【自动驾驶轨迹规划之路径规划总结】

1 路径规划问题的介绍

2 路径规划算法的分类

3 各种路径规划算法的简介

4 路径规划算法的优缺点分析

本篇文章参考Apollo轨迹规划算法综述。

接下来的几篇文章将主要围绕着全局路径规划的常见算法展开。全局路径规划与局部路径规划不同，全局路径规划是主导全局，探求的是整个地图中，出发点到目标点之间最优的路径，主要采用一些计算机学科中的最短路径算法。而局部路径规划是在全局路径规划之后对路径进行一个符合车辆动力学，平稳性的轨迹优化，主要采用计算几何与数值分析中的拟合曲线。本篇文章主要是介绍路径规划算法的大纲。

1 路径规划问题的介绍

planning 承接 environment perception，并下启control。其planning出来的trajectory是带velocity的信息的路径。广义上，planning可分为Routing（路由寻径）、Behavioral Decision（行为决策）、Motion Planning（运动规划）。

Routing：是全局路径规划，可理解为传统地图导航+高精地图（包含车道信息和交通规则等）；

Behavioral Decision:决策车辆是否跟车、在遇到交通灯和行人时的等待避让、以及路口和其他车辆的交互通过；

Motion Planning：是局部路径规划，未来一段时间内的路径，需满足汽车运动学、动力学、舒适性和无碰撞等要求。

轨迹规划的任务是计算出一个无碰撞可执行的轨迹（包含路径和速度信息），保证车辆从起点安全的驾驶到目的地，并尽可能高效。其问题的本质是一个多目标的数学优化问题。因此轨迹规划相当于是在全局路径规划后，最优控制与局部路径规划的结合。

主要的优化目标包括：

安全性：避免与场景中的静态障碍物发生碰撞；针对动态障碍物，由于其未来运动的不确定性，降低其碰撞风险；

稳定性：由于车辆的惯性较大，灵活性差，期望轨迹需要保证车辆的物理可行性和控制器的稳定性；

舒适性：考虑到乘员的舒适性，需要在满足安全性和稳定性的同时保证车辆的驾驶舒适度，包括加减速以及转向等过程；

驾驶效率：在满足安全性和稳定性的同时，保证车辆以更快的速度驾驶，从而更短的时间到达目的地。

在实际场景中，规划过程需要考虑各种物理约束，有且不限于：

加减速度约束：受到动力系统和制动系统的性能极限，及驾驶员的安全性和舒适性的制约；

非完整性约束：车辆具有三个运动自由度，但是只有两个控制自由度，其非完整性约束决定了轨迹的物理可行性；

动力学约束：考虑到车辆的动力学特性和车身稳定性，其驾驶过程中的曲率和横摆角速度具有一定的约束；

2 路径规划算法的分类

下图主要为路径规划中的算法及其分类，在之后的文章中会挑选较常见的算法进行分析。下图的分类方式哦不一定准确，同时包括的路径规划算法也不全，也有实际不适用于路径规划的算法，对其中某个算法可以单独进行学习，这里只做一个大致的介绍。

3 各种路径规划算法的简介

下图为各种路径算法的简介

4 路径规划算法的优缺点分析

下图为各种路径规划算法的适用性，优势与缺陷的简单介绍

在了解了路径规划算法的大概后，之后的文章会挑选一些算法进行解析，分析算法流程，代码实现，以及测试算法的优劣性。