自动驾驶规划概述

自动驾驶系统的规划架构通常包含三个主要部分：任务规划层、行为决策层和动作执行层。其中常见术语包括路径计算（路由寻径）、动态决策（行为决策）以及局部路径优化（局部规划）。从日常出行场景出发，在使用导航应用时一般情况下会先打开导航软件并获取并计算出起点至目标点的最佳路径信息。随后系统会在遵循生成的导航指令过程中不断监测实时交通状况，并根据这些数据信息调整车辆操作策略。具体而言，在沿着导航路径行驶的过程中系统会根据实时交通状况调整车辆操作策略：如果遇到拥堵情况可能会采取停车等待或减速变道等方式避免影响整体行程；而当道路条件良好时则会选择更加积极主动地进行超车变道等操作以提高通行效率。最终系统会通过前一阶段的操作结果反向指导下一阶段的具体行动从而完成整个行程过程中的动态调控与优化管理

一、任务规划 是属于相对顶层、全局的路径规划，如起始点之间的路径选择。

可以将其抽象为有向图网络模型（Directed Graph Network Model），该模型不仅能够准确描述城市交通的道路连接关系以及相关的通行规则，并且能够有效整合丰富的交通数据。其本质上反映了城市高精度地图中所承载的关键交通要素及其相互关系。同时，在文献中也常将其 referred to as 路网图模型（Route Network Graph Model）。

在所给定的路网图中，每一条边均具有相应的权重值。因此，在这一路网图框架内，自动驾驶车辆的路径规划问题就可以转化为希望实现车辆从起点至目标点的导航需求的过程。从而，在这一路网图框架内就形成了一个典型的有向图搜索问题。这些经典算法（如Dijkstra、A*、D*等）主要用于求解离散空间中的最短路径问题，并在各种实际应用中得到广泛应用。这些经典算法主要用于求解离散空间中的最短路径问题，并在各种实际应用中得到广泛应用。

二、行为规划 也可称为行为决策、决策制定，主要负责依据路径规划的目标以及对当前环境的感知（如行人、周围车辆的位置及状态、信号灯状态等），确定自动驾驶车辆下一阶段所需采取的决策与动作。从功能上讲，这一模块类似于驾驶员的决策系统，在此基础上驾驶员依据行驶目的地点与当前交通状况来决定是否跟车、是否超车、是否停车或是否避让。

基于行为规划实现的方法是一种整合了丰富指令集合的复杂有限状态机模型（Finite State Machine, FSM）。其基本原理是从单一初始模式开始逐步构建的状态转换序列，在遇到不同驾驶情境时会切换到相应的操作模式，并向下级的行为规划层发送即将执行的具体指令。深入浅出理解有限状态机

尽管有限状态机（FSM）被广泛采用为自动驾驶系统中行为决策的主要方法之一，在现有技术中也存在诸多限制。

首先，要实现复杂的行为决策，需要人工设计大量有效的状态；

其次，在某些情况下（车辆可能会）遇到FSM未曾考虑到的状态；由此可见（在这种情况下），状态机的扩展成为一个需要解决的问题。

另外，如果FSM没有设计死锁保护，车辆可能会陷入某种死锁状态。

三、动作规划 指的是规划一系列执行动作以达到特定目的（如避障）的处理流程。通常情况下，可从两个方面评估动作规划算法的表现：计算效率（Computational Efficiency）和完整性（Completeness）。计算效率指的是完成一次动作规划所需的计算处理能力，在很大程度上取决于配置空间（Configuration Space）。若一个动作规划算法能够在问题存在解时在有限时间内返回解，并能在无解时返回无解，则称该算法具有完整性。