自动驾驶全局路径规划是什么意思？

首先来说明三个概念，路径规划、避障规划、轨迹规划。路径规划通常指全局的路径规划，也可以叫全局导航规划，从出发点到目标点之间的纯几何路径规划，无关时间序列，无关车辆动力学。

避障规划又叫局部路径规划，又可叫动态路径规划，也可以叫即时导航规划。主要是探测障碍物，并对障碍物的移动轨迹跟踪（Moving Object Detection and Tracking ，一般缩写为MODAT）做出下一步可能位置的推算，最终绘制出一幅包含现存碰撞风险和潜在碰撞风险的障碍物地图，这个潜在的风险提示是100毫秒级，未来需要进一步提高，这对传感器、算法的效率和处理器的运算能力都是极大的挑战，避障规划不仅考虑空间还考虑时间序列，在复杂的市区运算量惊人，可能超过30TFLOPS，这是无人车难度最高的环节。未来还要加入V2X地图，避障规划会更复杂，加入V2X地图，基本可确保无人车不会发生任何形式的主动碰撞。

轨迹规划则源自机器人研究，通常是说机械臂的路径规划。在无人车领域，轨迹规划的定义感觉不统一。有人将避障规划与轨迹规划混淆了。轨迹规划应该是在路径规划和避障规划的基础上，考虑时间序列和车辆动力学对车辆运行轨迹的规划，主要是车纵向加速度和车横向角速度的设定。将设定交给执行系统，转向、油门、刹车。如果有主动悬挂，那么轨迹规划可能还要考虑地形因素。

三大规划是无人车最复杂的部分，算法多不胜数，让人眼花缭乱，这也是百度、谷歌和苹果科技巨头要切入无人车领域的主要原因，这些科技巨头最擅长的就是算法的优化整合。当然传统车厂如福特和丰田，拥有对车辆动力学的绝对优势，在此领域实力并不比科技巨头要差，尤其是丰田，从开源SLAM到KITTI，软件实力丝毫不次于谷歌。

概率地图法（Probabilistic Roadmap Method,PRM）作为一种常用的基于随机采样的路径规划方法，在机器人的路径规划中已经得到了广泛的应用。PRM一般用于全局路径规划方法。分为两个阶段，一是学习阶段，二是查询阶段

（1）学习阶段也称为离线阶段，在学习阶段，对整个自由空间进行采样，建立尽可能完整的Roadmap，这一步花费的时间较多。具体就是在全局地图内撒下足够多的采样点，这些采样点称为路标（milestone），路标之间建立连接关系。在学习阶段，PRM试图建立一张无向图，图中所有定点是自由空间中的路标，两个路标之间采用某个局部规划器进行规划（路标之间的通路路线），如果成功，则称着两个路标连通。并在两个点之间加入一条无向边表示，这样建立起的图为Roadmap。

（2）查询阶段也称在线阶段，运动规划器只要输入起始位置和目标位置，算法根据在学习阶段建立的Roadmap信息，可以在很短的时间内搜索一条从起始位置到目标位置的无碰撞路线。由于Roadmap的信息已知，只需将起始位置点输入，运动规划器会查询与起始位置最相近的路标点，依此快速构建出可行路径。 （简介部分摘自于西北工业大学出版社的《无人机编队飞行技术》）

其应用过程如下：

图1为一副地图，将地图做二值化处理转成01矩阵。

图中包含着起始点和目标点坐标。之后在图中随机撒点，本文在图中撒了200个随机点，这些随机点的约束是不能与地图中的实体发生相交。撒完随机点的地图如图2所示

之后做一个点集间的连接图，连接后的效果如图3所示。这些点集间的连线同样有着约束，即连线不能与地图中的实体发生碰撞，因此图3中的某些点并没有与其余点全连接。

最后，通过最短航迹搜索算法，对图3中加权图进行搜索，得到一条最短的航行路径如图4。

通过上述RPM的运行过程，可以得知RPM算法的两大关键因素，第一：如何撒点会有助于后续最优路径的求解？第二：如何在图3的无向加权图G中搜索出一条最短的路径。

路径规划模块需要根据局部环境感知、可用的全局车道级路径、相关交通规则，提供能够将车辆引导向目的地（或目的点）的路径。路径规划可分为全局路径规划方法、局部路径规划方法和混合路径规划方法三种。

---