自駕車運動規劃 是什麼？
Motion Planning for Autonomous Vehicles：自駕車運動規劃 的完整解釋
自駕車運動規劃是為自動駕駛車輛計算安全、可行且最佳行駛路徑的技術，確保車輛能避開障礙物並達成駕駛目標。
核心概念
自動駕駛車輛的運動規劃（Motion Planning）是自動駕駛系統中的核心決策層，其主要任務是在複雜且動態變化的環境中，為車輛計算出一條安全、可行、高效且符合交通法規的行駛軌跡。這個過程通常發生在環境感知（Perception）和行為預測（Prediction）之後，並在底層車輛控制（Control）之前。
運動規劃的目標是綜合考量多種因素，包括：
- 安全性：避免與靜態（如建築物、路緣）和動態（如其他車輛、行人、自行車）障礙物發生碰撞。
- 可行性：規劃出的軌跡必須符合車輛自身的動力學約束（如最大轉向角、最大加速度、最大減速度），確保車輛能夠物理上執行。
- 舒適性：避免急加速、急減速或急轉彎，提供平穩的駕駛體驗。
- 效率性：在保證安全的前提下，盡可能縮短行駛時間或優化能源消耗。
- 合法性：遵守所有相關的交通規則和法規（如車道保持、交通號誌、限速）。
運動規劃的輸入通常包括：
- 環境地圖：高精地圖提供道路拓撲、車道線、交通標誌等靜態信息。
- 障礙物信息：來自感知模組的靜態和動態障礙物的位置、速度、大小等。
- 車輛狀態：當前車輛的位置、速度、加速度、航向角等。
- 目標點/任務：由行為規劃層提供的目的地或特定任務（如變道、超車、泊車）。
其輸出則是一系列時間序列的車輛狀態，通常包括位置（x, y）、速度（vx, vy）、加速度（ax, ay）和航向角（yaw），這些數據將被傳遞給底層控制器以執行。
運動規劃通常採用分層結構：
- 全局規劃 (Global Planning)：基於高精地圖和目的地，計算一條從起點到終點的宏觀、粗略的路徑。這條路徑通常不考慮即時的動態障礙物，主要關注道路拓撲和靜態障礙物。
- 局部規劃 (Local Planning)：在全局路徑的引導下，結合當前環境感知（包括動態障礙物及其預測行為），在短時間窗內生成一條精確、即時可執行的軌跡。這是運動規劃中最具挑戰性的部分，需要快速響應環境變化。
運作原理
自動駕駛車輛的運動規劃是一個複雜的迭代過程，涉及多個模組的協同工作。其核心運作原理可以概括為以下幾個步驟：
環境感知與預測：
- 感知：透過多種感測器（如雷達、光達、攝影機）獲取環境數據，並利用電腦視覺和感測器融合技術，建立車輛周圍環境的即時模型。這包括識別道路邊界、車道線、交通標誌、交通號誌，以及檢測靜態障礙物（如路緣、建築物）和動態障礙物（如其他車輛、行人、自行車）。
- 預測：對於動態障礙物，預測模組會基於其歷史運動數據和行為模式，估計其在未來幾秒內的可能軌跡。這對於規劃車輛的避障行為至關重要。
行為決策 (Behavior Planning)：
- 在運動規劃之前，通常會有一個行為規劃層，負責更高層次的決策，例如決定車輛是應該保持車道、變道、超車、停車、轉彎還是執行其他特定任務。行為規劃會將這些決策轉化為運動規劃的目標和約束。
全局路徑規劃 (Global Path Planning)：
- 基於高精地圖和行為規劃提供的目的地，全局規劃器會計算一條從起點到終點的粗略路徑。這條路徑通常是幾何上的，不考慮車輛動力學或即時動態障礙物。
- 常用算法：Dijkstra算法、A算法、快速探索隨機樹（RRT/RRT）、機率路徑圖（PRM/PRM*）等。這些算法在離散化的地圖空間中搜索最短或最優路徑。
局部運動規劃 (Local Motion Planning)：
