1. 从“规划”到“控制”一个被误解的闭环在自动驾驶、机器人乃至工业自动化领域“规划控制”这四个字常常被连在一起提及仿佛它是一个浑然一体的单一模块。很多刚入行的朋友甚至一些有经验的工程师也容易将其简化为“路径规划轨迹跟踪”的线性流程。但在我十多年的项目实践中我发现真正理解“规划”与“控制”之间的理论分野与工程耦合是决定一个移动智能体无论是车还是机器人表现是否“聪明”与“可靠”的分水岭。规划控制绝非简单的上下游关系而是一个充满动态博弈、多目标优化和实时决策的复杂理论体系。简单来说规划Planning解决的是“去哪儿”和“怎么去”的战略与战术问题它在一个充满不确定性的环境中寻找从起点到目标点的一条或多条可行、甚至最优的“路线”。而控制Control解决的是“如何精确地沿着既定路线走”的执行问题它关注的是如何驱动底层执行器如方向盘、油门、刹车、电机以应对外部扰动如侧风、路面不平和内部模型误差确保实际运动紧紧“咬住”期望的轨迹。这个体系的核心价值在于它将高层的智能决策与底层的精准执行串联起来构成了智能体自主行为的“大脑”与“小脑”。无论是希望深入自动驾驶算法的新人还是寻求系统性能突破的资深开发者厘清这个理论体系的脉络都至关重要。2. 规划层在不确定性中寻找最优解的艺术规划层是智能体的“决策大脑”它的输入是感知层提供的环境信息障碍物、车道线、交通规则等和定位层提供的自身状态输出是一条面向未来的、时空连续的参考轨迹。这条轨迹不仅要无碰撞、符合交通法规还应兼顾舒适性、效率等多重目标。规划理论体系庞大但可以从几个核心维度来拆解。2.1 规划空间的演变从二维到时空联合最基础的规划是在二维x, y空间进行的比如在地图上找一条避开静态障碍物的最短路径A*、Dijkstra等搜索算法在此大放异彩。但这对动态的、高速的移动机器人来说远远不够。因为忽略了时间维度无法处理动态障碍物的交互。于是规划空间演进到了三维x, y, t时空域。在这片空间里障碍物不再是静止的方块而是随着时间延伸的“时空隧道”规划的任务就是在这些隧道之间找到一条安全通道。更进一步是状态空间规划例如x, y, θ, v, κ空间其中θ是航向角v是速度κ是曲率。在这种高维空间中规划能直接生成满足车辆运动学甚至动力学约束的轨迹避免了后续控制层难以跟踪的“急转弯”指令。主流的状态栅格搜索如Hybrid A*和基于采样的方法如RRT*都是在这个层面工作。我的经验是对于结构化道路如高速公路在Frenet坐标系沿参考车道线的纵向s和横向l坐标下进行规划更为高效因为它天然地将车道约束解耦了。2.2 优化目标的博弈安全、舒适与效率的三角平衡规划从来不是找一条“能走”的路而是找一条“最好”的路。这里的“好”由代价函数Cost Function定义它是多目标博弈的战场安全性代价通常用与障碍物静态和动态的距离函数来表示距离越近代价越高甚至在一定距离内代价趋于无穷大硬约束。舒适性代价主要体现在轨迹的平滑度上。对车辆而言乘客的舒适度与加加速度Jerk密切相关。因此规划中常会最小化轨迹的jerk加速度的变化率或曲率的变化率。一条频繁剧烈加减速或左右摇摆的轨迹即使安全体验也极差。效率代价通常指到达目标的时间或轨迹的长度。在保证安全舒适的前提下尽可能快地到达。规则代价偏离车道中心线、违反交通标志如压线都会产生代价。实操心得设计代价函数是规划算法的灵魂也是调参的“重灾区”。初期很容易出现某个代价项权重过高导致规划器行为怪异。比如过度强调舒适性jerk权重太大车辆可能变得异常“慵懒”在需要果断超车时犹豫不决。我的建议是采用分层调参先确保安全性碰撞代价权重最高再调舒适性最后微调效率。并且一定要在大量边缘场景cut-in 近距离加塞等下测试代价函数的鲁棒性。2.3 主流规划方法论搜索、采样与优化的交响曲目前工业界和学术界主流的规划方法可以归为三类它们各有优劣常常结合使用。基于搜索的方法如Hybrid A*。它将连续状态空间离散化在考虑车辆非完整约束不能横向移动的网格中搜索一条从起点到终点的路径。优点是完备性强如果解存在大概率能找到路径质量较高。缺点是计算量随状态维度和精度指数级增长不适合实时性要求极高的场景。基于采样的方法如RRT快速探索随机树及其变种RRT*。通过在状态空间中随机采样并连接节点来构建一棵树最终找到一条路径。RRT*通过“重布线”优化能渐进趋向最优。优点是能快速探索高维空间对复杂环境适应性强。