本文旨在对自己的研究方向做一些记录，方便日后自己回顾。论文里面有关其他方向的讲解读者自行阅读。
参考论文：自动驾驶车辆运动规划方法综述
1 摘要
未来关注的重点：
2 车辆运动规划的概念
车辆运动规划：指生成衔接车辆起点与终点的几何路径，同时给出车辆沿该路径运动的速度信息，并使车辆在整个运动过程中满足运动学 / 动力学约束、碰撞躲避约束以及其他源自内部系统或外部环境的时间和 / 或空间约束条件。
路径规划仅仅负责生成满足空间约束条件的几何曲线，忽略了与时间相关的约束条件。。
实际工程运用中，下发的往往是路径而不是轨迹，意味着轨迹规划被分解为路径规划+运动配时两阶段计算架构。采用这种方案的原因：
（1）轨迹规划计算过程困难，将其分解为“SL + ST”，能够大幅度降低求解负担
（2）通过规划生成的轨迹难以在后继控制模块中被有效跟踪
（3）决策规划模块仅需生成路径而非轨迹，车辆实际运动速度暂时无法或无需决策。
3 运动规划方法
自2017年以来，国内公开发表的学术文献中，面向自动驾驶车辆的路径规划/轨迹规划方法主要包括：曲线插值方法、采样方法、机器学习方法、。
3.1 曲线插值方法
曲线插值方法主要包括曲线元素组合方法以及插值拟合方法，能够生成具备良好连续、平滑的行驶路径。
（1）曲线元素组合方法一般用于车辆低速行驶工况下，主要场景和任务：泊车。车辆在低速行驶时，往往被允许中途短暂停泊并原地调整转角姿态，使最小转弯半径所对应的圆弧得以被充分利用。
（2）插值拟合方法能将行驶路径显示地表述为数学函数，通过确定函数的参数来决定行驶路径的形态。这种方式生成的路径一般具有较好的平滑性，常用于城市道路高速行驶情况中。
3.2 采样方法
采样方法Basic idea：在构型空间(configuration space)中生成样本点，并寻找满足任务需求的样本点序列作为规划结果。常见的采样方法：随机采样和固定采样
随机采样：PRM、RRT
固定采样：按照明确给定的规则生成一系列待选样本点
3.3 机器学习方法
机器学习方法应用在车辆运动规划问题上，应该以任务需求、车辆初始运动状态、场景设置等基本信息作为输入，以车辆期望的行驶路径/轨迹作为输出。应用大量已有的输入-输出样本进行训练，从而获得输入-输出的内在映射关系，随后将这种映射关系用于求解实际的规划问题。
3.4
将车辆运动规划问题描述为最优控制问题，具有客观、准确、直接、统一、完备的优点，使前面方法所不具备的。
（1）将高速无人驾驶车辆运动规划问题建立为二次型非线性规划问题，加入了车辆避免滑移或侧倾的约束条件，在将车辆运动系统在工况点线性化近似，采用 CVXGEN 求解器进行数值求解
（2）建立车辆换道行驶局部轨迹规划模型时，将安全性、舒适性、拟人性等约束条件转化为惩罚项补入目标函数中，构建了无约束的二次型非线性规划问题，随后采用图优化方法求解
（3）处理车道变更路径规划任务时，基于线性化的车辆系统运动模型构造二次型非线性规划问题，采用 Hildreth 算法进行数值求解。
碰撞躲避约束条件是造成最优控制问题模型复杂的重要因素，精确描述车辆与自由摆放障碍物之间的碰撞躲避约束条件会造成所构建非线性规划问题具有强非线性，甚至体现严重的非凸性和病态性。
4 各类运动规划方法优缺点分析
曲线插值方法：
（1）求解路径的速度较快，并且能够满足路径平滑性、可行性；
（2）由于采用特定类型的曲线函数描述行车路径，因此这一类方法无法充分发挥车辆的全部运动能力，车辆的运动学 / 动力学方程组并不等价于该方法中所使用的曲线函数
采样方法：
（1）具备较快的计算速度
（2）由于采样方法通过试探与筛选逐步确定运动路径，因此适用于局部范围场景，并且需要运动规划任务中不包含复杂约束条件或对求解精度要求不高。
（3）生成的备选运动方案数量有限，因此难以胜任复杂条件下的运动规划问题；而且，随机采样方法中的随机机制具有盲目性，这使得复杂约束条件在理论与实践层面上均无法得到精确满足。
机器学习方法：
将采集到的人类驾驶汽车或模拟器的数据作为训练样本，将使得自动驾驶智能化沦为拟人化，而这并非自动驾驶运动决策系统发展的终极目的。相比之下，无监督学习方法似乎在该领域具有更大的潜力。
最优控制方法：
两大技术关键：（1）问题模型的精确建立 （2）高效求解方法
（1）模型的精度往往受制于优化求解方法的能力范围以及时效性
（2）在建模精度较高的需求下，最优控制方法主要瓶颈在于计算时效性的低下。
5 展望
4 类运动规划方法将继续并行发展。面向实际问题时，随着用户对求解精度的要求逐步提高，这些方法将更倾向于通过相互“取长补短”来提供满意的路径 / 轨迹。
（1）。现阶段运动规划算法对车辆运动过程的描述往往只到 2 自由度自行车模型，一般无法覆盖车轮打滑、车辆横向漂移、车体惯性及车身悬架振动等实际工况。如能够在决策规划模块建立更贴近实际工况的车辆运动模型并进行高效率求解，则可以分担后继控制模块的压力，真正体现智能驾驶中智慧决策的意义。
（2）。在通常的行车环境中，障碍物信息主要来源包括预设的导航地图标记信息和车载雷达感知到的周围障碍物点云信息。导航地图往往提供道路边界线等规则形态的几何形状 ( 点、线、面 )，而车载雷达获得的点云由散点构成。如何在运动规划模型中巧妙地描述这两类障碍物，并尽量避免场景模型复杂程度随环境变化，是未来值得关注的一项议题。此外，环境中往往存在不确定性，主要来源为感知误差以及场景中的非协作运动体(其他车辆、行人等)。。
（3）。容错冗余设计是保障系统安全的重要环节。在设计运动规划算法时，应注重对算法核心或薄弱环节进行冗余设计，从而在这些环节失效时避免出现不可控制或不可预知的后果。
（4）。各类运动规划算法往往包含计算过程，如能够在不损害求解质量的前提下，，则可以进一步提升计算效率。这一思路对于依赖数值求解的最优控制类算法效果尤为显著
（5）。运动规划算法应精准满足用户的差异化偏好。如何规避算法应用范围的局限性，也是未来在算法设计中值得关注的因素。
其他运动规划相关综述参考文章：
文献 [53]聚焦于动态环境中的方法回顾，文献 [55] 回顾了超车行为中的运动规划方法，文献 [56] 则着重关注智能网联汽车编队的协同运动与决策。