第四部分：决策规划篇——汽车的“大脑”（第9章：运动规划——从宏观指令到微观轨迹）

原创于 2025-11-23 20:52:26 发布 · 208 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #智能驾驶

当行为决策模块下达了“向左换道”的指令后，车辆具体应该走一条什么样的路径？是应该猛地一把方向甩过去，还是应该平滑、稳定地切入旁边车道？这个过程，就是运动规划要解决的核心问题。

运动规划模块接收行为决策的指令，并输出一条具体、安全、舒适且车辆可执行的行驶轨迹。这条轨迹定义了未来几秒内，车辆每一个时间点应该处于的位置、速度和加速度。

9.1 任务：定义一条理想的未来路径

运动规划器的输入和输出非常明确：

输入：
1. 行为指令： 如 换道、超车、停车。
2. 环境感知信息： 动态和静态障碍物的位置、形状及预测轨迹。
3. 地图与定位信息： 车辆自身位姿、车道线信息、交通规则。
输出：
- 一条时空轨迹。它不仅仅是一条空间上的曲线（路径），还规定了在这条曲线上每个点的速度规划（什么时候加速，什么时候减速）。最终，它被转化为一系列带时间戳的位姿点 (x, y, θ, v, t)。

规划出的轨迹必须满足多个目标：

安全性： 绝对不能与任何障碍物发生碰撞。
舒适性： 加速度和加加速度（加速度的变化率）要平滑，不能让乘客感到晕眩或不适。
符合交规： 遵守交通规则，如保持在车道内行驶。
符合车辆动力学： 轨迹必须是车辆物理上能够执行的（不能出现无法实现的急转弯）。

9.2 路径搜索算法：在复杂环境中“找路”

这类方法的目标是在充满障碍物的环境中，找出一条从起点到终点的无碰撞路径。

A 算法：*
- 比喻： 像一个聪明的寻路者，它不仅会探索当前位置到终点的实际代价 g(n)，还会用一个启发式函数 h(n) 来估算从当前点到终点的预计代价（如直线距离）。
- 工作方式： 它总是优先探索 g(n) + h(n) 总值最小的点，这样它能更有方向性地、高效地找到最短路径。它是Dijkstra算法的优化版本。
- 应用： 在全局路径规划或结构化环境中的局部规划中非常有效。
D 算法：*
- 特点： 是A的动态版本。当车辆正在执行A规划出的路径时，如果环境中突然出现未知障碍物（比如突然窜出的行人），D算法能够高效地重新规划路径，而不需要像A那样从头开始计算，反应更快。
- 应用： 适用于未知或动态变化的环境。

9.3 采样-based算法：在广阔空间中“撒网捕鱼”

当环境非常复杂，搜索空间巨大时，A*这类算法会效率低下。采样-based算法采用了另一种思路：通过随机采样来构建一条可行路径。

快速探索随机树算法：
- 工作方式：
  1. 从起点开始，像一棵树一样生长。
  2. 在空闲空间中随机采样一个点。
  3. 从当前树上找到离这个随机点最近的节点。
  4. 朝着随机点的方向“生长”一小段距离，形成一个新节点，并检查这段路径是否无碰撞。
  5. 重复步骤2-4，直到树生长到了目标区域。
- 优势： 在高维空间（如需要考虑速度、时间）中非常高效。
- 劣势： 生成的路径通常是折线，不够平滑，不适合直接用于车辆控制。
RRT 算法：*
- 特点： RRT的优化版本。它不仅在生长，还会不断地重新连接和优化已有的树枝。
- 优化过程： 在产生一个新节点后，它会检查树上的邻近节点，看看是否可以通过这个新节点，以更短的路径到达这些邻近节点。如果是，就重新连接，从而使得整棵树的路径代价不断降低，最终找到一条渐近最优的路径。

9.4 曲线生成：将“折线”变为“丝滑”的轨迹

通过搜索或采样得到的路径往往是折线或多段线，直接让车辆跟踪会导致方向盘不停晃动，极不舒适。因此，我们需要用平滑的曲线来拟合这条路径。

多项式曲线： 使用三次或五次多项式来连接路径点。通过设定起点和终点的位置、速度、加速度等边界条件，可以解出一条非常平滑的曲线。五次多项式尤其常用，因为它能保证加速度的连续性，舒适性极佳。
贝塞尔曲线： 由控制点定义的平滑曲线。它不一定会经过所有路径点，但会被其控制点构成的凸包所包围，这个特性有利于避障。
样条曲线： 由多段低阶多项式曲线平滑连接而成。它既能保证整体的平滑性，又能精确地通过所有路径点。

9.5 优化-based方法：在“好”的路径中寻找“最好”的

这是目前最前沿和强大的规划方法。它将规划问题建模为一个带约束的数值优化问题。

核心思想： 定义一个目标函数，然后在这个函数的无数个解中，寻找那个能使函数值最小（或最大） 的解，同时满足一系列约束条件。
目标函数： 定义了什么是“好”的轨迹。通常包括：
- 舒适度： 最小化加速度和加加速度。
- 效率： 尽可能快地到达目标，或尽可能贴近参考速度（如限速）。
- 安全性： 与障碍物保持足够大的距离。
- 贴合中心线： 在车道内行驶时，尽量靠近车道中心线。
约束条件： 定义了什么是“可行”的轨迹。硬性约束必须满足，包括：
- 车辆动力学约束： 轨迹必须符合车辆的物理极限，如最大转向角、最大加速度。
- 碰撞避免约束： 车辆轮廓与所有障碍物之间的距离必须大于零。
- 交通规则约束： 车辆必须始终在车道边界内。
典型算法 - 模型预测控制：
- MPC不仅是一种控制方法，也是一个优秀的在线重规划器。它在一个滑动的时间窗口内，反复地求解上述优化问题。
- 工作流程：
  1. 根据当前状态，规划未来一段短时间（如2秒）的最优轨迹。
  2. 只执行轨迹的第一个控制步骤（如0.1秒）。
  3. 到下一个时间点，根据新的车辆状态和感知信息，重新规划下一条轨迹。
- 优势： 这种“滚动优化”的方式，让MPC能够持续地适应环境的变化，具有很强的抗干扰能力和前瞻性。