- 這是運動規劃的核心，目標是在全局路徑的引導下，結合當前感知的動態環境信息，生成一條在短時間窗內（通常是幾秒）可執行的精確軌跡。
- 主要方法：
- 基於採樣的方法 (Sampling-based methods)：在車輛的狀態空間（位置、速度、方向等）中隨機採樣點或軌跡，然後檢查這些採樣是否安全、可行，並選擇最佳者。RRT*、PRM* 及其變體是典型代表。它們擅長處理高維度空間和非凸障礙物。
- 基於圖搜索的方法 (Graph Search methods)：將連續的環境空間離散化為網格或圖，然後使用A*、Dijkstra或其變體（如Hybrid A*）在圖中搜索最佳路徑。Hybrid A*特別適合考慮車輛的非完整約束。
- 基於最佳化的方法 (Optimization-based methods)：將運動規劃問題轉化為一個最佳化問題，定義一個成本函數（Cost Function），該函數綜合考慮安全性（避免碰撞）、舒適度（平穩性）、效率（時間、能量）和交通規則。然後使用最佳化算法（如序列二次規劃SQP、內點法）來找到最小化成本函數的軌跡。模型預測控制（MPC）是此類方法的典型應用，它在每個時間步長重新最佳化軌跡。
- 基於有限狀態機/行為規劃 (Finite State Machine/Behavior Planning)：在某些系統中，局部規劃會與行為規劃緊密結合，透過一系列預定義的狀態和轉換規則來生成軌跡，例如在路口等待、變道超車等。
- 基於學習的方法 (Learning-based methods)：近年來，深度強化學習（DRL）被用於直接學習從感知輸入到車輛控制動作的映射，或用於最佳化傳統規劃器的參數。這種方法在處理複雜、非結構化環境時具有潛力，但訓練數據和泛化能力是挑戰。
軌跡評估與選擇：
- 局部運動規劃器通常會生成多條候選軌跡。
- 這些軌跡會根據預設的評估標準進行打分，包括：
- 安全性：是否與障礙物發生碰撞？是否保持足夠的安全距離？
- 可行性：是否符合車輛動力學約束？
- 舒適度：加速度、角速度是否平穩？
- 效率：是否能盡快到達目標？
- 與全局路徑的一致性：是否偏離全局路徑過遠？
- 交通規則：是否遵守限速、車道線等？
- 選擇得分最高的軌跡作為最終執行軌跡。
軌跡追蹤與控制：
- 選定的軌跡會被傳遞給底層車輛控制器。
- 控制器（如PID控制器、LQR、MPC）負責精確地操縱車輛的油門、剎車和方向盤，使其盡可能地沿著規劃好的軌跡行駛。這個過程需要即時反饋和修正，以應對外部擾動和車輛本身的誤差。
整個過程是一個連續的循環，自動駕駛車輛會不斷感知環境、預測、規劃並執行，以適應動態變化的駕駛條件。
實際應用
自動駕駛車輛的運動規劃技術是實現各種自動駕駛功能的基石，其應用範圍廣泛，涵蓋了從個人出行到工業運輸的諸多領域：
城市自動駕駛 (Urban Autonomous Driving)：
- 在複雜的城市交通環境中，運動規劃需要處理多種挑戰，包括：識別並響應交通號誌和標誌、處理行人、自行車、摩托車等非機動車輛、在擁擠路段進行車道保持和變道、安全通過路口和環島、應對突發狀況（如突然闖入的行人或車輛）。精確的運動規劃確保車輛在城市中安全、高效、合法地行駛。
高速公路自動巡航 (Highway Autonomous Cruising)：
- 在高速公路上，運動規劃主要負責車道保持、自適應巡航控制（ACC）、自動變道超車、匯入匯出匝道。相較於城市環境，高速公路的動態障礙物行為相對可預測，但高速行駛對規劃的即時性和精確性提出了更高要求。
自動泊車與代客泊車 (Automatic Parking and Valet Parking)：
