最近看到一篇非常好的关于自动驾驶规划方法的综述（A Review of Motion Planning Techniques for Automated Vehicles），写的非常好，总结了近几十年来总动驾驶规划的发展之路，引用了许多经典的文章。觉得可能对做规划的小伙伴会有帮助，所以分享出来。

这篇文章的一个观点非常好，他把自动驾驶的运动规划分成四大类：graph search 图搜索，采样，插值和数值优化。下面展开论述。

A. Graph search based planners
这种方法把状态空间表达成网格或者lattice的形式，然后在这些状态里面找到一个可达的path。这类方法主要有A* D* Dijkstra algorithm 算法。值得一提的还有state lattice算法，虽然这个图看起来和Apollo里面的lattice不一样，但是这个是爸爸，在这篇文章[1]里面提出了时空lattice，这个也就是后来Apollo算法里面用的。

B. Sampling based planners

这个主要介绍了RRT算法，嗯非常经典好用，如果有感兴趣的可以单独开讲。

C. Interpolating Curve Planners

_这里介绍了几种曲线生成的方法，主要有羊角螺旋线（_Clothoid Curves）多项式曲线（Polynomial Curves） 贝塞尔曲线（Be ́zier Curves）

分别介绍了这几类样条曲线在路径规划的优化过程中作用。

clothoid curves 是个比较神奇的曲线，天生适合车辆规划，因为它的曲率是线性变化的，又因为车辆运行轨迹的曲率和方向盘基本上成正比，也就是说这种线型出来的结果方向盘会非常顺滑。

贝塞尔曲线 计算简单 速度快。

多项式拟合也是一个比较好的方法。

D. Numerical Optimization:

数值优化的方法讲的比较粗略，基本上只是讲了下势能场法的应用。

在这一段的结束，作者给出了一个大的表格，比较不同方法的优劣，感觉这个比较强大，不是大佬很难总结的如此精辟。

各种规划算法的优劣对比

下面这幅图，作者阐述了不同项目/公司的motion planning的技术方案，从下面这个图可以看出来，各家公司很少会依赖单一的规划方法进行规划，而是根据使用场景，结合两个甚至更多种的规划方法来进行规划。比如斯坦福大学和合作机构采用了A*算法，基于优化的算法甚至用羊角螺旋线进行插值。

大多数企业采用了基于样条曲线，羊角螺旋线的方法，主要是考虑可以获取细致的道路信息。采用search 方法的主要原因是这样的速度快，在复杂场景下而且可以搜索到比较好的曲线。目前规划存在的挑战在于实时性，由于越来越多的障碍物，感知留给规划的时间窗口越来越小。下一步的motion planning的研究，应该考虑感知的不确定性以及控制的约束。这样会更加安全，舒适。

[1] Spatiotemporal state lattices for fast trajectory planning in dynamic on-road driving scenarios