跳转至

P1-7.4 补充学习：从路径寻找走向自动驾驶路径规划

Section ID: P1-7.4 Version: v2026.07.20

7.1 把 search 抽象成寻找通向目标的路径问题。7.2 解释了当候选看不完时，heuristic 减少的是什么；7.3 又把启发式和概率模型分开。

现在，这一节通过一个具体领域案例，来看这些一般概念在真实系统里是怎样被分成多个层级的。

这里的核心问题是：

像“找路”这样一个问题，
在自动驾驶这类真实系统中，是怎样被拆成多个 planning 层级的？

这一节并不是要完整讲解自动驾驶技术。它的目的更窄：借自动驾驶来理解，系统是如何表示路径、如何减少候选、又如何决定“此刻就要执行的动作”。

这一节也不是首次定义这些核心术语的位置。search、search space 和 computational limit 已在 7.1 介绍，heuristic 在 7.2 介绍，启发式和概率模型的边界在 7.3 介绍。这里做的是：把这些概念接到一个“真实系统是分层工作的”案例上。

这里不展开自动驾驶技术整体，而是聚焦于找路问题在真实系统里怎样被拆成 决定整体路线的层级 和 决定此刻短时轨迹的层级。Reinforcement learning 本身会在 P1-8.3 和 Part 4 Chapter 19 再回来；这里先抓住 path 和 trajectory 分开阅读的标准。

这里先只处理下面这件事：

“找到整体路线”这个问题，
和“决定此刻接下来几秒该怎么动”这个问题，
通常不适合放在同一层里处理。

然后再看这个差异为什么会继续引出 global 和 local，或者 path 和 trajectory 的区分。

从路径寻找扩展到路径规划的基准

  • 把找路问题理解成连接图搜索与真实行驶规划的桥梁。
  • 把 waypoint 理解成“应该经过的参考点表示”。
  • 在入门层面说明 global planner 和 local planner 的角色差异。
  • 避免把 path 和 trajectory 当成同义词。
  • 把自动驾驶案例读成一般搜索与启发式问题的延伸。

三个基准

基准 为什么重要 本节需要达到的理解程度
找到整体路线和决定当前运动是不同问题 这能把抽象找路和真实车辆控制分开。 理解“去终点的大路线”和“接下来几秒的运动”属于不同层。
global 和 local planning 会分开 这能说明复杂现实问题为什么不会一次性全解。 理解一个层决定大方向，另一个层决定即时动作。
path 和 trajectory 不能混用 这能减少后面读机器人或自动驾驶材料时的混乱。 理解“经过哪里”和“如何随时间运动”是不同问题。

先做一个角色分拆：

术语 极短含义 本节里的作用
waypoint 需要经过的一串参考点 表达整体路径流向的单位
global planner 决定去往终点的大路线的层 决定跟随哪条道路与车道流向
local planner 决定当前要执行的短时运动的层 比较即时 trajectory 候选
path “经过哪里”的空间流向 表达整体移动方向
trajectory 包含时间与速度的运动计划 表达即将执行的具体短时运动
layering 按不同分辨率拆分问题 让大型规划问题更可处理的框架

经典找路会被抽象成图上的路径搜索

Poole 和 Mackworth 说明，达到目标的问题可以抽象成：从起点节点走到目标节点的路径搜索。在这种视角下，关键不在于“世界的所有细节”，而在于当前节点可以去哪里、什么路径能通向目标。

最简单的找路问题可以写成这样：

元素 找路例子
node 路口、位置、路段入口
edge 可以通行的道路段
cost 距离、时间、能耗、交通条件
goal 到达目的地
result 一条通往目的地的路径

这个抽象也很适合导航系统：给定出发地和目的地，系统可以在路网里决定走哪些道路。

但对真实车辆来说，这还不够。

知道“要经过哪些路”本身，
并不能直接决定
此刻该打多少方向、如何调节速度、以及怎样绕开附近障碍物。

自动驾驶路径规划正是在这里，把经典找路问题进一步细分成更多层。

历史上，“整体路线”和“即时动作”逐渐被分开

早期 AI 和机器人 planning 常把“如何到达目标”当成一个相对抽象的路径问题。但真实车辆并不只在抽象图上移动，它还要面对车道、曲率、转向极限、其他车辆、行人、信号灯和停止线。

因此，实际行驶系统自然会长出这样的分层：

层级 中心问题
整体路线规划 应该沿着哪些道路与车道流向去到终点？
当前运动规划 接下来这几秒，车辆应该以什么线形和速度运动？
控制 如何把这份计划变成转向与加减速指令？

这并不是自动驾驶独有的神奇发明。它更像是一种普遍的 layering：当现实问题太复杂，无法一次性用同一分辨率解决时，就把它拆成多个层。

看远处的规划问题，
和决定“现在立刻怎么动”的问题，
通常很难用同一种分辨率来求解。

waypoint 帮助表达整体路线

在这条线里，waypoint 可以先理解成车辆应该经过的一组参考点。不同系统对 waypoint 的具体定义略有不同，但这里先抓住一个核心：

waypoint 让“到终点的大致流向”
可以被表示成一串参考点。

waypoint 可以承担几种作用：

waypoint 的作用 说明
表示整体路线 给出车辆应经过的参考点
支持路线跟随 告诉车辆大致应该沿哪个方向流前进
近似车道中心线 把地图几何转换成一串更好处理的点
给 local planning 提供参考 在生成短时 trajectory 候选时提供参考线

