这篇文章告诉我们，无人驾驶车是怎么规划路线的。说白了，这就是一套让车自己走路的完整系统。你把人类和车辆的大脑想成是一个金字塔，决策层有四层。第一层叫路线规划，就是把整个城市变成一个带权图。每条道路都是边，权重可能是距离、时间或者通行费。工程师们用Dijkstra和A算法算出最短路径。第二层叫行为决策，让车辆看懂行人、自行车还有其他司机的下一步动作。谷歌之前用高斯混合模型，后来又用高斯过程回归和意图学习模型来预测这些不确定性。第三层是运动规划，把刚才决定的行为翻译成实际可行的轨迹。比如你要巡航、变道或者右转，都要在这一层算出一条动态可行、乘客舒适、避开障碍的路径。最后一层就是控制了，让车辆稳稳跑在轨迹上。 运动规划有三大流派：路径、轨迹和增量搜索。路径规划关心的是从初始状态安全抵达目标区域。 这次咱们换个说法：如果可行路径只满足约束就好了；如果是最优路径，就是要在约束内找到成本最低的解。数值方法有三种：变分迭代法、图搜索法还有增量搜索法。变分迭代法把路径参数化成有限维函数；图搜索法把配置空间离散成图；增量搜索法像种树一样层层扩展可达空间直到目标区域。 轨迹规划给动态环境打上时间戳。当车辆在动的时候，就在时域上做文章了。轨迹规划把空间图扩展成时空图。 最后一个流派是增量搜索。它的独门兵器就是RRT（Rapidly-exploring Random Trees），随机采样加上转向函数组合起来使用。 控制层面也是很关键的。反馈闭环才是核心。路径稳定控制把车道线偏差压到零；轨迹稳定控制对横摆角、侧偏角和轮胎力进行精细调节；鲁棒性设计能应对模型误差、路面湿滑还有传感器噪声等问题。 把决策、运动和控制这三个部分拼在一起就成了无人驾驶的完整大脑了。