本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

寫在前面&筆者的個人理解

運動規劃是自動駕駛模塊化架構的重要組成部分，是上游感知模塊和下游控制信號之間的橋梁。傳統的運動規劃最初是為特定的自動駕駛功能（ADF）設計的，但高級自動駕駛系統（ADS）的發展趨勢需要各種ADF的運動，包括不可預見的運動。這種需求推動了相關“混合”方法的發展，試圖通過結合各種技術來提高運動規劃性能，如數據驅動（基于學習）和邏輯驅動（分析）方法。最近的研究成果為開發更高效、準確和安全的戰術決策（TDM）和軌跡生成（TG）混合方法以及將這些算法集成到運動規劃模塊中做出了重大貢獻。由于混合方法的廣泛多樣性和潛力，本綜述強調了對當前文獻的及時和全面的回顧。我們根據混合運動規劃包含的組件類型對其進行分類，例如基于采樣和基于優化/基于學習的運動規劃的組合。通過評估所解決的挑戰和局限性，以及評估它們是否側重于TG和/或TDM，對不同類別進行比較。我們希望這種方法將使該領域的研究人員能夠深入了解混合運動規劃的當前趨勢，并為未來的研究提供有希望的領域。

運動規劃背景

模塊化系統架構是設計和實現自動駕駛系統（ADS）的常用模型，其中幾個子系統專門用于自動駕駛的不同任務。模塊化架構將復雜的運動規劃問題分解為戰術決策（TDM）和軌跡生成（TG）。這簡化了運動規劃的設計，但也必須考慮TDM和TG之間的相互作用。ADS運動模塊的代表性模塊化系統架構，包括全局路線規劃、TDM和TG之間的相互作用，如圖1所示。全局路線規劃器模塊負責使用離線/在線地圖，通過道路和路徑，計算起點和終點坐標之間的最佳路線。全局路線通常由路點組成，不提供任何進一步的細節，此外，它只取決于當前坐標、端點和可行路徑。全局路線規劃僅按需調用（見圖1中的輸入信號A1），即，每當指定路線不再可行時，例如，由于即將發生的交通堵塞或道路工程。其他兩個主要組件，即TDM或行為層，和TG相互作用，為車輛的低電平控制提供參考信號，以激勵其致動器（見圖1中的信號D和O1）。

接下來，在定義了AV中控制系統的運動規劃和I/O中使用的關鍵技術術語之后，詳細描述了TDM和TG模塊的作用。

A.術語

• 車輛在2D平面空間中的配置包括其位置和方向，其唯一地確定了車輛的每個點在空間中的位置。配置可以用笛卡爾（全局或局部）坐標表示（圖2）、極坐標、Frenet框架等。
• 狀態是指車輛的運動學，如位置、速度、加速度等。車輛的配置可以是其狀態的子集。
• 根據車輛在車輛周圍物理空間中的碰撞檢查，車輛的配置空間分為以下三個子集：自由空間、碰撞空間和未知空間。
• 路徑被定義為來自自由（或未知）空間的一組配置，與時間等任何其他變量無關。
• 軌跡定義為車輛狀態空間中的一組狀態。圖2中的紅色曲線顯示了軌跡，該曲線上的每個點都對應于一個特定的狀態（作為時間的函數）。
• 運動是指車輛狀態的任何變化。
• 動作是可用于操縱車輛運動的所有可能的控制命令。
• 機動是指車輛運動的特征或特征，如摩托車并線、超車、轉彎、變道等。
• EGO車輛（EV）是指規劃算法針對周圍所有其他車輛和道路參與者設計的受控車輛。
• 由于車輛的運動學，非完整約束限制了兩種狀態之間可能的軌跡。在這樣的系統中，導致一個狀態的軌跡會影響該狀態。在AV的情況下，3D配置（2D位置和偏航方向）僅由兩個輸入（節氣門/制動器和轉向角）控制。當約束不能集成到運動方程中時，就會發生這種情況。
• 運動基元是一組預定義/預先計算的離散軌跡，EV可以從給定狀態中獲取這些軌跡。

B.戰術決策（TDM）功能

原則上，TDM功能負責根據感知的駕駛環境計算車輛的最佳行為，例如，在圖3所示的示例中，決定是變道還是保持車道。獲得對周圍區域的全面了解是在動態駕駛環境中做出正確反應的先決條件。上下文感知決策是自動化和自主之間的主要區別，前者的概念是指在特定條件下自動控制系統行為的能力，后者還包括系統對環境中的意外變化做出適當反應的能力。TDM層的傳統設計基于有限數量的可能駕駛場景中的有限選擇或決策。最近的方法試圖在設計中增加自主性，并解決車輛在意外情況下的行為，在這種情況下，駕駛環境無法在任何預定狀態下進行分類。第三節進一步闡述了用于運動規劃的傳統和最新TDM方法。此外，TDM輸出也可用于其他目的，例如通過視覺顯示激活意圖信號，以告知其他道路用戶EGO車輛的操縱意圖（圖1中的信號O2），或通過修改感興趣的傳感器注意力區域（圖1的信號O3）來優化傳感器覆蓋區域。

