结了四个核心指标。
安全性
这是底线，没得商量。安全性的核心是碰撞检测。我习惯用「安全距离」来衡量——在任何时刻，自车与障碍物的距离必须大于某个阈值。
但这里有个坑：安全距离设大了，车开得畏畏缩缩；设小了，又容易出事故。我一般会动态调整：高速时距离大一些，低速时小一些。
舒适性
说白了就是乘客的感受。主要看三个东西：
- 加速度变化率（Jerk）：这个最重要。Jerk太大，人会前仰后合。
- 横向加速度：转弯时太猛，乘客会往一边倒。
- 方向盘转角变化率：频繁打方向，体验极差。
我记得有一次测试，算法在避障时Jerk达到了8 m/s³，测试工程师直接说「这车是不是新手开的？」从那以后，我把Jerk的约束加到了优化目标里。
实时性
自动驾驶是实时系统。你算得再好，如果算得太慢，车都撞上了才给出结果，那等于零。
我一般要求：决策规划模块的周期不能超过100ms。对于紧急情况，最好控制在50ms以内。怎么优化？
- 减少搜索空间
- 用启发式方法加速
- 必要时做降采样
最优性
这个指标比较微妙。什么是最优？最短路径？最省油？最舒适？
我个人习惯，把最优性定义为一个加权目标函数：
J = w1 * 行驶时间 + w2 * 能耗 + w3 * 舒适性惩罚 + w4 * 安全惩罚权重怎么调？没有标准答案。我一般先给安全权重设最大，然后根据实际路测效果微调。
核心观点：这四个指标是相互矛盾的。安全性高了，可能实时性就差；舒适性好了，最优性可能下降。做决策规划，本质上就是在四个指标之间找平衡。
好了，第一章的内容就到这里。咱们把基础概念理清了，后面讲具体算法的时候，你就能知道每个算法到底在解决什么问题。下一章，我们聊聊搜索算法在路径规划中的应用。