课程导入：无人车局部路径规划的定义、在自动驾驶系统中的位置、学习目标与整体学习路径

无人车要在真实世界中完成从A点到B点的行驶任务，仅靠全局导航规划出一条宏观路线是远远不够的。全局规划给出的是一条“大方向”上的参考路径，而车辆实际行驶过程中，道路上的动态障碍物、临时施工区域、行人横穿、相邻车辆加塞等突发情况层出不穷。局部路径规划（Local Path Planning）正是解决“车辆在当前时刻、当前环境下，如何安全、平滑、高效地行驶一小段距离”这一核心问题的关键技术模块。它接收感知模块输出的障碍物信息、定位模块输出的自车位置、全局规划模块给出的参考路径，在极短的时间周期内（通常为50ms~200ms）计算出一条满足车辆动力学约束、避开障碍物、且尽可能贴近参考路径的局部轨迹。本课程将系统拆解局部路径规划的原理、方法、工程实现与调优技巧，帮助你建立从理论到落地的完整知识体系。

1.1 局部路径规划的定义与核心任务

局部路径规划，又称运动规划（Motion Planning）中的局部轨迹生成模块，是指在车辆当前所处的局部环境范围内，根据实时感知信息、自车状态和全局参考路径，规划出一条从当前位姿到某个局部目标点（或局部目标状态）的、满足多重约束的可行轨迹。这条轨迹通常包含路径几何信息（位置序列）和速度信息（每个路径点对应的期望速度、加速度），因此更准确地说是“轨迹规划”（Trajectory Planning）。

局部路径规划的核心任务可以拆解为三个子问题：目标点生成、安全边界构建和避障路线搜索与优化。目标点生成解决“车辆接下来要往哪里走”的问题，它通常由全局参考路径上的前瞻点（Look-ahead Point）结合当前车道、交通规则和驾驶意图共同确定。安全边界构建解决“哪些区域是车辆不能进入的”问题，它需要将感知到的障碍物（静态障碍物、动态车辆、行人、路沿等）投影到车辆坐标系下，并考虑车辆自身尺寸（通常用圆形或矩形包络）进行膨胀处理，形成不可行驶区域。避障路线搜索与优化则是在满足车辆运动学约束（如最小转弯半径、最大转向角速度）和动力学约束（如最大加速度、最大减速度）的前提下，在安全边界内搜索或优化出一条平滑、可执行、且尽可能高效的轨迹。

1.2 局部路径规划在自动驾驶系统中的位置

自动驾驶软件系统通常采用分层架构，从上到下依次为：环境感知层（包括目标检测、语义分割、跟踪预测）、决策规划层（包括全局规划、行为决策、局部路径规划）、控制执行层（包括横向控制、纵向控制、车辆底盘执行）。局部路径规划处于决策规划层的核心位置，向上承接行为决策层输出的驾驶意图（如跟车、变道、超车、靠边停车），向下直接输出可供控制模块执行的轨迹指令。

从数据流角度看，局部路径规划模块的输入包括：

• 自车状态：当前位姿（x, y, yaw）、速度、加速度、转向角、横摆角速度等，通常由定位模块和车辆底盘CAN总线提供，频率可达50~100Hz。
• 局部环境地图：由感知模块输出的障碍物列表、车道线信息、可行驶区域栅格图（Occupancy Grid Map）等，通常以自车为中心、覆盖前方80~150米、后方20~50米的区域。
• 全局参考路径：由全局规划模块生成的一系列路径点（包含经纬度或UTM坐标、航向角、曲率信息），通常每隔0.5~2米一个点。
• 驾驶决策指令：行为决策层给出的当前驾驶模式（巡航、跟车、停车、变道等）以及目标速度、目标车道等高层指令。

局部路径规划模块的输出则是一段局部轨迹，通常包含：

• 路径点序列：未来3~8秒内车辆应经过的位置点，每个点包含x、y坐标和航向角，点间距通常为0.1~0.5米。
• 速度曲线：每个路径点对应的期望速度、加速度，用于控制模块进行纵向跟踪。
• 轨迹属性：如轨迹的时间戳、置信度、是否紧急停车等附加信息。

