道路边界表示方法：离散点集、样条曲线、分段线性函数、栅格地图
做路径规划这么多年，我越来越觉得——道路边界怎么表示，直接决定了你的规划算法能跑多快、多稳。说白了，边界就是车不能碰的“墙”。但怎么描述这堵墙，学问可大了。
今天咱们就把四种主流表示方法掰开揉碎讲清楚。每种方法我都踩过坑，也总结了一些实战经验。
一、离散点集——最朴素，也最直接
离散点集，就是拿一堆坐标点来描述边界。比如激光雷达扫一圈，回来就是一堆(x, y)点。
优点很明显：
- 数据来源直接，传感器输出啥就是啥
- 存储简单，一个数组搞定
- 处理速度快，不需要额外计算
缺点也扎心：
- 点与点之间是“盲区”，你不知道中间有没有障碍
- 点太密，计算量大；点太稀，容易漏掉关键信息
- 做碰撞检测时，得遍历所有点，效率堪忧
我的经验： 我在做矿区无人驾驶时，激光雷达扫出来的边界点动不动就上万个。直接拿来做路径规划？卡死你。我当时的做法是先降采样，再用RANSAC剔除离群点，最后保留关键轮廓点。嗯，这样效率就上来了。
二、样条曲线——平滑，但小心过拟合
样条曲线，尤其是三次样条，是我个人比较喜欢的一种方式。它用分段低次多项式把离散点连成一条光滑曲线。
为什么用三次？因为二阶连续，曲率变化平缓，车跑起来舒服。
// 三次样条插值示例（伪代码）
// 输入：离散点集 P[0..n-1]
// 输出：分段多项式系数 a[i], b[i], c[i], d[i]
for i = 0 to n-2:
h[i] = P[i+1].x - P[i].x
// 解三对角方程组求二阶导数
solveTridiagonal(h, &M)
for i = 0 to n-2:
a[i] = P[i].y
b[i] = (P[i+1].y - P[i].y)/h[i] - h[i]*(2*M[i] + M[i+1])/6
c[i] = M[i]/2
d[i] = (M[i+1] - M[i])/(6*h[i])
优点：
- 曲线光滑，适合做轨迹参考
- 可以精确控制曲率，对车辆动力学友好
- 插值精度高，点之间不会出现突变
缺点：
- 计算量比离散点大
- 如果控制点选得不好，容易出现过拟合——曲线扭来扭去
- 实时更新边界时，需要重新计算所有系数
避坑指南： 我曾经在一个项目中，用样条曲线拟合弯道边界，结果控制点间距不均匀，曲线在弯道内侧“鼓包”了。后来我改用带约束的样条——强制曲率不超过某个阈值，问题就解决了。
三、分段线性函数——简单粗暴，够用就好
分段线性函数，说白了就是用折线近似曲线。每两个相邻点之间用直线连起来。
你可能会问：这不就是离散点集吗？区别在于——分段线性函数把点之间的连接关系也定义清楚了，形成一个完整的“边界轮廓”。
优点：
- 碰撞检测极快——判断点在直线哪一侧就行
- 内存占用小，只存端点坐标
- 实现简单，调试方便
缺点：
- 转折点处曲率不连续，车经过时会有“顿挫感”
- 对弯道描述不够精细，需要很多段才能逼近真实边界
适用场景： 结构化道路（高速公路、城市道路）的边界描述。因为这些道路本身弯道半径大，分段线性函数完全够用。我在做高速自动驾驶项目时，就用的这种方法，效果很好。
四、栅格地图——把世界切成小方块
栅格地图，就是把环境划分成一个个小格子。每个格子标记为“可通行”或“不可通行”。
这是我最常用的方法之一，尤其是在复杂场景下。
| 栅格分辨率 | 优点 | 缺点 | 推荐场景 |
|---|---|---|---|
| 0.1m × 0.1m | 精度高，细节丰富 | 内存大，计算慢 | 低速、精细操作 |
| 0.5m × 0.5m | 平衡了精度和效率 | 可能漏掉小障碍 | 城市道路 |
| 1m × 1m | 速度快，内存小 | 边界粗糙 | 高速公路 |
优点：
- 统一表示所有障碍物，包括动态障碍
- 路径搜索算法（A*、Dijkstra）直接在上面跑
- 更新方便，传感器数据直接往里填
缺点：
- 分辨率选择是个难题——高了慢，低了不准
- 边界不光滑，规划出来的路径可能“锯齿状”
- 大场景下内存爆炸
我的建议： 别死磕一种方法。我现在的做法是——栅格地图做全局规划，样条曲线做局部轨迹优化。两者结合，既保证了全局可达性，又保证了局部平滑性。
知识体系总览
下面这张图，帮你理清四种方法的关系和适用场景：
你想想看，实际项目中很少只用一种方法。我做过一个园区物流项目，白天用栅格地图做全局路径，晚上光线不好时切换成离散点集+样条曲线。说白了，工具是死的，人是活的。
最后提醒一句：不管用哪种方法，边界表示的精度一定要和传感器精度匹配。你用厘米级精度的边界，配个米级精度的GPS，那就是白费功夫。
核心总结： 离散点集是原料，样条曲线是精加工，分段线性是实用派，栅格地图是万金油。选哪种，看你的场景、算力和传感器。
可可精品资料库