自动驾驶规划模块（Planning）
决策模块分为三个层次：
其中，全局路径规划（Route Planning）生成一条全局的路径。
行为决策层（Behavioral Layer）在接收到全局路径后，结合从感知模块，作出具体的行为决策。（包括其他车辆与行人，障碍物，以及道路上的交通规则信息，例如选择变道超车还是跟随）。
最后，运动规划（Motion Planning）层根据具体的行为决策，规划生成一条满足特定约束条件的轨迹，该轨迹作为控制模块的输入决定车辆最终行驶路径。（例如车辆本身的动力学约束、避免碰撞、乘客舒适性等）
路径规划（Route Planning）：
Dijkstra算法：
Dijkstra算法是由计算机科学家Edsger W. Dijkstra在1956年提出，用来寻找图形中节点之间的最短路径。在Dijkstra算法中，需要计算每一个节点距离起点的总移动代价。同时，还需要一个优先队列结构。对于所有待遍历的节点，放入优先队列中会按照代价进行排序。在算法运行的过程中，每次都从优先队列中选出代价最小的作为下一个遍历的节点。直到到达终点为止。
Dijkstra算法的优点是：给出的路径是最优的；缺点是计算时间复杂度比较高（O(N2)）,因为是向周围进行探索，没有明确的方向。
A*算法：
为了解决Dijkstra算法的搜索效率问题，1968年，A*算法由Stanford研究院的Peter Hart, Nils Nilsson以及Bertram Raphael发表，其主要改进是借助一个启发函数来引导搜索的过程。具体来说，A算法通过下面这个函数来计算每个节点的优先级:
其中：
- f(n) 是节点n的综合优先级。当我们选择下一个要遍历的节点时，我们总会选取综合优先级最高（值最小）的节点。
- g(n)是节点n距离起点的代价。
- h(n) 是节点n距离终点的预计代价，这也就是A*算法的启发函数。
行为决策（Behavioral Layer）：
在自动驾驶行为决策层，我们需要解决的是在多智能体决策的复杂环境中，存在感知不确定性情况的规划问题，可以说这一难题是真正实现L4、L5级别自动驾驶技术的核心瓶颈之一。
涉及很多决策模型。
运动规划（Motion Planning）：
在确定具体的驾驶行为之后，我们需要做的是将“行为”转化成一条更加具体的行驶“轨迹”，从而能够最终生成对车辆的一系列具体控制信号，实现车辆按照规划目标的行驶。
由于真实世界中的道路都是弯曲的，为了简化求解优化问题的参数表达，在自动驾驶中通常采用Frenet坐标系。
在Frenet坐标系中，我们使用道路的中心线作为参考线，使用参考线的切线向量t和法线向量n建立一个坐标系，如右图所示，它以车辆自身为原点，坐标轴相互垂直，分为s方向（即沿着参考线的方向，通常被称为纵向，Longitudinal）和d方向（或L方向，即参考线当前的法向，被称为横向，Lateral），相比于笛卡尔坐标系（左图），Frenet坐标系明显地简化了问题。
因为在公路行驶中，我们总是能够简单的找到道路的参考线（即道路的中心线），那么基于参考线的位置的表示就可以简单的使用纵向距离S（即沿着道路方向的距离）和横向距离L（即偏离参考线的距离）来描述。
参考文献：