- 運動規劃在狹小的停車空間內為車輛生成精確的泊車軌跡，包括平行泊車、垂直泊車和斜向泊車。系統需要考慮車輛的尺寸、周圍障礙物以及停車位的幾何形狀，規劃出多步操作（如前進、後退、轉向）的序列，確保車輛安全、準確地停入車位。代客泊車則更進一步，允許車輛在指定區域內自主尋找並停入空閒車位。
物流配送與無人運輸 (Logistics Delivery and Autonomous Transport)：
- 無人配送車輛（如快遞機器人、無人卡車）在園區、港口、礦區或城市特定區域內執行貨物運輸任務。運動規劃確保這些車輛能夠在預定路徑上安全行駛，避開人員和設備，並高效完成配送或運輸。例如，在港口，無人集裝箱卡車需要精確規劃路徑，將集裝箱從堆場運送到碼頭。
農業機械自動化 (Agricultural Machinery Automation)：
- 自動駕駛技術也被應用於農業機械，如無人拖拉機、播種機和收割機。運動規劃為這些機械設備規劃精準的作業路徑，確保它們能夠高效、均勻地耕作、播種或收割，減少重複作業和資源浪費，提高農業生產效率。
工業巡檢與服務機器人 (Industrial Inspection and Service Robotics)：
- 在工廠、倉庫或大型設施中，自動巡檢機器人需要規劃路徑以檢查設備、監控環境。服務機器人（如清潔機器人、導覽機器人）也需要運動規劃來在複雜人機共存的環境中安全導航和執行任務。
這些應用都依賴於運動規劃系統能夠在多變的環境中，即時生成安全、高效且符合特定任務需求的車輛軌跡。
常見誤區
在理解和實踐自動駕駛車輛的運動規劃時，存在一些常見的誤區，這些誤區可能導致系統設計上的缺陷或對其能力產生不切實際的期望：
將運動規劃與控制混淆：
- 誤區：認為運動規劃就是車輛的實際操縱。
- 事實：運動規劃是決定「車輛應該去哪裡」以及「如何以最佳方式到達那裡」，生成的是理想的軌跡。而控制（Trajectory Tracking Control）則是負責「如何精確地執行這條軌跡」，即透過操縱油門、剎車和方向盤，讓車輛盡可能地貼合規劃的軌跡。兩者是緊密相連但功能不同的模組。
忽略車輛動力學約束：
- 誤區：規劃出的路徑只要幾何上可行即可。
- 事實：規劃出的軌跡必須是車輛物理上可實現的。例如，車輛不能瞬間轉向90度，也不能瞬間從靜止加速到高速。運動規劃必須考慮車輛的最大轉向角、最大加速度、最大減速度、輪胎抓地力等動力學約束，否則規劃出的軌跡將無法被底層控制器執行，甚至導致危險。
假設環境是靜態或完全可預測的：
- 誤區：規劃器只需處理靜態障礙物，或能精準預測所有動態障礙物的行為。
- 事實：現實世界充滿動態和不確定性。行人可能突然出現，其他車輛可能做出意想不到的動作。運動規劃器必須具備強大的即時響應能力和對不確定性的魯棒性，能夠在短時間內重新規劃或調整軌跡以應對突發情況。過度依賴完美的預測會導致系統脆弱。
過度依賴單一規劃算法：
- 誤區：存在一種「萬能」的運動規劃算法，適用於所有場景。
- 事實：沒有一種算法能完美解決所有複雜的駕駛場景。例如，基於採樣的算法在高維度空間中表現良好，但可能效率不高；基於最佳化的算法能生成平滑軌跡，但計算成本較高。成功的自動駕駛系統通常採用多種算法的組合和分層結構，針對不同場景和需求選擇或切換最合適的規劃策略。
安全性與效率的簡單權衡：
- 誤區：只要足夠安全，效率可以完全犧牲；或者為了效率可以犧牲一點安全。
- 事實：安全性是自動駕駛的首要原則，任何情況下都不能妥協。然而，過於保守的規劃會導致效率極低，甚至無法完成任務（例如，在擁擠路口永遠不敢通過）。運動規劃的挑戰在於在確保絕對安全的前提下，找到最佳的效率和舒適度平衡點。這不是簡單的二選一，而是複雜的多目標最佳化問題。
對感測器數據的完美假設：
