A Review of Motion Planning Techniques for Automated Vehicles论文精华提取

2016年发表的一篇有关自动驾驶运动规划的文章。总结了近几十年来总动驾驶规划的发展之路，引用了许多经典的文章。这篇文章的一个观点非常好，主要把自动驾驶的运动规划分成四大类：graph search 图搜索，采样，插值和数值优化。

此图显示了自动驾驶车辆的自动控制体系结构
翻译如下：

A. Graph search based planners(基于图搜索的规划方法)

这种方法把状态空间表达成网格或者lattice的形式，然后在这些状态里面找到一个可达的path。这类方法主要有A* D* Dijkstra algorithm 算法。值得一提的还有state lattice算法，虽然这个图看起来和Apollo里面的lattice不一样，但是这个是爸爸，在这篇文章[1]里面提出了时空lattice，这个也就是后来Apollo算法里面用的

B. Sampling based planners(基于采样的规划方法)

这个主要介绍了RRT算法

C. Interpolating Curve Planners(插值曲线规划)

介绍了几种曲线生成的方法，主要有羊角螺旋线（Clothoid Curves）多项式曲线（Polynomial Curves） 贝塞尔曲线（Be ́zier Curves）。并且分别介绍了这几类样条曲线在路径规划的优化过程中作用。

clothoid curves 曲线的曲率是线性变化的，又因为车辆运行轨迹的曲率和方向盘基本上成正比，也就是说这种线型出来的结果方向盘会非常顺滑。
贝塞尔曲线 计算简单 速度快。
多项式拟合也是一个比较好的方法。

D. Numerical Optimization(数值优化)

数值优化的方法讲的比较粗略，基本上只是讲了下势能场法的应用

总结

近年来研究团队实车实现的两大主要算法分别是：
• 插值法。近年来，自动驾驶车辆所采用的规划算法有螺旋线（奥迪Audi、帕尔马Parma/Vis-Lab，斯坦福Stanford），Bezier 曲线（INRIA）和多项式曲线（戴姆勒Daimler，INRIA）。这是基于结构化道路环境下对地图信息的丰富——可以提供所需的加州道路交通路点的数据。此外，出于舒适性、安全性、车辆几何与动力学约束考虑，轨迹生成还需经过曲线优化这一步。
• 图搜索。状态格子(state lattices) 是应用最广泛的方法之一，例如CMU、KIT、GMC 等研究单位都有实现。在考虑到舒适性、安全性、车辆几何与动力学约束时，该算法可以快速搜索到最优路径，尽管该算法只具备解析完备性(取决于基础网格/网格的分辨率)。

运动规划现在所面临的挑战是动态环境下的实时规划问题。城市道路场景下，存在众多的交通参与者（比如，行人，骑自行车的人，其他车辆等），这要求对所规划出来的轨迹进行不断的评估。如何在有限的时间内实现多动态障碍无环境下的无碰撞轨迹生成是一个尚未解决的难题。难点主要在于耗时的环境感知大大降低了运动规划的决策时间窗。目前所实现的算法还不足以克服这个限制。

由于规划是感知和控制之间的纽带，当前的新规划算法开发多考虑感知的不确定性以及控制的约束。在动态环境数据采集过程中，路径规划的最新发展目标是正确处理数据采集过程中的不确定性。这在实时的情况下会有更好的环境感知效果，并指导规划过程。通过考虑感知阶段的不确定性来提高防止危险情况的能力。从控制的角度来看，需考虑多目标，包括车辆的运动学约束和乘客的舒适性等。近年来，研究通过轨迹的平滑和可执行性来考虑这些控制约束。接下来的研究将可能是考虑控制约束的同时，融合感知的不确定性。KIT 和CMU 在这一方面已开始研究。

另一个趋势是增加驾驶员的大控制环，类似于ADAS 的功能，通过人机界面(HMI) 实现轨迹与驾驶员的交互。在确保轨迹安全、平滑与可执行的条件下，感知不确定性、控制约束、驾驶员知识的多融合将是一个新的极具挑战性的研究。