(资料图)

近年来，自动驾驶技术已经成为智能交通领域的研究热点之一。实现自动驾驶需要在车辆上安装传感器、执行器等装置，以实时感知周围环境，并作出响应。而其中，局部行为规划和局部轨迹规划是实现自动驾驶的关键技术。

局部行为规划和局部轨迹规划是为了计算出安全、舒适和连续的局部轨迹，基于路线规划中识别的全局路线来进行的。由于轨迹是局部的，这两个功能必须以后退的方式实现。需要强调的是，这两个函数的输出应该是轨迹，而不是路径，轨迹与其他动态交通参与者相互作用，否则，自车需要额外的努力来躲避环境中的移动障碍物。

局部规划是通过解决最优控制问题（OCP）来完成的，该问题在满足多种类型的硬约束或软约束的情况下最小化预定义的成本函数。OCP的解决方案表示为时间连续控制和状态轮廓，其中所需轨迹由状态轮廓的一部分反映。由于这种OCP的分析解决方案通常不可用，因此需要两种类型的操作来构建轨迹。具体来说，局部规划分为三部分，第一类操作是识别一系列状态网格，第二类操作是在相邻状态网格之间生成基元，第三类操作是前两者的有机结合。

状态网格识别可以通过搜索、选择、优化或潜在最小化来完成。基于搜索的方法将与上述OCP相关的连续状态空间抽象成图，并在那里找到状态的链接。流行的基于搜索的方法包括A搜索和动态编程（DP）。这些算法的许多高级应用已经将其影响力推到了顶峰，如混合A、双向A*、半优化A*和LQG框架。基于选择的方法通过寻找具有最优成本函数的候选者来决定下一步或几个步骤中的状态网格。贪婪选择和马尔可夫决策过程（MDP）系列方法通常、属于这一类。一种基于优化的方法将原始OCP离散化为数学程序（MP），其解为高分辨率状态网格。MP解算器进一步分为基于梯度的解算器和非基于梯度的求解器；基于梯度的求解器通常求解非线性规划、二次规划、二次约束二次规划和混合整数规划；基于非梯度的解算器通常由元启发式表示。多种先前的方法可以被组合以提供从粗略到精细的局部行为/运动规划策略。

原型生成通常表现为闭式规则、模拟、插值和优化。闭式规则代表通过具有闭式解的分析方法来计算基元的方法。典型的方法包括Dubins/Reed-Shepp曲线、多项式和理论最优控制方法。基于仿真的方法通过转发仿真生成轨迹/路径基元，转发仿真运行速度快，因为它没有自由度。基于插值的方法由样条曲线或参数化多项式表示。基于优化的方法在数值上求解小规模OCP，以连接两个状态网格。

状态网格识别和原型生成是构建轨迹的两个基本操作。这两种操作都可以以各种方式进行组织。例如，Kuwata等人将两种操作集成在迭代循环中；HU等人在在线状态网格识别之前离线构建基元图；Fan等人在生成连接基元之前识别状态网格。如果规划者只找到一条路径而不是一条轨迹，那么时间进程应该附加到计划的路径上，作为后处理步骤。这种策略被称为路径速度分解（PVD），之所以被广泛使用，是因为它将一个3D问题转换为两个2D问题，这在很大程度上促进了解决过程。相反，非PVD方法直接规划轨迹，这具有提高解决方案最优性的潜在优点。

在过去的几十年里，移动机器人运动规划领域已经取得了快速进展，这些理论进展也为自动驾驶技术的快速发展提供了支持。在自动驾驶技术的实现中，如何开发适合特定场景/任务的特定规划者，以及如何在上游/下游模块不完善的情况下规划安全轨迹是目前研究的热点问题。

总之，局部行为规划和局部轨迹规划是实现自动驾驶的关键技术之一。需要解决的问题包括如何优化状态网格识别和原型生成方法，如何开发适合特定场景/任务的特定规划者，以及如何在上游/下游模块不完善的情况下规划安全轨迹。在这些问题上的研究将有助于提高自动驾驶的性能和可靠性。

另一个需要注意的问题是，自动驾驶技术的实现需要同时考虑技术、法律和社会等多个方面的因素。例如，自动驾驶技术的安全性和隐私性问题需要得到保障，同时需要考虑自动驾驶技术的社会接受度和法律法规的制定等问题。因此，在推广自动驾驶技术的过程中，需要综合考虑多方面的因素，并在各方面建立有效的沟通和合作机制。

总的来说，局部行为规划和局部轨迹规划是实现自动驾驶的重要技术之一，其关键是优化状态网格识别和原型生成方法。当前研究的热点问题包括如何开发适合特定场景/任务的特定规划者，以及如何在上游/下游模块不完善的情况下规划安全轨迹。然而，需要注意的是，自动驾驶技术的实现需要同时考虑技术、法律和社会等多个方面的因素，需要综合考虑多方面的因素，并在各方面建立有效的沟通和合作机制。