自动驾驶规划系统核心算法与理论基础

面试问题：请介绍自动驾驶决策规划模块的主要任务，并对比基于规则与基于学习两种方法的优缺点。

面试官考察点：对决策层次的理解（战略/行为/运动）；是否了解FSM、POMDP、端到端等主流方案；能否分析工程落地难点。

回答框架：定义输入（感知+定位+地图）→ 输出（行为指令，如换道、跟车）→ 规则法：有限状态机（FSM）可解释强，但状态爆炸；学习法：DRL/POMDP泛化好，但可解释差、仿真-实车差距大 → 主流方案：规则+轻量学习混合。

简短示例回答：“决策规划输出车辆行为指令。规则法用FSM管理典型场景，如巡航、变道，但城市路况状态组合过多。学习法如DRL能处理连续动作，但训练成本高、难调试。工业界常用分层架构：上层FSM做宏观决策，下层用MPC或RL优化具体行为。”

可能追问：“如何设计状态机避免冲突？” “你提到的POMDP在实际中如何处理不确定性？”

面试问题：请比较A*算法与RRT*在无人车路径规划中的适用场景，并说明如何保证路径平滑。

面试官考察点：是否理解图搜索与采样法的本质区别；对路径平滑、实时性、环境变化适应性的工程意识。

回答框架：A*适合结构化道路（栅格地图），能保证最优性，但计算复杂度随分辨率指数增长；RRT*适合非结构化场景（停车场），概率完备但不一定最优 → 工业中常用Hybrid A*（结合Reeds-Shepp曲线）实现车辆运动学约束 → 平滑通过B样条或Convex Optimization（OSQP）完成。

简短示例回答：“结构化道路我用A*，但需用B样条曲线平滑拐点；非结构化场景用RRT*，再通过Bézier曲线做后处理。实测中混合A*效果更稳定，结合换道决策可以实时生成无碰撞路径。”

可能追问：“如果障碍物动态移动，你的路径规划如何更新？” “如何权衡路径长度和安全性？”

面试问题：速度规划如何与路径规划解耦？请解释ST图与SL图中的速度可行域（Velocity Obstacle）概念。

面试官考察点：对时空分离法的理解；ST图/速度曲线构造方法；轨迹优化中的代价函数设计（舒适性、效率、安全）。

回答框架：路径规划输出参考线（SL坐标系）→ 速度规划在ST图上动态障碍物，生成速度曲线（梯形或S形）→ 再用QP优化得到平滑的时间序列→最后在时空维度做轨迹优化（如Apollo的离散点优化）→ 常用工具：OSQP、G2O、Ceres。

简短示例回答：“我在Apollo框架下，先用路径规划生成SL中的一条参考线；然后在ST图中将动态障碍物投影为区域，用DP+QP生成速度曲线。最后通过Lattice采样在时空窗口内求解最优轨迹，代价函数包含加速度、jerk和碰撞惩罚。”

可能追问：“如果速度曲线与路径耦合导致优化不可行，如何处理？” “你用的QP约束具体有哪些？”