路徑規劃 (Path Planning)

路徑規劃係自動駕駛系統中負責回答「由 A 點到 B 點具體行邊條路」嘅關鍵模組。喺「行為決策」（決定該做乜嘢，例如跟車、超車）之後，負責將抽象嘅駕駛意圖轉化成為一條具體、可行、最優嘅幾何路徑。

如果將自動駕駛比作一次出行，決策層係決定「要去邊」嘅領隊，控制層係負責「踩油門同打方向」嘅司機，咁路徑規劃就係負責「睇地圖揀路線」嘅導航員。

佢嘅核心任務係：根據高精度地圖同全球定位系統（例如 GPS）提供嘅道路網絡資訊，結合即時交通狀況、道路限行規則等因素，規劃出一條由起點到終點嘅最佳行駛路線。呢個「最佳」可以係距離最短、時間最快，都係能耗最低或安全性最高。

路徑規劃問題喺數學上可以被抽象為一個喺「路網圖」（將道路抽象為節點同邊）上進行嘅最優路徑搜尋問題。求解呢個問題主要係有幾類方法：

經典搜尋演算法：呢個係最傳統、最成熟嘅方法。以Dijkstra 演算法同A*演算法為代表，佢哋透過喺路網圖中遍歷節點，系統性咁尋找代價最小（例如距離最短）嘅路徑。呢類演算法可解釋性強、結果可靠，係許多量產方案嘅基石，但係喺極度複雜或動態變化嘅環境中，計算效率可能成為瓶頸。
啟發式同仿生演算法：為咗提高搜尋效率同應對複雜約束，研究人員引入咗蟻群演算法等啟發式方法。呢類演算法模擬自然界生物嘅行為模式，透過多路徑並行探索同費洛蒙累積，能夠更高效咁搵到較優路徑，尤其擅長處理路徑平滑度同多目標優化問題。
深度強化學習：呢個係近年來興起嘅前沿方向。透過令 AI 模型喺模擬環境中進行海量嘅「試錯」學習，系統可以自主學會喺複雜、動態嘅交通流中做出最優嘅路徑選擇決策。呢種方法有潛力處理傳統演算法難於建模嘅複雜場景，但係對訓練數據同運算力要求極高，且面臨可解釋性挑戰。

現時技術嘅一個顯著趨勢係，路徑規劃正由純粹嘅「路線規劃」向更細緻嘅「動線管理」演變。呢樣即係系統唔單止要解決「點樣到」，仲要解決更具體、更複雜嘅問題，例如：點樣揀正確嘅 ETC 車道經過收費站、喺冇預先學過地圖嘅陌生停車場自主揾到車位、點樣回應「搵出口」等語音指令。

呢樣要求路徑規劃同語義理解、環境感知、底盤控制等多個模組深度融合，實現由「A 點到 B 點」嘅粗放指引，到覆蓋收費站、停車場、園區等複雜空間全程「接管」嘅精緻化服務升級。