自动驾驶里“规划系统”靠什么技术支撑?

[首发于智驾最前沿微信公众号]在自动驾驶里，规划系统相当于在“知道周围环境”之后负责做决定的那一部分，类似于人类的“大脑”。感知模块把摄像头、雷达、激光雷达等传感器“看”到的东西变成信息，定位模块告诉车辆自己在哪里，预测模块判断周围环境交通参与者的动作可能怎么变化。规划要把这些信息综合起来，回答两件事，即车要走哪条路以及要以什么样的速度和姿态去走。

规划不仅要给出如是否变道、是否减速或等待等策略性的动作，也要把策略细化成可以执行的轨迹和速度曲线，然后把这些命令交给控制器去执行。设计一个好的规划系统，要在安全、舒适和效率之间找到平衡，同时满足交通规则，并能在突发情况下快速作出可靠反应。

规划依赖哪些输入，以及如何处理不确定性

规划系统的工作并不是凭空决定，它高度依赖外界和自身的状态信息。定位和地图提供路网结构、车道信息、限速和路口细节等语义数据，这些对复杂路口和长距离行驶非常有帮助。感知负责把周围车辆、行人和障碍物的位置、速度和朝向等信息传递给自动驾驶系统，但感知本身并不完美，会有延迟、误检或漏检等风险。面对这种不确定性问题，自动驾驶系统会在输入端做融合和滤波，让状态估计更稳定。预测模块通常不会只给一个确定性的未来轨迹，而是输出多个可能性或概率分布，规划在使用这些预测结果时会考虑其置信度，把风险高的情形视为需要更保守处理的条件。此外，车辆自身的动力学极限、转向能力和能量状况也会约束可执行的轨迹，规划要保证输出不仅理论上可行，也能被车辆实际执行。

决策与轨迹生成的常见技术路线

规划一般分成行为层和运动层两个层次。行为层负责比较抽象的决策，如是否变道、是否在交叉口给行人让行或者采取超车策略，运动层把这些决策在考虑车辆动力学约束的前提下转化为具体的轨迹和速度曲线。

行为层有时使用可解释性强的规则或状态机来实现，这类方法在验证和合规上更容易操作，但规则数量会随场景复杂度增长而快速膨胀。近年来，学习方法被用来补充或生成行为候选，尤其是在常见场景中能提高灵活性，但出于可验证性的考虑，实际使用时常把学习模块作为建议器，最终决策仍然由可控的优化器或规则层筛选。

运动层的实现手段比较多样，既有基于搜索的路线规划用于全局导航，也有用于局部避障的采样方法和基于优化的连续轨迹生成方法。基于优化的方法可以把舒适性、碰撞约束和动力学限制统一建模，通过求解最优值来获得平滑连贯的轨迹。模型预测控制由于能把未来一段时间的受约束运动问题在线求解，常被用于联合考虑速度和转向的联合作业，这使得车辆在执行规划时更接近理想状态。在技术落地时，常把几种方法结合使用，用快速采样生成候选轨迹，再用较高质量的优化器精化选择，从而在保证实时性的同时提高规划的质量。

安全性、鲁棒性与与其它模块的协同

对于规划系统来说，单纯把算法堆在一起是远远不够的，真正工业应用的规划系统要把安全性、可验证性和实时性做成工程级别。规划系统常常会采用多层防护，第一层是常规规划输出；第二层是基于碰撞检测和安全缓冲区的在线规避器；第三层是最低风险动作（Minimal Risk Maneuver），当感知丢失或发现不可控风险时，车辆能以可控方式停靠或减速到安全状态。碰撞检测通常基于几何模型（包围盒、圆形近似）加时间维度的占据预测，在线做快速可达性（reachability）分析或保守的安全距离估算。

在鲁棒性方面，需要考虑传感器噪声、丢帧、地图差异、天气影响以及长尾极端场景。可以应对的策略包括把概率论方法（如POMDP）或分布式健壮规划引入决策链路，使用更保守的成本函数，或在规划中显式考虑预测的不确定性。另外，在线重规划和回溯机制是非常有必要的，当环境发生变化时，规划器需要以很低的延迟重新生成轨迹，并保证切换时的连续性，避免出现“蹦车”式的激烈动作。

对于自动驾驶汽车来说，实时性是非常重要的参考因素。规划通常以几十毫秒到几百毫秒的周期运行，具体频率取决于所处的层级，局部轨迹生成通常在20 ms～100 ms级别循环，行为决策可能在几百毫秒到秒级。由于计算资源有限，很多系统采用分层架构并做近似以降低在线计算量，比如先用快速的采样得到候选轨迹，然后在候选集中运行高质量的优化器精化最优解。此外，仿真和大规模场景回放也是不可或缺的验证手段，通过数百万公里的仿真来覆盖长尾工况并对规划策略进行打分和改进。

最后的话

规划不是孤立的模块，它需要和预测、感知、控制紧密协同。预测模块提供其他道路使用者的未来轨迹分布，规划利用这些分布做出既安全又效率高的选择。感知负责及时发现障碍并把信息送进规划管线，感知的延迟或误差会直接影响规划策略的保守程度。控制器则要能准确执行规划出来的轨迹，控制的追踪误差会反过来被规划考虑进约束里（例如规划时留出控制误差边界）。自动驾驶的规划系统是算法、控制理论、概率方法和工程实现细节的集合体。要做到既安全又舒适并能够覆盖现实中的复杂场景，仅靠单一技术是不够的，需要把多种方法融合起来并通过大量仿真与路测不断打磨。