缺点是路径可能不够平滑且具有随机性每次运行结果可能不同。基于优化的方法这是目前量产方案的主流尤其是数值优化。它将规划问题形式化为一个带约束的优化问题最小化代价函数同时满足动力学约束、碰撞避免约束等。常用二次规划QP或序列二次规划SQP求解。例如在Frenet坐标系下分别对纵向s-t和横向l-s轨迹进行多项式如五次多项式参数化然后优化多项式系数。纵向s-t规划决定“什么时候到哪个位置”。它需要预测动态障碍物的未来轨迹并在s-t图上规划出安全、高效的速度剖面处理跟车、超车、停车等场景。横向l-s规划决定“在车道内如何横向移动”。它生成一条平滑的横向偏移曲线用于换道、避让静止障碍物等。基于优化的方法能直接生成非常平滑、符合车辆特性的轨迹且效率高。但它的效果严重依赖于初始解热启动的质量和约束建模的准确性。一个糟糕的初始解可能导致优化失败无解或陷入局部最优。3. 控制层将理想蓝图转化为精准动作的工程如果规划层给出了“理想蓝图”那么控制层就是一丝不苟的“施工队”。它的核心任务是给定一条规划好的参考轨迹包括位置、速度、加速度等信息通过计算控制指令如方向盘转角、油门/刹车开度使车辆的实际状态尽可能快地、无静差地跟踪上参考状态。这是一个典型的轨迹跟踪Trajectory Tracking问题。3.1 车辆模型控制的基石任何控制器的设计都始于对被控对象的建模。对于车辆常用的模型有运动学自行车模型忽略轮胎力与车辆动力学只考虑几何关系。它简单在低速下足够准确常用于泊车等场景。模型状态通常为x, y, θ, v控制输入为前轮转角δ和加速度a。动力学自行车模型考虑轮胎的侧偏特性引入车辆横摆动力学。它更复杂但在中高速下更能反映车辆真实行为。模型会涉及质心侧偏角、横摆角速度等状态。选择哪种模型取决于车速和精度要求。在高速巡航时忽略动力学会导致控制器性能下降甚至不稳定。3.2 主流控制算法PID、LQR与MPC的战场PID控制经典且强大。在横向控制中常用纯追踪Pure Pursuit和斯坦利Stanley方法它们本质上是基于几何关系的PD控制器。纯追踪预瞄一个前方点计算转角使车辆朝向该点斯坦利法则同时考虑航向误差和横向误差。PID调参简单但处理复杂约束和非线性能力弱。线性二次调节器LQR这是状态空间法下的最优控制器。它需要对非线性车辆模型在参考轨迹点附近进行线性化得到一个时变的线性系统。LQR通过求解一个Riccati方程得到最优的状态反馈增益矩阵K控制律为 u -Kx。LQR能很好地平衡跟踪误差和控制量大小理论优美。但它的性能依赖于线性化模型的准确性且在轨迹曲率变化大时由于需要频繁重新线性化计算负担和切换可能带来抖动。模型预测控制MPC这是当前业界的“明星”控制器也是我个人在复杂场景下最推崇的方法。MPC的核心思想可以概括为“边走边看滚动优化”预测在每个控制周期基于当前车辆状态和车辆模型预测未来一段有限时域预测时域内的系统行为。优化在预测时域内求解一个带约束的优化问题最小化跟踪误差、控制量变化等目标同时满足动力学、执行器方向盘转角/速度极限等约束。执行只取优化序列中的第一个控制指令施加给车辆到下一时刻重复此过程。MPC的强大之处在于它能显式地、前瞻性地处理多变量、带约束的优化问题。例如它可以轻松处理“方向盘转角不能超过500度/秒”这样的执行器速率约束而PID或LQR处理起来很麻烦。此外MPC可以自然地融入对未来参考轨迹的“预见”提前做出柔和的调整。当然MPC的代价是更高的计算复杂度需要高效的QP求解器。3.3 纵向与横向控制的解耦与耦合传统上常将控制问题解耦为独立的纵向速度跟踪和横向路径跟踪控制。纵向多用PID控制油门刹车横向用上述的几何或模型方法控制方向盘。这种解耦设计简单在大多数场景下有效。但在极限工况下如高速过弯、低附着路面纵向和横向动力学耦合严重。轮胎的摩擦圆理论表明轮胎提供的合力有限加速/刹车纵向力和转弯侧向力会相互竞争。此时更高级的耦合控制或集成动力学控制是必要的MPC是实现这类控制的天然框架因为它可以在一个优化问题中同时处理纵向和横向的变量与约束。4. 规划与控制的交互理论接口与工程现实规划与控制并非简单的“发令-执行”关系。它们之间的交互设计直接影响整个系统的性能和鲁棒性。这里有几个关键的理论与实践结合点。4.1 接口设计轨迹的“信息量”传递规划层应该给控制层传递什么样的轨迹这决定了控制的精度上限。最小信息路径点序列x, y。控制层需要自己通过差分计算速度和曲率噪声大且不准确。