4. 决策规划框架

各位同学，今天我们聊点实在的。决策规划这个事儿，说白了就是让车知道“接下来该干嘛”。你想想看，一个无人车在复杂路况里跑，它得同时处理好几层问题：要去哪儿？怎么走？方向盘打多少？

我刚开始做这个方向时，也想过“能不能一个算法搞定所有”。后来发现，不行。为什么？因为不同层次的问题，对实时性、精度、抽象程度的要求完全不同。所以，分层架构就成了行业共识。

4.1 分层架构：任务规划、行为规划、运动规划

这套架构，我习惯把它比作一个公司的三层管理：

• 任务规划（Route Planning）：相当于CEO，定大方向。从A到B，走哪条路，经过哪些路口。它不关心具体怎么开，只关心路径。
• 行为规划（Behavior Planning）：相当于部门经理，做决策。比如“前方有车，我要变道”、“路口要减速让行”。它输出的是驾驶行为。
• 运动规划（Motion Planning）：相当于执行者，算轨迹。具体到每一帧的方向盘角度、油门开度。它输出的是平滑的轨迹曲线。

我在项目中遇到过一个问题：任务规划给的路径太粗，导致行为规划频繁切换。比如明明可以直行，任务规划却建议绕个小弯。嗯，后来我们加了一层路径平滑，才解决。

下面这张图，是我自己画的架构图。你看一眼就明白了：

4.2 状态机与行为树

行为规划这块，最经典的做法就是状态机。说白了，就是给车定义好几种状态：直行、变道、左转、右转、停车。然后根据条件跳转。

我早期做的一个项目，用的就是有限状态机。代码大概长这样：

// 状态机示例（伪代码）
enum State {
  CRUISE,      // 巡航
  FOLLOW,      // 跟车
  LANE_CHANGE, // 变道
  STOP         // 停车
}

State currentState = CRUISE;

void updateState(PerceptionData data) {
  switch(currentState) {
    case CRUISE:
      if (data.frontCarDistance < 30m) {
        currentState = FOLLOW;
      }
      break;
    case FOLLOW:
      if (data.frontCarDistance > 50m) {
        currentState = CRUISE;
      }
      if (data.laneChangeAvailable) {
        currentState = LANE_CHANGE;
      }
      break;
    // ... 其他状态
  }
}

状态机的好处是简单、直观。但问题也很明显——状态多了以后，跳转逻辑会变得一团乱麻。我曾经维护过一个有30多个状态的状态机，每次加一个新功能都提心吊胆。

后来，行为树（Behavior Tree）开始流行。它用树形结构组织行为，每个节点要么是“选择节点”（挑一个子节点执行），要么是“序列节点”（按顺序执行）。

举个例子，行为树处理“路口通行”的逻辑：

// 行为树节点示例
SequenceNode("通过路口") {
  ConditionNode("是否有红绿灯") {
    if (有红绿灯) {
      ActionNode("根据红绿灯决策");
    } else {
      ActionNode("根据路权规则决策");
    }
  }
  ActionNode("减速观察");
  ActionNode("执行通过");
}

4.3 基于优化的方法

说到运动规划，就不得不提基于优化的方法。说白了，就是把轨迹规划变成一个数学优化问题——在满足约束的前提下，找一个最优解。

常见的优化目标包括：

• 平滑性（加速度变化率最小）
• 安全性（与障碍物距离最大）
• 舒适性（横向加速度最小）
• 效率（行驶时间最短）

约束条件就更多了：

• 车辆动力学约束（最大转向角、最大加速度）
• 道路边界约束（不能压线、不能上路沿）
• 障碍物约束（不能碰撞）
• 交通规则约束（红灯停、限速）

我常用的一个框架是二次规划（QP）。它把问题写成：

minimize:  0.5 * x^T * H * x + f^T * x
subject to: A * x <= b
            l <= x <= u

其中x是轨迹参数（比如每个时间点的位置、速度），H矩阵控制平滑性，约束矩阵A控制安全边界。

还有一种方法是模型预测控制（MPC）。它滚动优化，每帧都重新算一遍。实时性要求高，但效果确实好。我建议你在做高速场景时优先考虑MPC。

方法	优点	缺点	适用场景
状态机	简单、直观、调试方便	状态多时维护困难	低速、固定场景
行为树	扩展性好、可复用	学习成本稍高	开放道路、复杂场景
二次规划（QP）	数学严谨、轨迹平滑	可能不收敛、计算量大	结构化道路
模型预测控制（MPC）	实时性好、能处理约束	模型依赖性强	高速、动态场景

最后说一句，没有银弹。我在实际项目中，往往是混合使用——行为规划用行为树，运动规划用MPC。你想想看，这样既保证了决策的灵活性，又保证了轨迹的平滑性。

嗯，这一章的内容就到这儿。记住，分层架构的核心是“各司其职”，别让运动规划去操心目的地，也别让任务规划去操心方向盘。

可可精品资料库