1.3 学习目标与整体学习路径

本课程的目标是帮助你从零开始，系统掌握无人车局部路径规划的核心知识体系和工程实践能力。学完本课程后，你应该能够：

1. 理解原理：清晰阐述局部路径规划在自动驾驶系统中的定位、输入输出接口、核心约束条件（安全、平滑、动力学可行性、实时性）。
2. 掌握方法：熟悉主流局部路径规划算法的原理与适用场景，包括基于采样的方法（如RRT、RRT*）、基于搜索的方法（如Hybrid A*）、基于优化的方法（如MPC、二次规划QP）、基于曲线插值的方法（如多项式曲线、贝塞尔曲线、样条曲线）以及人工势场法等。
3. 工程落地：能够针对实际场景（城市道路、高速公路、园区低速、泊车等）选择合适的算法组合，设计安全边界构建策略，处理动态障碍物预测与避让，并进行参数调优和性能评估。
4. 问题排查：面对规划失败、轨迹抖动、碰撞风险等工程问题，能够系统分析原因（感知噪声、定位漂移、参数不合理、算法局限性等），并提出有效的解决方案。

整体学习路径分为四个阶段，每个阶段环环相扣：

第一阶段：基础概念与问题建模（第1~5章）。本阶段建立局部路径规划的总体框架，学习车辆运动学模型（自行车模型、阿克曼模型）、动力学约束、坐标系变换、安全边界构建方法（障碍物膨胀、车辆包络）、目标点生成策略等基础内容。这是后续所有算法学习的地基。

第二阶段：核心算法原理（第6~18章）。本阶段深入讲解各类局部路径规划算法的数学原理、实现步骤和优缺点。你将学习到：基于搜索的Hybrid A*算法如何结合连续状态空间和离散栅格；基于采样的RRT系列算法如何在高维空间中快速搜索可行路径；基于优化的MPC方法如何将轨迹规划转化为带约束的最优控制问题；以及多项式曲线、贝塞尔曲线等插值方法如何生成平滑轨迹。每类算法都会配合实际案例和代码级讲解。

第三阶段：动态场景与复杂环境（第19~25章）。本阶段聚焦动态环境下的规划问题，包括：动态障碍物速度预测与轨迹预测、时空联合规划（ST轨迹规划）、速度规划与路径规划的耦合、多车交互场景下的博弈规划、以及特殊场景（十字路口、环岛、施工区域、窄路会车）的处理策略。

第四阶段：工程实践与系统集成（第26~30章）。本阶段关注工程落地中的关键问题：规划模块的软件架构设计（模块化、接口定义、数据流管理）、实时性优化（算法加速、并行计算、降采样策略）、仿真测试与实车验证方法、典型故障排查与调优实战、以及功能安全与冗余设计考量。

1.4 常见误区与课程学习提醒

在开始正式学习之前，有必要澄清几个初学者容易产生的误区，这些误区可能会影响你对后续内容的理解深度。

误区一：局部路径规划只是“避障”。很多初学者将局部路径规划等同于“绕开障碍物”，认为只要生成一条不碰撞的路径即可。实际上，避障只是最基本的要求。一个合格的局部路径规划器还必须保证轨迹的平滑性（曲率连续、无突变）、动态可行性（满足车辆转向和加减速极限）、舒适性（加速度变化率不宜过大）、以及效率（尽量贴近全局参考路径，避免不必要的绕行）。在高速场景下，轨迹的曲率变化率甚至比避障本身更具挑战性。

误区二：算法越复杂越好。局部路径规划领域有大量算法，每种算法都有其适用场景。RRT*在复杂迷宫环境中表现出色，但在结构化道路上可能不如多项式曲线高效；MPC方法理论上最优，但计算量大、调参困难。工程实践中，往往采用“组合策略”——在不同场景下切换或融合不同算法。例如，在高速巡航时使用基于优化的方法保证舒适性，在低速泊车时使用基于搜索的方法保证可达性。理解每种算法的“能力边界”比盲目追求“高级算法”更重要。

误区三：忽略感知噪声和定位误差。局部路径规划的输入数据（障碍物位置、自车位姿）都带有噪声和延迟。如果规划算法假设输入完全精确，实车运行时必然出现问题。例如，感知模块对障碍物的检测存在±0.3米的误差，如果安全边界不预留足够的膨胀余量，车辆在高速行驶时极易发生剐蹭。因此，工程上需要在安全边界设计中引入“安全裕度”，并在轨迹优化中考虑鲁棒性约束。

误区四：只关注路径不关注速度。局部路径规划输出的是“轨迹”而非“路径”，速度规划与路径规划同等重要。一条几何上完美的路径，如果速度规划不合理（例如在弯道前未充分减速），依然会导致危险。在动态环境中，速度规划甚至比路径规划更复杂，因为它需要与障碍物的预测轨迹进行时空协调。

总结来说，局部路径规划是自动驾驶系统中承上启下的关键模块，它直接决定了车辆行驶的安全性、舒适性和通行效率。本课程将带你从定义出发，逐步深入算法原理、工程实现和实战调优，帮助你建立系统化的知识体系和工程判断力。接下来，让我们从车辆运动学模型和坐标系变换开始，正式进入局部路径规划的世界。