軌跡規劃

軌跡規劃係自動駕駛決策系統入面嘅核心環節，佢喺行為決策層確定咗「做乜嘢」（例如跟車、超車）之後，負責回答「具體點行」嘅問題——規劃出一條滿足安全、舒適、車輛物理極限等約束嘅行駛軌跡。

你可以將佢理解作：行為決策決定方向，軌跡規劃畫出路線。 佢輸出嘅軌跡唔止包含咗車輛要去邊度（路徑），仲包含咗每個時刻應該以幾快嘅速度、以咩嘢姿態到達嗰度。

核心挑戰：由「靜態路徑」到「動態軌跡」

軌跡規劃之所以複雜，係因為佢同傳統嘅靜態「路徑規劃」有本質區別：

路徑規劃 (Path Planning)：只關注幾何路線，唔考慮時間因素。例如喺地圖上畫出一條從 A 到 B 唔會碰撞嘅線。
軌跡規劃 (Trajectory Planning)：喺路徑嘅基礎上引入咗時間維度。佢需要規劃出車輛喺每個時刻嘅具體位置、速度同加速度。

呢個「時間」因素嘅加入，令問題變得特別複雜（喺數學上叫做 NP-hard 問題），因為系統唔止要考慮「路點行先」，仲要協調「速度點變先」，以適應動態變化嘅交通環境。例如，喺規劃避讓一個突然切入嘅車輛時，系統必須同時調整轉向角度同車速，先至能生成一條既安全又平順嘅軌跡。

主要技術路線

而家，軌跡規劃算法嘅研究主要集中喺以下三大技術路線，佢哋各有優劣：

1. 傳統規劃算法

代表方法：圖搜尋（如 A*、Dijkstra）、基於採樣嘅方法（如 RRT）、人工勢場法、參數化曲線構造法等。
優點：可解釋性強，安全性同可行性容易驗證，係好多量產方案嘅基礎。
缺點：喺高複雜度嘅動態環境入面，計算效率可能成為瓶頸，且生成嘅軌跡有時需要進一步平滑處理。

2. 學習型方法

代表方法：強化學習、模仿學習等。
優點：有潛力處理傳統算法難以建模嘅複雜場景，能學習類人嘅駕駛策略，性能上限高。
缺點：可解釋性差，存在「黑盒」問題；安全性難以喺數學上保證；需要海量高質量數據進行訓練。

3. 優化與模型預測控制（MPC）

代表方法：將軌跡規劃建構為一個最優控制問題，並使用 MPC 等框架進行求解。
優點：可以同時處理路徑同速度規劃，並實時考慮車輛嘅動力學約束，適合複雜場景下嘅同步決策同跟蹤。
缺點：計算量大，對硬件算力同算法嘅實時性要求好高。

發展趨勢

而家，業界一個明顯趨勢係將傳統算法嘅安全性同學習型方法嘅智能性結合埋一齊，形成混合式方案。例如，用強化學習嚟處理複雜嘅行為決策，而用傳統嘅優化方法嚟生成最終嘅安全軌跡。此外，視覺 - 語言 - 動作模型（VLA）等多模態大模型開始被探索嚟用喺軌跡規劃，旨在令系統獲得更強嘅場景理解同推理能力。