在自动驾驶系统中，路径规划与控制算法是实现车辆自主导航的核心模块，两者紧密配合以实现安全、高效的行驶。以下从技术原理、典型方法及实际应用角度展开说明：

---

一、路径规划（Path Planning）

路径规划的目标是生成从起点到终点的可行轨迹，需综合考虑障碍物、交通规则、车辆动力学等因素。主要分为全局规划和局部规划两个层级：

1. 全局规划

   • 适用场景：长距离导航，如城市道路或高速公路行驶。

   • 典型算法：

     • A*算法：基于启发式搜索，通过代价函数（f(n) = g(n) + h(n)）平衡路径长度与目标导向性，适合结构化道路。

     • Hybrid A*：改进版本，结合连续空间搜索与车辆运动学约束，用于泊车等复杂场景。

   • 挑战：需处理高精度地图信息，动态障碍物适应性较差。

2. 局部规划

   • 适用场景：实时避障、变道、超车等动态场景。

   • 典型方法：

     • Lattice Planner（采样法）：横纵向解耦采样目标点，用五次多项式生成候选轨迹，通过代价函数（安全性、舒适性等）筛选最优解。

     • EM Planner（优化法）：分路径和速度两阶段优化，结合动态障碍物预测，适用于城市道路。

     • Frenet坐标系：以道路中心线为参考，简化轨迹生成与碰撞检测。

   • 关键步骤：

     • 轨迹生成：多项式/样条插值保证平滑性。

     • 碰撞检测：采用分离轴定理（SAT）或GJK算法。

     • 代价评估：综合障碍物距离、曲率、加速度等指标。

3. 前沿方向

   • 强化学习：通过试错学习复杂交互策略（如超车）。

   • 时空联合规划：直接生成时空轨迹，解决动态障碍物避让问题。

---

二、控制算法（Control Algorithm）

控制算法的任务是精准跟踪规划轨迹，输出方向盘转角、油门/刹车信号。核心分为横向控制与纵向控制：

1. 横向控制（Lateral Control）

   • LQR（线性二次调节器）：基于车辆动力学模型设计状态反馈，优化跟踪误差与控制量。

   • MPC（模型预测控制）：滚动优化未来时域内的控制序列，处理多约束（如曲率、加速度限制）。

   • Stanley算法：通过前轮反馈修正航向误差，适合低速场景。

2. 纵向控制（Longitudinal Control）

   • PID双环控制：外环计算目标加速度，内环调节油门/刹车。

   • 滑模控制：鲁棒性强，应对路面附着变化。

3. 融合控制

   • 动力学模型：二自由度模型（2-DOF）描述横摆与侧向运动。

   • 输入输出：规划轨迹（位置、速度、加速度）→ 控制量（方向盘转角、纵向加速度）。

---

三、实际应用与挑战

1. 典型场景

   • 高速公路巡航：Lattice + LQR实现稳定跟车。

   • 泊车：Hybrid A*生成初始路径，MPC优化跟踪。

   • 城市拥堵：EM Planner结合预测模块处理行人、车辆交互。

2. 技术瓶颈

   • 动态不确定性：障碍物意图预测误差影响规划鲁棒性。

   • 实时性：复杂场景下优化算法（如MPC）计算延迟。

   • 车辆动力学约束：高速下需兼顾轮胎力饱和与舒适性。

3. 发展趋势

   • 端到端学习：直接由感知输入生成控制信号（如Wayve方案）。

   • 车路协同：V2X信息提升规划前瞻性。

---

四、总结对比

类别	典型算法	优势	局限性
路径规划	A*、Hybrid A*、Lattice	结构化场景高效，支持动态避障	复杂交互场景需依赖预测模块
横向控制	LQR、MPC	模型驱动，稳定性高	MPC计算资源需求大
纵向控制	PID、滑模控制	简单易实现，响应快	非线性场景适应性弱

实际系统常采用混合策略（如Apollo的Lattice + MPC），结合搜索、优化与学习方法的优势，平衡安全性与计算效率。