1. 课程导入

自动驾驶系统从“能开”走向“开得稳、开得舒适、开得可验证”，路径规划模块承担着承上启下的关键角色：向上承接感知与预测给出的环境认知，向下输出可供控制模块稳定跟踪的轨迹。很多团队在算法原型阶段能跑通演示，却在量产落地时被“抖动、顿挫、绕障犹豫、极端场景失效、回归不可控”等问题反复拖慢节奏。本课程聚焦的正是这条从“算法可用”到“工程可信”的路径——路径规划调优与验证工程。

一、学习目标：从会写到会调、会验

本课程不满足于讲清某一种规划算法的公式推导，而是围绕工程闭环建立四项能力：

• 调优能力：理解代价函数、约束、采样密度、平滑权重等参数如何影响轨迹形态与乘坐体验，能定位“为什么这条轨迹不好”。
• 验证能力：掌握仿真回放、场景库、指标度量、回归对比等方法，把“感觉还行”变成“数据可证”。
• 诊断能力：面对绕障失败、轨迹抖动、规划超时等典型故障，能沿数据流逐级排查，而不是盲目改参数。
• 工程化能力：理解规划模块在车载计算平台上的资源约束、接口契约与版本管理，让调优结果可复现、可交付。

二、核心概念：规划调优的四个关键词

在进入具体技术之前，需要先统一几个贯穿全课程的核心概念。

1. 轨迹与路径。路径通常指不含时间信息的几何曲线，轨迹则是在路径上叠加速度、加速度与时间戳的完整运动描述。控制模块真正跟踪的是轨迹，因此调优必须同时关注几何形状与时间维度。

2. 代价与约束。规划器在可行域内寻找代价最小的解。代价项决定“偏好什么”，约束决定“绝对不能做什么”。调优的本质，往往是在代价项之间重新分配权重，而不是简单地“调大调小”。

3. 场景与工况。同一套参数在城市直行、无保护左转、窄路会车、施工绕行中的表现可能截然不同。调优必须以场景为单位，而非以全局参数为单位。

4. 指标与回归。安全性、舒适性、通行效率、规划耗时是四类基础指标。没有指标基线的调优是盲调，没有回归对比的验证是无效验证。

三、整体框架：从感知输入到控制输出的规划链路

下图给出本课程贯穿始终的工程实践地图。它把规划调优与验证拆解为输入、规划、输出、验证四条主线，并标出各环节最常出现的调优对象与验证手段。

这张地图说明：调优不是孤立地改参数，而是“输入—规划—输出—验证”四段联动的闭环。任何一次参数调整，都应当能在验证层找到对应的指标变化，否则就无法判断改动是否真正有效。

四、方法流程：一次完整的调优迭代

工程实践中，一次可复现的调优迭代通常遵循以下步骤：

1. 问题定义：明确是舒适性问题、绕障失败还是规划超时，并锁定复现场景。
2. 数据采集：导出该场景的感知输入、地图、自车状态与规划输出日志。
3. 基线度量：计算当前参数下的安全性、舒适性、效率与耗时指标。
4. 假设提出：判断问题来自代价权重、约束边界、采样密度还是求解器配置。
5. 参数实验：小步调整并批量回放，观察指标变化趋势。
6. 回归验证：在场景库上确认无新增退化，再进入实车或硬件在环验证。

五、案例场景：一次绕障犹豫的调优复盘

某项目在城市道路遇到静止车辆绕行时，规划轨迹出现明显“先减速、再犹豫、最后才绕出”的现象。初步排查发现：

• 障碍物代价权重偏高，导致规划器过度保守；
• 横向采样密度不足，绕行候选轨迹分辨率不够；
• 速度规划中的减速度约束过紧，使绕行动作被推迟。

调整策略是：适度降低障碍物代价权重、提高横向采样密度、放宽绕行阶段的减速度上限，并在场景库中回归验证。调整后绕行决策提前约 0.8 秒，舒适性指标中的纵向加速度波动下降，且未在其他场景引入新的碰撞风险。

# 调优参数快照示例（YAML 片段）
planner:
  cost:
    obstacle_weight: 1.2      # 原值 2.0，降低保守倾向
    comfort_weight: 0.8
  sampling:
    lateral_density: 0.35     # 原值 0.20，提高横向分辨率
  speed:
    max_decel: -2.5           # 原值 -1.8，放宽绕行减速度
  solver:
    time_budget_ms: 50

六、常见误区与复盘要点

本课程后续将沿着这张实践地图逐层展开：先讲清规划算法的代价与约束建模，再深入参数调优的具体方法，随后进入场景库构建、指标度量与回归验证，最后结合典型故障案例完成从定位到修复的完整训练。掌握这条主线，你就能把路径规划从“能跑”推进到“可信”。