规划模块在自动驾驶系统中主要干了啥事？

[首发于智驾最前沿微信公众号]规划模块在自动驾驶系统中主要用来执行决定“行驶路径”与“行驶方式”的任务。它接收来自定位、感知、地图、预测等模块的信息，进行综合处理后，制定出一条既符合法规、保障安全，又尽可能舒适高效的行驶路线。规划模块并不直接控制车辆的转向或油门刹车动作，它提供的是参考路径与速度曲线，由控制器据此转化为具体的转向角与油门刹车指令。通过这样的分工协作，自动驾驶系统得以在复杂的交通环境中，将所感知的外部世界“翻译”为可实际执行的行驶动作。

规划模块在车内如何工作？

规划模块所承担的任务是多层次、多尺度的。从层级上看，可分为全局规划、行为规划与局部轨迹规划三个层面。全局规划负责从宏观层面确定自起点至终点的整体路线，它依赖路网地图与导航数据，综合考虑路径长度、交通状况偏好及交通限制条件。行为规划则着眼于更短的时空范围，决定车辆在当前路段的具体操作，例如是否需要进行变道、是否准备超车、是否应当减速以等待行人或其他车辆通过。局部轨迹规划则致力于将行为规划的决策进一步细化，生成具体的、满足车辆动力学约束并能有效规避动态障碍物的行驶轨迹与速度曲线。

图片源自网络

除了上述三个层级，规划模块还承担多项具体职能。路径生成是其基础职能，即生成一条与车道中心线对齐、曲率连续合理且能被车辆稳定跟踪的行驶路径。速度规划与动力学约束同样至关重要，所规划的速度必须确保车辆在横向与纵向加速度的可控范围内，同时兼顾与前车的安全距离、交通信号状态及道路限速要求。避障与决策是规划模块的核心安全职能，它需要准确判断哪些障碍物必须避让、哪些可以忽略，并选择最合适的避让策略。交互式决策则处理那些涉及与其他道路使用者相互博弈的复杂场景，如在并线、汇入匝道或通过狭窄路段时，如何与其他车辆协商空间。紧急处置能力也是规划模块的关键一环，当感知系统检测到突发危险，或定位模块出现严重失效时，规划模块必须能够迅速生成安全停车或紧急规避的轨迹，以确保车内乘员及周边交通参与者的安全。

规划模块的输入信息来源广泛。高精地图与车道拓扑提供了车道边界、车道连接关系、交通灯位置、停车线等静态结构信息。定位模块提供车辆自身的精确位置与姿态。感知模块提供周围环境中的静态与动态障碍物及其属性。预测模块则推断其他交通参与者未来可能的行为意图或轨迹分布。此外，交通规则、实时交通仿真参数以及车辆自身状态（如当前速度、轮胎摩擦系数估计值等）也都作为约束条件，共同影响规划的最终结果。其输出则是提供给控制层的、易于使用的时空轨迹（即路径点序列与对应速度），以及可解释的行为决策指令（例如“执行向左变道，目标速度提升至30公里/小时”），这些输出通常还会附带安全评分或可行性标识，以便于上层系统进行监督与日志记录。

规划中的关键技术与算法

自动驾驶规划融合了传统经典算法与日益增多的数据驱动方法。路径搜索类算法在全局与局部规划中均有应用，如A*或Dijkstra算法常用于路网层面的最短路径计算，而在局部路径规划中，则常在栅格地图、曲线坐标系或Frenet坐标系中，采用带有启发式信息的搜索算法来生成候选轨迹。采样与优化是轨迹生成的另一主流思路，首先通过采样产生多条候选路径，然后利用一个综合考虑了碰撞风险、乘坐舒适性、行驶效率等多种因素的代价函数进行评估，最终选出最优轨迹。连续优化方法则将轨迹规划问题建模为一个带约束的优化问题，直接运用二次规划或非线性规划等技术求解出满足车辆动力学与环境约束的光滑轨迹；模型预测控制（MPC）是此类方法的典型代表，因其能够显式地处理动力学模型与多种约束，在实践中得到了广泛应用。

图片源自网络

行为决策部分常借助于有限状态机、行为树、规则引擎或更为复杂的决策框架来实现。规则引擎能够快速响应交通法规和硬性安全约束；有限状态机将车辆可能处于的状态及其之间的转换关系结构化；行为树则更适合组合复杂的、层次化的决策逻辑。当需要处理感知不确定性或复杂的交互场景时，概率模型与博弈论方法会被引入，如部分可观测马尔可夫决策过程（POMDP）可用于在信息不完全的情况下优化长期决策策略，但其计算开销较大，实际往往需要通过近似计算或模型简化来满足实时性要求。

