01什么是MotionPlanning

Motion Planning是在遵循道路交通規則的前提下，將自動駕駛車輛從當前位置導航到目的地的一種方法。

在實際開放道理場景下，自動駕駛要處理的場景非常繁雜：空曠的道路場景、與行人、障礙物共用道理的場景、空曠的十字路口、繁忙的十字路口、違反交通規則的行人/車輛、正常行駛的車輛/行人等等。場景雖然復雜，但都可以拆解為一系列簡單行為(behavior)的組合：

將這些簡單的行為(behavior)組合起來，就可以完成復雜的駕駛行為。

02Motion Planning的約束條件（constraints）

Motion Planning是一個復雜的問題，它的執行過程需要滿足很多約束條件：

2.1 車輛運動學約束

車輛運動受到運動學約束，比如它不能實現瞬時側向移動，前驅的車輛必須依賴前輪的轉向才能實現變道、轉向等操作，在彎道上不能速度過快等等。通常我們采用單車模型(Bicycle Model)對車輛運動進行建模。

2.2 靜態障礙物(Static Obstacle)約束

靜態障礙物(Static Obstacle)是道路上靜止的車輛、路面中間的石墩子等車輛不可行駛的區域。Motion Planning需要避開這些靜態障礙物，避免與它們發生碰撞。解決碰撞的思路大概有兩種：

1）將靜態障礙物(Static Obstacle)在網格占位圖中表示出來，然后檢測規劃路線是否與靜態障礙物區域相交。

2）將車輛的輪廓擴大，比如擴展成一個圓形，然后檢測障礙物是否與Circle發生碰撞。

2.3 動態障礙物約束

Motion Planning要實時處理行人、車輛等各種運動的障礙物，避免與障礙物發生碰撞事故。

2.4 道路交通規則約束

車輛在道路上行駛必須要遵守車道線約束規則(比如左轉專用道只能左轉、實線不能變道、路口必須遵守紅綠燈的指示)和各種標志標牌的指示。

03Motion Planning的優化目標

了解Motion Planning的約束條件之后，需要構造目標優化函數，然后最小化目標函數，從而獲得在當前環境下的最優運動軌跡。目標函數的種類有很多，下面枚舉一些常用的目標函數。

1）關注路徑長度(Path Length)，尋求到達目的地的最短路徑。

2）關注通行時間(Travel Time)，尋求到達目的地的最短時間。

3）懲罰偏離參考軌跡和參考速度的行為。

4）考慮軌跡平滑性(Smoothness)

5）考慮曲率約束(Curvature)

通過組合設計自己的目標優化函數，從而獲得較好的Planning效果。

04分級運動規劃器

Motion Planning是一個異常復雜的問題，所以通常我們把它切分為一系列的子問題(Sub Problem)。比如Mission Planner、Behavior Planner、Local Planner、Vehicle Control等。

4.1 Mission Planner

Mission Planner關注High-Level的地圖級別的規劃；通過Graph Based的圖搜索算法實現自動駕駛路徑的規劃。

4.2 Behavior Planner

Behavior Planner主要關注交通規則、其它道路交通參與者(自行車、行人、社會車輛)等等，決定在在當前場景下應該采取何種操作(如停車讓行、加速通過、避讓行人等等)。

Behavior Planner的實現方式比較常見的有幾種：有限狀態機(Finite State Machines)、規則匹配系統(Rule Based System)、強化學習系統(Reinforcement Learning)。

有限狀態機中的State是各個行為決策，根據對外界環境的感知和交通規則的約束在各個狀態之間轉換。比如在路口紅綠燈的場景，當路口交通燈為紅色不可通行時，車輛會首先切換到Decelerate to Stop狀態，然后在路口停止線完全停下來，進入Stop狀態，并持續在Stop狀態等待，直至交通燈變為綠色允許車輛通行，車輛進入Track Speed狀態，繼續前行。

Rule-Based System是通過一系列的分級的規則匹配來決定下一步的決策行為。比如交通燈綠色->通行；交通燈紅色->停車等待。

基于強化學習的Behavior Planner系統如下：

4.3 Local Planner

Local Planner關注如何生成舒適的、碰撞避免的行駛路徑和舒適的運動速度，所以Local Planner又可以拆分為兩個子問題：Path Planner和Velocity Profile Generation。Path Planner又分為Sampling-Based Planner、Variational Planner和Lattice Planner。

最經典的Sampling-Based Planner算法是Rapidly Exploring Random Tree，RRT算法。

Variational Planner根據Cost Function進行優化調整，從而避開障礙物，生成安全的軌跡。

Lattice Planner將空間搜索限制在對車輛可行的Action Space。

Velocity Profile Generation要考慮到限速、速度的平滑性等。

Vehicle Control將Planner的規劃結果轉化為車輛的運動行為。

審核編輯 ：李倩