自动驾驶轨迹规划：动态规划与路径-速度解耦技术详解

1. 自动驾驶轨迹规划的核心挑战

在自动驾驶系统中，轨迹规划模块是将感知与决策结果转化为车辆实际运动指令的关键环节。这个看似简单的任务背后隐藏着诸多复杂挑战：

1. 高维状态空间：车辆运动状态需要同时考虑位置、速度、加速度等多个维度，在三维空间中规划时维度更高
2. 实时性要求：城市道路场景通常要求在50-100毫秒内完成规划计算
3. 多目标优化：需要同时满足安全性、舒适性、交通规则遵守等多个目标
4. 不确定性处理：必须考虑感知误差、预测偏差等现实因素

传统方法如A*、RRT等算法在处理这类问题时往往面临计算效率低下或解质量不高的问题。而动态规划(DP)通过将问题分解为多阶段决策过程，提供了一种系统性的解决方案。

2. 动态规划在轨迹规划中的优势

动态规划之所以成为自动驾驶轨迹规划的主流方法，主要基于以下几个关键优势：

2.1 分阶段优化特性

动态规划将连续运动规划问题离散化为多阶段决策过程，每个阶段只需考虑局部最优，通过递推关系保证全局最优性。这种特性特别适合车辆运动规划这种具有明显阶段性特征的问题。

2.2 计算效率保障

通过合理的状态空间离散化和剪枝策略，动态规划可以将指数级复杂度的原始问题转化为多项式时间可解的问题。在实际应用中，计算时间通常可以控制在100ms以内。

2.3 约束处理能力

动态规划框架下可以方便地融入各种约束条件：

• 硬约束：障碍物避碰、运动学极限等
• 软约束：舒适性、能耗等优化目标

2.4 Apollo中的实践验证

百度Apollo平台在其EM Planner中成功应用了动态规划方法，证明了该技术在复杂城市道路场景下的有效性。其核心思想是通过"粗糙规划+精细优化"的两阶段策略平衡计算效率和轨迹质量。

3. 路径-速度解耦规划框架

3.1 解耦设计原理

路径-速度解耦(Piecewise Jerk Path-Speed Decoupled Planning)是处理高维轨迹规划问题的经典方法。其核心思想是将完整的轨迹规划问题分解为两个相对独立的子问题：

1. 路径规划：在Frenet坐标系的SL平面(纵向距离-横向偏移)上规划几何路径
2. 速度规划：在ST图(纵向距离-时间)上规划速度剖面

这