- 誤區：感測器提供的信息是完全準確、無噪音且無遺漏的。
- 事實：感測器數據總是有噪音、誤差和盲區。感知模組可能存在誤檢測、漏檢測或定位不準確。運動規劃器必須能夠處理這些不確定性，並具備一定的魯棒性，例如透過設定安全裕度、使用機率模型或融合多源信息來降低風險。
理解這些誤區有助於更全面、更務實地看待自動駕駛運動規劃的挑戰與潛力。
與相關技術的比較
運動規劃在自動駕駛系統中並非獨立存在，它與多個關鍵技術模組緊密協作，共同構成完整的自動駕駛解決方案。理解其與這些相關技術的區別和聯繫至關重要。
與感知 (Perception) 的比較：
- 感知：負責「看到」並「理解」車輛周圍的環境。它利用感測器（如攝影機、雷達、光達）檢測和識別道路、車道線、交通標誌、交通號誌，以及靜態和動態障礙物（其他車輛、行人、自行車），並估計它們的位置、速度和類別。感知是運動規劃的「眼睛」。
- 運動規劃：基於感知模組提供的環境信息，決定「如何行動」。它將感知到的障礙物位置、道路結構等信息作為輸入，計算出安全、可行的行駛軌跡。
- 關係：感知是運動規劃的前提和基礎。沒有準確、即時的感知信息，運動規劃就無法做出正確的決策。感知的誤差會直接影響運動規劃的質量和安全性。
與預測 (Prediction) 的比較：
- 預測：負責「預測」動態障礙物在未來一段時間內的可能行為和軌跡。例如，預測前方車輛是否會變道、行人是否會穿越馬路。這通常基於歷史數據、行為模型和環境上下文。
- 運動規劃：利用預測模組提供的未來行為信息，提前規劃車輛的動作。例如，如果預測到前方車輛將要變道，運動規劃可以提前減速或調整車道，而不是等到衝突發生時才反應。
- 關係：預測是運動規劃的重要輸入。特別是在處理動態和複雜交通場景時，準確的預測使得運動規劃能夠從反應式避障轉變為預防式規劃，顯著提高安全性和舒適性。
與行為規劃 (Behavior Planning) 的比較：
- 行為規劃：負責更高層次的「決策」，決定車輛的「意圖」或「駕駛策略」。例如，在路口是直行、左轉還是右轉？是否需要變道超車？是否要停車等待？它將抽象的駕駛任務分解為一系列具體的行為目標。
- 運動規劃：將行為規劃的「意圖」轉化為具體的「可執行軌跡」。例如，行為規劃決定「變道超車」，運動規劃則計算出從當前車道安全變道到目標車道並完成超車的精確軌跡。
- 關係：行為規劃是運動規劃的上層指導。它為運動規劃設定了目標和約束，運動規劃則負責將這些高層次意圖細化為底層可執行的動作序列。
與控制 (Control) 的比較：
- 控制：負責「執行」運動規劃生成的軌跡。它接收規劃好的軌跡作為參考，然後透過精確控制車輛的油門、剎車和方向盤，使車輛盡可能地沿著這條軌跡行駛。控制系統需要處理車輛的實際動力學、外部擾動和感測器誤差，以實現精確的軌跡追蹤。
- 運動規劃：生成「理想的」行駛軌跡。
- 關係：運動規劃是控制的指令來源。兩者是緊密的「決策-執行」關係。規劃出的軌跡必須是可控的，而控制系統的精度則直接影響車輛能否準確遵循規劃。
與地圖 (Mapping) 的比較：
- 地圖：提供車輛運行環境的靜態或半靜態信息，特別是高精地圖（HD Map），包含道路拓撲、車道線、交通標誌、路緣、建築物等詳細幾何和語義信息。
- 運動規劃：利用地圖信息來理解道路結構、交通規則，並進行全局路徑規劃。地圖為規劃器提供了重要的上下文信息，幫助其在複雜路網中導航。
- 關係：地圖是運動規劃的重要參考。尤其對於全局路徑規劃，地圖是不可或缺的基礎數據。
總之，運動規劃是自動駕駛系統的「大腦」，它整合了來自感知、預測和地圖的信息，並在行為規劃的指導下，生成具體的行動方案，最終由控制模組來執行。這些技術模組相互依賴、協同工作，共同實現自動駕駛的功能。