# 自动驾驶决策规划模块详解：从全局路径到运动轨迹 自动驾驶系统中，决策规划模块是衡量和评价自动驾驶能力最核心的指标之一。它如同人类的大脑，在接收到传感器（眼睛和耳朵）传来的各种感知信息后，对当前环境进行分析，然后向底层控制模块下达指令，最终决定车辆如何行驶。典型的决策规划模块可以分为三个层次：全局路径规划、行为决策、运动规划。本文将逐一介绍每个层次的核心作用、常见算法，并对比优劣，帮助你构建完整的知识体系。 --- ## 一、全局路径规划（Route Planning） 全局路径规划的任务是：在给定车辆当前位置与终点目标后，通过搜索选择一条最优的路径。这里的“最优”可能指路径最短、时间最快等条件。这类似于我们常用的导航功能，但自动驾驶使用的是包含每条车道详细信息的高精地图。常见的全局路径规划算法包括 Dijkstra 算法 和 A* 算法，以及它们的多种改进版本。 ### 1. Dijkstra 算法 由计算机科学家 Edsger W. Dijkstra 在1956年提出，用于寻找图中节点之间的最短路径。 - **原理**：计算每个节点距离起点的总移动代价，并使用优先队列，每次从队列中选出代价最小的节点作为下一个遍历节点，直到到达终点。 - **优点**：给出的路径是最优的。 - **缺点**：计算时间复杂度较高（O(N²)），因为没有明确方向，向周围进行探索。 ### 2. A* 算法 为了解决 Dijkstra 搜索效率低的问题，1968年由 Stanford 研究院的 Peter Hart、Nils Nilsson 和 Bertram Raphael 提出。A* 算法通过一个启发函数引导搜索过程，计算每个节点的综合优先级： ``` f(n) = g(n) + h(n) ``` - `f(n)`：节点 n 的综合优先级（值越小，优先级越高） - `g(n)`：节点 n 距离起点的代价 - `h(n)`：节点 n 距离终点的预计代价（启发函数） > **