自动驾驶决策规划算法（开幕式） - 详解

写在前面

本人现在研1，准备入门“自动驾驶决策规划”这一方向，学习的内容来自B站up主忠厚老实的老王，故开通一个新的专栏，由此记录我的学习历程与心得，同时也欢迎大家交流学习！

一、自动驾驶级别划分

级别	功能
L0	没有任何自动驾驶功能
L1	有横向和纵向自动驾驶功能，但横纵向无法联合作用
L2	横纵向可以联合作用，但驾驶员必须对驾驶所发生的一切情况负责
L3	横纵向可以联合作用，但对部分场景驾驶员不必负责
L4	大部分道路都可以自动驾驶，大部分场景不必须驾驶员负责
L5	完全自动驾驶

划分依据两条因素：功能、责任

从 L0到 L2 主要是功能区分，从 L3 到 L5 主要是责任区分，区别不在于有什么花里胡哨的作用，而是在于责任划分。

不同公司的 L2 亦有差距。若厂家宣称驾驶人负全责，即便这辆车的功能和 L4 的机制一样，但仍然是一辆 L2 的车。从简单的 L2 进化成什么都能做的 L2，最重要的模块就是决策规划算法模块。

二、决策规划算法模块三大构成

1、导航规划模块

导航规划算法计算整体上从 A 到 B 的最优路径，和机器人导航、手机导航的算法基本一致，长度在几公里到几百公里不等，该算法是整个规划模块中最成熟的算法。

特点：导航算法给出粗略的、大范围的路径，但路径不考虑如何避障，也不考虑车辆动力学约束，所以规划出来的路径是不规则的折线，导航算法一般只需执行一次，只有遇到大范围的拥堵、施工、偏航情况才会再次执行。

2、行为规划模块

行为规划算法又叫决策算法，决定车辆行驶意图。对于静态障碍物，往左绕还是往右绕？对于动态障碍物是减速避让还是加速超车，决策算法决定了车辆的行驶意图，是整个规划算法中最难做的部分。

特点：给出车辆的行驶意图，指导车辆该避让还是该超车，该左转还是往右转，但决策并不给具体的运动建议，例如左转多少度或车辆加减速到多少。由于实际环境瞬息万变，所以决策算法必须有较高的执行频率，一般为10Hz。

决策算法也需要有一定的稳定性，不允许在周围环境比较稳定的情况下，出现“朝令夕改”的现象，即决策算法在环境稳定时，不允许出现决策指令的剧烈波动。除非环境发生变化，否则决策算法不允许频繁改变结果，这样会导致控制效果变得相当差。

3、运动规划算法

根据决策给出的行为意图，在相关的时空中搜索或优化出一条具有详细路径速度信息，且满足各约束条件的轨迹，并将轨迹发给控制模块去跟踪，轨迹长度一般在几米到几十米不等。就是运动规划算法

特点：运动规划生成的轨迹是整个决策规划模块最终的输出，具有详细的路径、速度信息，且执行频率与决策频率相同，都是10Hz。

运动规划也要有一定的稳定性，在环境不发生剧烈变动的情况下，运动规划的轨迹要基本一致。

三、课程体系

本系列博客将详细讲解决策算法与运动规划算法，不讲导航算法，因为导航算法相对比较成熟。

章节	内容
序章	决策规划算法概述
第一章	数学基础
第二章	Apollo EM Planner理论篇
第三章	Apollo EM Planner 代码篇
终章	决策规划算法总结

• 第一章是必要的数学基础。
• 第二章将详细解读Apollo EM Planner怎么解决决策规划挑战的。就是理论，到底
• 第三章将具体的实践，写Apollo EM Planner软件的仿真。
• 终章是决策规划算法的总结，具体讲Apollo EM Planner的优点和缺点，以及除了Apollo EM Planner之外的其他决策规划算法是怎么做的。