[首發(fā)于智駕最前沿微信公眾號]在自動駕駛里，規(guī)劃系統(tǒng)相當(dāng)于在“知道周圍環(huán)境”之后負責(zé)做決定的那一部分，類似于人類的“大腦”。感知模塊把攝像頭、雷達、激光雷達等傳感器“看”到的東西變成信息，定位模塊告訴車輛自己在哪里，預(yù)測模塊判斷周圍環(huán)境交通參與者的動作可能怎么變化。規(guī)劃要把這些信息綜合起來，回答兩件事，即車要走哪條路以及要以什么樣的速度和姿態(tài)去走。

規(guī)劃不僅要給出如是否變道、是否減速或等待等策略性的動作，也要把策略細化成可以執(zhí)行的軌跡和速度曲線，然后把這些命令交給控制器去執(zhí)行。設(shè)計一個好的規(guī)劃系統(tǒng)，要在安全、舒適和效率之間找到平衡，同時滿足交通規(guī)則，并能在突發(fā)情況下快速作出可靠反應(yīng)。

規(guī)劃依賴哪些輸入，以及如何處理不確定性

規(guī)劃系統(tǒng)的工作并不是憑空決定，它高度依賴外界和自身的狀態(tài)信息。定位和地圖提供路網(wǎng)結(jié)構(gòu)、車道信息、限速和路口細節(jié)等語義數(shù)據(jù)，這些對復(fù)雜路口和長距離行駛非常有幫助。感知負責(zé)把周圍車輛、行人和障礙物的位置、速度和朝向等信息傳遞給自動駕駛系統(tǒng)，但感知本身并不完美，會有延遲、誤檢或漏檢等風(fēng)險。面對這種不確定性問題，自動駕駛系統(tǒng)會在輸入端做融合和濾波，讓狀態(tài)估計更穩(wěn)定。預(yù)測模塊通常不會只給一個確定性的未來軌跡，而是輸出多個可能性或概率分布，規(guī)劃在使用這些預(yù)測結(jié)果時會考慮其置信度，把風(fēng)險高的情形視為需要更保守處理的條件。此外，車輛自身的動力學(xué)極限、轉(zhuǎn)向能力和能量狀況也會約束可執(zhí)行的軌跡，規(guī)劃要保證輸出不僅理論上可行，也能被車輛實際執(zhí)行。

決策與軌跡生成的常見技術(shù)路線

規(guī)劃一般分成行為層和運動層兩個層次。行為層負責(zé)比較抽象的決策，如是否變道、是否在交叉口給行人讓行或者采取超車策略，運動層把這些決策在考慮車輛動力學(xué)約束的前提下轉(zhuǎn)化為具體的軌跡和速度曲線。

行為層有時使用可解釋性強的規(guī)則或狀態(tài)機來實現(xiàn)，這類方法在驗證和合規(guī)上更容易操作，但規(guī)則數(shù)量會隨場景復(fù)雜度增長而快速膨脹。近年來，學(xué)習(xí)方法被用來補充或生成行為候選，尤其是在常見場景中能提高靈活性，但出于可驗證性的考慮，實際使用時常把學(xué)習(xí)模塊作為建議器，最終決策仍然由可控的優(yōu)化器或規(guī)則層篩選。

運動層的實現(xiàn)手段比較多樣，既有基于搜索的路線規(guī)劃用于全局導(dǎo)航，也有用于局部避障的采樣方法和基于優(yōu)化的連續(xù)軌跡生成方法?；趦?yōu)化的方法可以把舒適性、碰撞約束和動力學(xué)限制統(tǒng)一建模，通過求解最優(yōu)值來獲得平滑連貫的軌跡。模型預(yù)測控制由于能把未來一段時間的受約束運動問題在線求解，常被用于聯(lián)合考慮速度和轉(zhuǎn)向的聯(lián)合作業(yè)，這使得車輛在執(zhí)行規(guī)劃時更接近理想狀態(tài)。在技術(shù)落地時，常把幾種方法結(jié)合使用，用快速采樣生成候選軌跡，再用較高質(zhì)量的優(yōu)化器精化選擇，從而在保證實時性的同時提高規(guī)劃的質(zhì)量。

安全性、魯棒性與與其它模塊的協(xié)同

對于規(guī)劃系統(tǒng)來說，單純把算法堆在一起是遠遠不夠的，真正工業(yè)應(yīng)用的規(guī)劃系統(tǒng)要把安全性、可驗證性和實時性做成工程級別。規(guī)劃系統(tǒng)常常會采用多層防護，第一層是常規(guī)規(guī)劃輸出；第二層是基于碰撞檢測和安全緩沖區(qū)的在線規(guī)避器；第三層是最低風(fēng)險動作（Minimal Risk Maneuver），當(dāng)感知丟失或發(fā)現(xiàn)不可控風(fēng)險時，車輛能以可控方式?？炕驕p速到安全狀態(tài)。碰撞檢測通常基于幾何模型（包圍盒、圓形近似）加時間維度的占據(jù)預(yù)測，在線做快速可達性（reachability）分析或保守的安全距離估算。

在魯棒性方面，需要考慮傳感器噪聲、丟幀、地圖差異、天氣影響以及長尾極端場景?？梢詰?yīng)對的策略包括把概率論方法（如POMDP）或分布式健壯規(guī)劃引入決策鏈路，使用更保守的成本函數(shù)，或在規(guī)劃中顯式考慮預(yù)測的不確定性。另外，在線重規(guī)劃和回溯機制是非常有必要的，當(dāng)環(huán)境發(fā)生變化時，規(guī)劃器需要以很低的延遲重新生成軌跡，并保證切換時的連續(xù)性，避免出現(xiàn)“蹦車”式的激烈動作。

對于自動駕駛汽車來說，實時性是非常重要的參考因素。規(guī)劃通常以幾十毫秒到幾百毫秒的周期運行，具體頻率取決于所處的層級，局部軌跡生成通常在20 ms～100 ms級別循環(huán)，行為決策可能在幾百毫秒到秒級。由于計算資源有限，很多系統(tǒng)采用分層架構(gòu)并做近似以降低在線計算量，比如先用快速的采樣得到候選軌跡，然后在候選集中運行高質(zhì)量的優(yōu)化器精化最優(yōu)解。此外，仿真和大規(guī)模場景回放也是不可或缺的驗證手段，通過數(shù)百萬公里的仿真來覆蓋長尾工況并對規(guī)劃策略進行打分和改進。

最后的話

規(guī)劃不是孤立的模塊，它需要和預(yù)測、感知、控制緊密協(xié)同。預(yù)測模塊提供其他道路使用者的未來軌跡分布，規(guī)劃利用這些分布做出既安全又效率高的選擇。感知負責(zé)及時發(fā)現(xiàn)障礙并把信息送進規(guī)劃管線，感知的延遲或誤差會直接影響規(guī)劃策略的保守程度?？刂破鲃t要能準(zhǔn)確執(zhí)行規(guī)劃出來的軌跡，控制的追蹤誤差會反過來被規(guī)劃考慮進約束里（例如規(guī)劃時留出控制誤差邊界）。自動駕駛的規(guī)劃系統(tǒng)是算法、控制理論、概率方法和工程實現(xiàn)細節(jié)的集合體。要做到既安全又舒適并能夠覆蓋現(xiàn)實中的復(fù)雜場景，僅靠單一技術(shù)是不夠的，需要把多種方法融合起來并通過大量仿真與路測不斷打磨。