决策规划算法的理解

决策规划任务：在上游和系统的限制条件下进行合理的算法设计对车辆驾驶行为进行优化。

计算几何：自动驾驶PnC从业私人笔记_windSeS的博客-CSDN博客

决策规划的理解：

智能驾驶规划算法 - 基于优化 vs 基于采样

古久

一般路径规划算法可以分为基于曲线插值、基于图搜索、基于采样、基于数值优化和基于学习等技术路线。

其中，曲线插值的方法一般在泊车等ADAS功能中会被使用，例如RS曲线、回旋线、贝塞尔曲线等。因为所需的路径模式相对比较固定。

基于图搜索的方法（例如A*）一般在ROUTING导航算法中会使用。

在智能驾驶实际项目应用中基于数值优化（例如APOLLO中的基于OSQP的路径规划）和基于采样的方法（例如Lattice规划）比较常见。

基于采样的PATH规划方法一般是先在采样空间内去采样很多条path（例如N段5次曲线），然后对这些曲线去计算代价（舒适性代价、居中代价、碰撞代价等），最后挑选代价最小的一条轨迹。这种方法通过生成大量的可能解，然后从中选择最佳解。它可以通过蒙特卡洛方法或随机采样等技术来探索解空间。该方法适用于解空间复杂、约束条件模糊或难以建模的情况。它更加灵活，能够处理非确定性和噪声。

基于优化的方法一般是先计算出可行驶区域（考虑道路边界约束、车道约束、动静态障碍物约束），然后在可行驶区域内给出一条参考线（一般是道路中心线）。接着，设定优化器的代价项（一般包括偏离参考线的代价项、平滑代价项等）。最后将参考线和可行驶区域一起送到优化器去求解。这种方法通过定义一个成本函数，并使用数学优化技术（如梯度下降、遗传算法等）来寻找最优解。它通常需要建立一个数学模型来描述车辆、环境和其他约束条件，并将其转化为优化问题。该方法适用于有明确目标、复杂约束和高精度要求的场景。相比基于采样的规划方法PATH只能是预设的固定的几种曲线模式，基于优化的方法出的PATH模式会更丰富，在避让动静态障碍物的时候会更灵活。

总结来说：

速度和效率：基于数值优化的方法通常具有更高的计算速度和效率，因为它们使用数学优化技术来直接寻找最优解。而基于采样的方法可能需要生成大量的解来进行搜索，因此相对较慢。

精度和稳定性：基于数值优化的方法通常能够找到更优的解，并具有较高的精度和稳定性。而基于采样的方法在搜索空间大或非确定性较高时可能无法保证找到全局最优解，但可以得到近似最优解。

建模要求：基于数值优化的方法需要对问题建立准确的数学模型，包括车辆动力学、环境约束等。而基于采样的方法则对建模要求较低，更适合处理复杂、模糊或难以建模的情况。

综上所述，选择使用哪种方法主要取决于具体的应用场景、问题复杂度和求解要求。有时两种方法也可以结合使用，以发挥各自的优势。