自动驾驶泊车轨迹优化的工程实践与挑战

1. 泊车轨迹优化背后的工程挑战

凌晨三点的地下车库，我盯着屏幕上那条扭曲的泊车轨迹线，第17次按下仿真运行键。突然意识到Apollo的轨迹优化模块远比想象中复杂——它不是简单的数学公式堆砌，而是多个子系统在实时博弈的艺术品。

泊车场景的特殊性在于，它把自动驾驶的三大矛盾集中爆发在一个20km/h的低速场景里：

• 路径平滑性 vs 避障安全性
• 计算实时性 vs 优化最优性
• 车辆动力学约束 vs 几何空间约束

这三个"不可能三角"迫使工程师们开发出一套组合拳策略。今天我们就解剖代码里的三个关键角色：

1. 基于样条的几何规划器（Spline Planner）
2. 带安全走廊的QP优化器（QP Optimizer）
3. 动态权重调整器（Weight Tuner）

2. 核心模块的代码级互动解析

2.1 Spline Planner的暴力美学

在modules/planning/math/smoothing_spline中，这个模块用三次样条曲线粗暴地拟合初始轨迹。关键点在于它处理了两类约束：

cpp复制// 硬约束示例（必须满足）
struct Constraint {
  double relative_time;
  double x, y, theta, kappa; // 位姿+曲率
  bool is_fixed; // 是否锁定该点
};

// 软约束示例（尽量满足）
struct SoftConstraint {
  double relative_time;
  double desired_speed;
  double desired_acc;
};

实际运行时会看到有趣现象：当检测到窄车位时，代码会主动降低样条曲线的阶数（从5次降到3次）。这是用精度换稳定性的典型操作，因为高阶多项式在狭窄空间容易产生抖动。

避坑提示：不要盲目追求样条平滑度，在Apollo的Spline2dConstraint类中，kappa（曲率）约束的松弛阈值默认设为0.3，这个值在商用车场景需要调整到0.15以下。

2.2 QP优化器的安全魔法

进入modules/planning/constraint_builder，这里的QP优化器在样条基础上构建安全走廊。最精妙的是动态约束生成策