还有一些关键技术还包括轨迹评估函数的设计、安全缓冲区与碰撞检测算法的高效实现、车辆运动学与动力学模型的建立（如简化后的单轨模型或更复杂的双轨模型）、障碍物预测信息的融合利用以及场景理解能力的提升。碰撞检测必须做到快速且保守，通常结合几何形状计算与速度障碍物概念来判断轨迹的可行性。舒适度度量通常将加速度及其变化率（即加加速度Jerk）作为惩罚项纳入代价函数，以避免令乘员感到不适的突兀运动。在需要交互的场景（如并线、无保护左转）中，规划模块会融合预测信息，采用基于概率或确定性的策略，来决定是采取谦让还是抢先通过的行为。

在实际落地时，经常采用混合策略来平衡性能与复杂度，利用经典的搜索或采样方法生成一系列候选轨迹，再通过基于代价函数的评估或优化方法进行筛选与微调；在高风险或法规敏感的决策点，优先采用可解释性强、逻辑明确的规则或状态机，以确保行为的合规性与可审计性；在大量常见的普通驾驶场景中，则逐步引入数据驱动的方法来优化预测模型和代价函数的权重参数，从而提升系统在真实世界中的适应能力与整体效率。

规划模块的实现有何挑战？

将理论算法转化为能够在真实车辆上稳定运行的规划模块，是非常具有挑战性的。一个主要挑战源于环境的不确定性，传感器可能漏检目标，定位偶尔会出现漂移，高精地图可能存在过时区域，路面摩擦系数也会随天气变化。规划模块必须具备在信息不完整或不精确的情况下依然能保证安全行动的能力，这通常通过设置保守的安全缓冲区、采用冗余的输入信息源以及设计在线误差校正机制来实现。还有一大难点在于与其他道路使用者交互的复杂性，人类驾驶员行为多样且有时难以预测，规划系统既需要在多数情况下表现出礼让与合作，又必须在对方做出危险举动时能够果断地进行避让或紧急制动。

实时性与计算资源的限制也是必须面对的严峻问题。局部轨迹规划需要以较高频率更新，以应对环境的快速变化，而复杂的优化算法计算量巨大。实践中常作的方法是将规划任务分层处理，高频更新的层级只负责对短期轨迹进行小幅调整与优化，频率较低的层级则处理宏观的行为决策与路径规划；同时，采用热启动、增量优化和并行计算等技术来提升计算效率。

图片源自网络

在验证与测试时，由于无法通过实际路测穷尽所有可能场景，尤其是极端情况下，更是无法完全覆盖。因此仿真测试、闭环仿真与大规模场景库成为必不可少的工具。测试通常按场景的风险等级与发生频率进行优先级排序，确保高风险、高影响的场景得到充分验证。评估指标涵盖安全性（如碰撞率、最小距离、碰撞时间TTC）、合规性（是否严格遵守交通规则）、舒适性（加速度与加加速度的大小）以及效率（行程时间、对交通流的影响）等多个维度。

系统可靠性还依赖于包括故障检测与隔离、对规划输出结果的合理性监控、备用决策路径的快速切换能力，以及最终的安全兜底策略（例如，在系统认为失控或信息极度缺失时，执行限速下的安全停车）等多层安全保障机制。在高级别自动驾驶系统中，人机交互也至关重要。规划模块需要向驾驶员或远程监控人员提供清晰、可理解的决策理由，帮助其了解系统状态以及何时需要接管。透明的运行日志、在线可视化界面和简洁的人机交互界面，能够在突发状况下减少误解，加速问题的诊断与处理。

规划模块还面临着法规与伦理方面的考量。其决策有时会涉及不同风险之间的权衡，如在不可避免的事故中如何选择损害最小的方案。这不仅是技术难题，也触及伦理与监管领域。因此，决策的可追溯性、行为的可解释性以及符合法规设定的行为准则，成为不可回避的设计要求。开发团队需要与法律、伦理及行业监管机构协同合作，明确自动驾驶行为的合理边界与责任认定原则。

最后的话

规划模块扮演着将感知、定位与预测所产生的“信息”转化为可执行“行动”的关键角色，它直接决定了自动驾驶车辆在真实道路上的行为风格与安全底线。一个优秀的规划模块，不仅要在绝大多数常规场景中表现出如同熟练人类驾驶员般的自然、舒适与高效，更必须在那些罕见且危急的边缘场景中展现出足够的稳健性与安全性。未来的规划技术将更深入地融合高精度预测、车联网（V2X）通信信息以及学习驱动的决策策略，以期更好地理解并预测人类交通参与者的意图，同时保持系统行为的规则性与可解释性。