重要的注意点是：waypoint 不自动等于完整真实运动。

表达 中心含义
waypoint 需要经过的参考点
route / path 连接这些点的整体流向
trajectory 还包含时间、速度和加速度的真实运动计划

所以，人们常说“follow the waypoints”，但更严格的读法通常是：

以 waypoint 或参考线为依据，
构造出适合当前情境的真实 trajectory。

DARPA 时代的案例常被看成一个转折点

在自动驾驶历史里，DARPA Grand Challenge 和 Urban Challenge 经常被提到。更安全的读法不是“那时自动驾驶已经彻底完成”，而是：它们让人更清楚地看到，真实车辆必须把路线表示、障碍规避与控制结合起来。

特别是在 Urban Challenge 时期的文档以及后续研究流中，道路网络、车道、路段、检查点等表示变得更结构化。也正是在这一阶段，自动驾驶讨论更清楚地转向了这样的问题：

  • 应该怎样表示道路网络和车道流向？
  • 应该怎样在这种表示上找到整体路线？
  • 又该怎样在当前局部条件下生成短时动作候选？

这里提到 DARPA，只是为了提供历史定位，并不表示今天所有系统都用同一种格式或完全相同的流水线。

global planner 决定整体路线

global planner 一般会计算从起点到终点的大路线。它使用的通常是相对长期的信息：地图、道路连接关系、车道关系、路口和通行条件等。

这里最安全的入门理解是：

global planner 决定
“到终点时，应该沿哪条整体道路与车道流向前进”。

它的输出可以有多种形式：

  • 道路段的顺序
  • 沿车道中心线形成的参考路径
  • waypoint 的序列

因此，global planner 的核心工作不是决定“每一时刻具体打多少方向”，而是决定“总体应该沿着哪条流向走”。

local planner 决定此刻要执行的短时 trajectory

local planner 并不是把 global route 原样照搬的模块。它会结合当前车辆状态、附近障碍物、车道边界、速度条件和安全约束，来决定当前可以执行的一小段 trajectory。

很多现代 motion planning 的说明会把它写成下面这些步骤：

local planning 常见阶段 说明
检查参考线 读取道路中心线或 global route
生成候选 构造多个短时 trajectory 候选
评估候选 比较碰撞风险、平滑性、舒适性和约束满足情况
选择其一 决定当前要执行哪条 trajectory
交给跟踪或控制 转成转向与加减速命令

这里的关键不是“它只是在做预测”，而是：

local planner 的中心工作是
生成多个短时 trajectory 候选、比较它们，
然后决定此刻执行哪一个。

对周围车辆或行人的未来运动做预测，当然可能是其中的重要输入。但很多系统仍然会把 prediction 和 planning 分开：prediction 处理“别人会怎么动”，planning 则处理“参考这些预测后，我们该怎么动”。

path 和 trajectory 必须分开

这一主题里最常见的混乱，就是把 path 和 trajectory 当成同义词。

一旦把它们分开，global planner 和 local planner 的角色也会更清楚：

区分 问题 例子
path / route 应该经过哪里？ 跟随哪条道路或哪条车道？
trajectory 应该在什么时候以什么速度怎么动？ 接下来的 3 秒里是否要平滑左避并减速？

path 更接近空间上的流向，trajectory 则把时间上的计划也包括进来。

因此，下列总结相对安全：

  • global planner 生成整体 path
  • local planner 参考这个 path，生成短时 trajectory
  • controller 再把 trajectory 转成真实转向与加减速命令

再用搜索与启发式的语言重读这个案例

如果把自动驾驶案例重新写成第 7 章的语言，大致会得到：

P1-7 的一般概念 在自动驾驶规划中的对应
search space 可能的路线、车道选择与短时驾驶候选
cost 距离、时间、安全性、舒适性、碰撞风险、约束违反
heuristic 先检查哪些候选、如何生成参考路径附近的候选、如何尽早丢掉高风险候选
good-enough solution 在有限时间里找到的安全且可执行的 trajectory
layering 拆成 global path、local trajectory 与 control

重要的不是把自动驾驶说成一种和搜索完全无关的新问题，而是：

自动驾驶路径规划，
仍然可以被理解成：
一个现实世界的大型搜索问题，
只是它必须通过更合适的表示与层次拆分，才能变得可处理。

检查清单

  • 能把经典找路与自动驾驶路径规划的关系说明成图搜索的延伸。
  • 能把 waypoint 说明成需要经过的参考点表示。
  • 能说明 global planner 和 local planner 的角色差异。
  • 能说明为什么 path 和 trajectory 不能混用。
  • 能用 search space、cost、heuristic 和 layering 的语言重读自动驾驶规划。
  • 能把“决定整体路线”“选择当前短时 trajectory”“变成真实控制命令”这三个层次分开说明。
  • 能把自动驾驶案例读成 planning 层次与概念对应的示例，而不是一个巨大模型。

来源与参考资料