哗啦啦的小流弊1. 自动驾驶决策规划与em-planner算法概述
在自动驾驶技术栈中，决策规划模块扮演着"驾驶大脑"的角色。这个模块需要实时处理感知系统提供的环境信息，结合高精地图和定位数据，最终输出可执行的轨迹指令。em-planner作为Apollo开源平台中的核心规划算法，采用分层设计理念，将复杂的规划问题分解为可管理的子任务。
我曾在多个自动驾驶项目中实际应用过em-planner，发现其最显著的特点是采用了"采样-评估"的范式。这种范式虽然计算量较大，但在复杂场景下表现出优异的适应性。与传统的基于优化的规划器相比，em-planner通过离散采样能够更好地处理非凸优化问题，这在城市道路的十字路口等场景中尤为重要。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. em-planner在自动驾驶系统架构中的定位
2.1 自动驾驶决策规划层次结构
典型的自动驾驶决策规划系统采用分层架构：
-
行为决策层（Behavioral Layer）：
- 负责宏观决策（如变道、超车）
- 输出语义级指令（"在下一个路口左转"）
- 通常基于有限状态机(FSM)或行为树实现
-
运动规划层（Motion Planning Layer）：
- 将高层指令转化为具体轨迹
- 需考虑动力学约束和实时避障
- em-planner主要作用于这一层
-
控制层（Control Layer）：
- 执行规划出的轨迹
- 通过PID、MPC等控制器实现
2.2 em-planner的上下游接口
在实际系统中，em-planner需要处理多种输入输出：
输入接口：
- 感知数据（障碍物位置、类型、速度）
- 定位信息（车辆位姿）
- 高精地图（车道拓扑、交通规则）
- 路由信息（全局路径）
输出接口：
- 平滑的轨迹点序列
- 每个轨迹点包含：位置、速度、加速度、朝向、曲率
- 时间戳信息（用于时序一致性）
提示：在实际部署时，需要特别注意坐标系转换。感知数据通常在传感器坐标系，而规划需要在统一的车辆坐标系或地图坐标系中进行。
3. 路径规划基础理论与采样算法
3.1 路径规划的数学表述
路径规划问题可以形式化为：
给定：
- 起始状态 $q_{start}$
- 目标状态 $q_{goal}$
- 障碍物集合 $O$
- 成本函数 $C(path)$
求解：
$$
\arg\min_{path} C(path) \
\text{s.t.} \quad path(0) = q_{start}, \
path(1) = q_{goal}, \
\forall t \in [0,1], path(t) \cap O = \emptyset
$$
3.2 常见采样算法对比
em-planner采用的采样算法经过特殊优化，下表对比了几种典型采样方法：
| 算法类型 | 优点 | 缺点 | 适用场景 |
|---------|-----