自动驾驶决策规划算法概述

一、自动驾驶级别分类

L0	系统无法控制横向或者纵向
L1	系统能控制横向或者纵向中的一个，但横纵向无法联合控制
L2	系统可以联合控制横向和纵向
L3	小部分场景不需要人负责监控环境
L4	大部分场景不需要人负责监控环境
L5	所有场景都不需要人负责监控环境

从 功能和责任 2方面来划分：
L0-L2:功能逐步增加的多，但驾驶员负责安全
L3-L5：功能逐步增加的少，但系统负责安全
只要没有系统负责安全的case,无论功能多么丰富，本质上都是L2。随着功能逐渐增多，也就是现在提出的概念：L2+,L2++

二、决策规划算法的模块划分

模块一：路由寻径（Routing)

作用：
将计算出地图上起始点到终点的最优路径，长度在几公里到几百公里不等，该算法是整个决策规划模块中最为成熟的算法。
特点：
导航算法输出粗略的路径，该路径不考虑如何避障，也不考虑车辆动力学，规划的路径一般是不规则的折线。导航算法一般只需要执行1次，只有遇到大范围的拥堵，偏航等情况下才会再次执行。

模块二：行为决策算法（Behavioral Decision）

作用：
决定车辆的行驶意图。对于静态障碍物，决定往左绕还是往右绕；对于动态障碍物，决定减速避让还是加速超车。
决策算法决定车辆的行驶意图，是难度最大的一个模块。
特点：
决策算法仅输出车辆的行驶意图，比如左转、右转、避让、超车，但不会给具体的运动建议，比如左转多少度，超车时加速度是多少，一般执行周期为10Hz。决策算法在环境较为稳定时，不允许出现“朝令夕改”的现象。

模块三：运动规划算法（Motion Planning）

作用：
根据决策输出的意图在相关时空中搜索出（优化出）一条具有详细路径、速度信息的轨迹，并将轨迹发送给控制模块去跟踪，此轨迹一般在几米到几十米范围内。本质是一个多目标的数学优化问题。
特点：
该模块输出给控制模块的轨迹是决策规划模块的最终输出，具有详细的路径、速度信息，执行周期与决策相同为10Hz。同理，运动规划在环境较为稳定时，也不能“朝令夕改”。

三、决策规划常见的算法

图搜索	Dijkstra、A*、D*（全局路径规划）
采样	RRT（全局路径规划）
曲线拟合	圆弧与直线、多项式曲线、样条曲线、贝塞尔曲线、微分平坦**（局部路径规划）**
数值优化	利用目标函数和约束求解最优的轨迹**（局部路径规划）**

四、Apollo决策规划算法

Apollo决策规划算法是一种数值优化的算法，且是“轻决策重规划”的方案，一共有3种Planner解决方案。重点关注EM Planner，我会在后面的章节对其进行详细介绍。

EM Planner	路径和速度解耦，分开规划再融合
RTK Planner	基于录制的轨迹来规划行车的路线
Lattice Planner	路径和速度一起规划，直接输出高维的轨迹

注：
截止目前2021年，Apollo已经迭代到6.0,EM Planner在Apollo 1.5已经加入，目前Apollo 6.0的EM Planner改名为Onlane planning，但思想原理上基本相同。