轨迹规划

轨迹规划是自动驾驶决策系统中的核心环节，它在行为决策层确定了“该做什么”（如跟车、超车）之后，负责回答“具体怎么走”的问题——规划出一条满足安全、舒适、车辆物理极限等约束的行驶轨迹。

你可以把它理解为：行为决策决定方向，轨迹规划画出路线。 它输出的轨迹不仅包含了车辆要去哪里（路径），还包含了每个时刻应该以多快的速度、以什么姿态到达那里。

核心挑战：从“静态路径”到“动态轨迹”

轨迹规划之所以复杂，是因为它与传统的静态“路径规划”有本质区别：

• 路径规划 (Path Planning)：只关注几何路线，不考虑时间因素。例如在地图上画出一条从A到B的不碰撞的线。

• 轨迹规划 (Trajectory Planning)：在路径的基础上引入了时间维度。它需要规划出车辆在每个时刻的具体位置、速度和加速度。

这个“时间”因素的加入，让问题变得异常复杂（在数学上被称为NP-hard问题），因为系统不仅要考虑“路该怎么走”，还要协调“速度该怎么变”，以适应动态变化的交通环境。例如，在规划避让一个突然切入的车辆时，系统必须同时调整转向角度和车速，才能生成一条既安全又平顺的轨迹。

主要技术路线

当前，轨迹规划算法的研究主要集中在以下三大技术路线，它们各有优劣：

1. 传统规划算法

• 代表方法：图搜索（如A*、Dijkstra）、基于采样的方法（如RRT）、人工势场法、参数化曲线构造法等。

• 优点：可解释性强，安全性和可行性易于验证，是许多量产方案的基础。

• 缺点：在高复杂度的动态环境中，计算效率可能成为瓶颈，且生成的轨迹有时需要进一步平滑处理。

2. 学习型方法

• 代表方法：强化学习、模仿学习等。

• 优点：有潜力处理传统算法难以建模的复杂场景，能学习类人的驾驶策略，性能上限高。

• 缺点：可解释性差，存在“黑盒”问题；安全性难以从数学上保证；需要海量高质量数据进行训练。

3. 优化与模型预测控制（MPC）

• 代表方法：将轨迹规划构建为一个最优控制问题，并使用MPC等框架进行求解。

• 优点：可以同时处理路径和速度规划，并实时考虑车辆的动力学约束，适合复杂场景下的同步决策与跟踪。

• 缺点：计算量大，对硬件算力和算法的实时性要求很高。

发展趋势

目前，业界的一个明显趋势是将传统算法的安全性与学习型方法的智能性相结合，形成混合式方案。例如，用强化学习来处理复杂的行为决策，而用传统的优化方法来生成最终的安全轨迹。此外，视觉-语言-动作模型（VLA）等多模态大模型也开始被探索用于轨迹规划，旨在让系统获得更强的场景理解和推理能力。