全局路径规划

全局路径规划是自动驾驶决策系统中的顶层模块，负责在已知的全局环境（通常是高精度地图）下，为车辆规划出一条从起点到终点的最优宏观行驶路线。

你可以把它理解为自动驾驶汽车的“导航员”。当系统设定了目的地后，全局路径规划模块会结合地图信息和交通规则，计算出应该走哪条路、经过哪些路口，类似于我们在手机导航上设定路线。它的核心任务是解决“从宏观上怎么走”的问题，为后续的局部路径规划和具体操控提供方向性指导。

全局路径规划需要在地图数据中，通过特定算法寻找出最优路线。这里“最优”的标准不一定是距离最短，也可能是时间最快、能耗最低或安全性最高。下面是几种经典和主流的算法：

算法类型	核心思想	优点	缺点	适用场景
A 算法*	结合了Dijkstra算法（确保找到最短路径）和启发式搜索（通过估算到终点的距离来指引方向），搜索效率更高。	在静态环境中能高效找到最优解，是目前应用最广的全局路径规划算法之一。	在极其复杂或动态变化的环境中，计算量依然可能很大。	全局路径规划的经典和首选方案，被广泛用于量产自动驾驶系统中。
Dijkstra 算法	通过“广度优先”策略，无差别地探索所有可能路径，直至找到终点。	理论上必然能找出全局最短路径，结果可靠。	计算量大、效率较低，因为需要探索大量无关区域。	对实时性要求不高的场景，或作为评价其他算法优劣的基准。
RRT (快速探索随机树) 及其变体	通过在空间中随机采样，逐步构建一棵搜索树来探索可行路径。	算法简单，能有效处理高维空间和复杂几何约束。	生成的路径通常不是最优的，且路径可能比较“曲折”。	多用于局部路径规划，但也有研究者通过改进使其更好地服务于全局规划。

总的来看，全局路径规划是自动驾驶实现点到点自主行驶的首要前提。它为车辆的“旅途”画出了一条基准线，之后的局部路径规划和运动控制都需要以此为基础，来应对行驶中遇到的实时变化。

根据目前的技术发展趋势，A*算法及其各种改进版本仍然是全局路径规划领域的应用主流。而RRT等基于采样的算法，则凭借其在高维空间中的适应性，更多地被用于处理局部动态障碍物避让等更具体的规划任务。