标准信息带时间戳的轨迹点x, y, θ, v, κ。包含了位置、航向、速度和曲率控制层可以直接使用。这是最常见的接口。丰富信息除了上述还包括加速度a、加加速度jerk甚至更高阶导数。这为控制层尤其是MPC提供了更准确的未来状态预测有利于提高跟踪精度和舒适性。我的经验是至少传递到曲率κ。因为车辆的方向盘转角与路径曲率直接相关通过阿克曼几何或动力学模型。缺少曲率信息控制层需要做二次微分会放大噪声。4.2 反馈闭环为什么控制需要“抱怨”一个健壮的系统必须要有反馈。控制层在跟踪轨迹时会遇到各种现实问题执行器饱和、路面打滑、模型失配等。它不应该默默承受而需要将“跟踪误差过大”、“控制量已达极限”等信息反馈给规划层。这就是闭环规划的概念。例如当控制层发现由于路面湿滑车辆横向误差持续增大无法跟踪当前规划出的激进换道轨迹时它可以向上反馈。规划层接收到这个反馈后可能触发一次重规划生成一条更平缓、曲率更小的轨迹。或者在MPC框架下可以直接将执行器约束和跟踪误差作为优化问题的一部分实现规划与控制更紧密的耦合。4.3 重规划与应急机制世界是动态的。规划层基于t时刻的环境信息做出的轨迹在tΔt时刻可能因为突发障碍物而变得不再安全。因此规划控制体系必须包含重规划Replanning机制。常见的策略有周期性重规划以固定频率如10Hz重新运行规划器使用最新的感知和状态信息。事件触发重规划当检测到重大环境变化如新的障碍物闯入路径、或跟踪误差超过阈值时立即触发重规划。重规划的一个巨大挑战是轨迹连续性。新的轨迹必须与车辆当前状态平滑连接否则会给控制层带来一个不可跟踪的跳变指令导致车辆抖动。这通常通过在优化问题中将车辆当前状态作为轨迹的起始约束来实现。5. 前沿挑战与实战中的“坑”理论体系看似清晰但一到实战各种挑战和“坑”就接踵而至。这里分享几个我深有体会的点。5.1 预测的不确定性规划最大的敌人规划尤其是行为决策和运动规划极度依赖于对动态障碍物其他车辆、行人未来行为的预测。然而预测本质上是高度不确定的。常见的预测模型有恒定速度/加速度模型最简单但假设过于理想。基于车道的模型假设车辆会保持在车道内行驶对于换道预测不准。交互式多模态预测考虑周围车辆之间的相互影响并给出多种可能的未来轨迹及其概率如使用深度学习模型。规划器如何处理这种不确定性粗暴的做法是假设最坏情况其他车总是以最危险的方式运动但这会导致规划器过于保守车辆“寸步难行”。更合理的方法是进行风险感知的规划。例如不是将预测轨迹视为一个确定的“时空隧道”而是将其视为一个概率分布。规划器的代价函数中与障碍物碰撞的代价不再是二元的碰/不碰而是与碰撞概率相关。这样规划器会在风险与效率之间做出更精细的权衡。5.2 计算实时性与精度的权衡规划控制算法特别是优化类方法MPC、非线性优化计算量巨大。在车载计算平台域控制器资源有限的情况下必须在算法精度和实时性之间做出妥协。降低优化维度例如在MPC中缩短预测时域、减少优化变量。简化模型使用更简单的车辆动力学模型。热启动技术用上一时刻的优化解作为本次优化的初始猜测可以大幅减少求解器的迭代次数。使用更高效的求解器针对QP问题有OSQP、qpOASES等专门的高效求解库。在项目中我们通常会在离线阶段用高精度模型和长时域进行算法验证和调参在部署时根据芯片算力对模型和参数进行降阶和裁剪并通过大量实车测试来确保性能衰减在可接受范围内。5.3 参数调试科学与艺术的结合规划控制模块有大量参数代价函数的权重、规划器的步长与分辨率、控制器的预测时域、各种阈值等等。调试这些参数是一个既需要理论指导又需要工程经验的过程。敏感性分析逐个调整参数观察系统输出的变化理解每个参数的物理意义。例如增大轨迹平滑项的权重车辆行为会变得更“柔和”。场景化调试不要只在简单场景下调参。要构建一个覆盖典型操作设计域ODD的场景库包括跟车、停走、换道、环形路口、避让行人等。在每个场景下验证参数集的性能。数据驱动调参记录实车运行数据分析不良案例如急刹、画龙反向定位是规划还是控制的问题再针对性地调整参数。有时甚至需要根据数据重新标定车辆模型参数如轮胎侧偏刚度。规划控制的理论体系为智能体的自主移动提供了坚实的框架但将其成功应用于产品考验的是工程师对理论深度的理解、对工程细节的把握以及在复杂现实中做权衡取舍的智慧。这个领域没有银弹唯有在扎实的理论基础上通过大量的实践、试错与迭代才能打磨出在真实世界中既安全又舒适的智能行为。