C.軌跡生成（TG）函數

軌跡通常被定義為物體穿過空間的“路徑”，作為“時間”的函數。這就是為什么在一些技術文本中，軌跡也被稱為“時空”函數的原因。雖然路徑和軌跡在空間域（可駕駛區域）中的幾何表示相同（見圖2），但軌跡包括車輛的額外運動學（時間）信息（狀態）。在AV的情況下，工作空間或物理空間（道路網絡）通常是平面的（2D），配置空間是3D的，其中兩個坐標表示車輛重心的位置，第三個坐標表示繞法向軸的旋轉。不同的TG方法可能需要使用例如Voronoi鑲嵌、成本圖或狀態格的物理空間的不同表示。TG過程負責計算低電平控制要跟蹤的最終信號，見圖1中的信號D，它將最終動作應用于AV的執行器。然而，在（動態）基于模型的方法中，如后退地平線規劃和控制，最終的反饋/前饋控制被集成到規劃模塊中，輸出信號被直接饋送到致動器中。

現有方法的分類

如圖四所示現有方法可以分為端到端方法和模塊化兩大類方法。

A. Traditional Methods

1) TDM Algorithms

• Regulation-based Methods
• Route-based Methods
• Manoeuvre-based Methods

基于規則和路線的TDM方法分別由高級模塊（如在線/離線駕駛法規和全球路線規劃系統）直接處理，它們被稱為基于自動化的決策。這些方法通常獨立于TG模塊進行設計和操作。相反，基于機動的TDM方法與TG相互作用并影響TG，被稱為基于自主的決策。由于TDM和TG之間的相互作用，出現了一些新的挑戰，在復雜環境中對車輛進行實時控制的過程中，這些挑戰變得更加難以解決。例如，TG過程的輸出可能與TDM選擇的機動相矛盾，或者，TDM可以在不考慮軌跡的可行性/可容許性的情況下做出決策。一些研究已經通過使用拓撲感知技術將TDM和TG相結合，或者通過為每個機動組生成軌跡來解決這一挑戰。因此，不建議在不考慮該過程與TG之間的聯系的情況下決定操縱。

2) TG Algorithms

TG算法大多基于局部路徑規劃。為AV開發的第一個TG過程類似于路徑規劃方法，這就是為什么一些研究人員表示，TG挑戰可以通過能夠處理差分約束（考慮額外的時間變量）的路徑規劃技術來處理。在大量研究中，基于邏輯的TG算法（圖4）是使用以下四種方法之一開發的：基于樣本、基于搜索、基于優化和勢場（PF）方法，這些方法將在以下段落中進一步討論和審查。

• Sampling Methods：這些方法是為移動機器人運動規劃體驗開發的首批算法之一。大多數為AV實現這種方法變體的現代參考文獻都受到DUC的啟發。基于采樣的方法通過使用碰撞檢測模塊的采樣方法來探索環境，以決定樣本序列是否在物理空間上構造有效配置。示例見圖5（b）。采樣方法計算高效，易于實現，可以進一步分為隨機采樣和確定性采樣。
• Search Methods：基于搜索的方法通過使用一組運動基元（AV的預先計算的運動）來離散周圍環境，例如道路網絡，然后應用基于圖的搜索策略，例如Dijkstra或A*族算法，以根據運動規劃的啟發式或目標來找到最佳路徑或軌跡。示例見圖5（c）。在基于搜索的方法中，處理車輛的運動學約束取決于用于構建搜索圖的運動基元。提出了一些修改，如混合狀態A*族算法，以考慮AVs中的非完整運動學。與基于樣本的方法不同，基于搜索的方法需要提前了解道路網絡的拓撲結構。
• Optimization Methods：基于優化的TG旨在解決基于樣本和基于搜索的算法的缺點，即分別存在次最優和非光滑性。在基于確定性采樣的方法中，候選軌跡是預定義的，并且不符合新環境。相反，基于優化的方法在連續的空間中工作，并且隨著環境的變化更加靈活。消極的一面是，它們通常在計算上是昂貴的，并且由于計算周期之間的結果振蕩，它們可能會導致不穩定的行為。
• Potential Field (PF) Methods：與其他傳統的運動規劃方法一樣，PF被引入機器人領域。Khatib等人提出了一種避障運動規劃方法，在該方法中，他們分別為障礙物和目標分配排斥和吸引PF，并使用它們在機械手和移動機器人的配置空間中導航。基于PF的方法的主要優點在于其簡單性，它提供了具有幾個障礙物、不規則幾何形狀和邊界的復雜環境的抽象，使它們成為運動規劃算法所需要的。然而，盡管有改進版本，它們的主要缺點是存在局部極小陷阱，排斥力和吸引力相互抵消，從而阻礙了實現目標的進展。

B.人工智能與基于學習的方法

在深入研究混合運動規劃方法之前，我們在本節中討論了另一類運動規劃器（除了傳統的），即數據驅動的運動規劃器，根據圖4，它可以是端到端的，也可以是模塊化的。正如我們將在下一節中很快看到的那樣，數據驅動的模塊化運動規劃可以成為混合方法中使用的組件之一。

數據驅動方法的流行是隨著最近處理硬件的突破和各種駕駛場景下道路交通數據集的激增。這些方法大致可分為兩大類，即端到端規劃或模塊化規劃。前者指的是運動規劃器的輸入特征是從激光雷達、雷達、GPS或相機收集的感覺數據的方法，在后者中，感知和運動規劃在單獨的模塊中完成。在模塊化方法中，感知模塊的輸出可以作為運動規劃的輸入（見圖1），例如，提供周圍環境的語義表示，例如由邊界框表示的其他道路使用者及其速度，以及車道標記的位置和道路幾何形狀。在模塊化和端到端方法中，運動規劃的輸出可以是用于觸發機動的決策、周圍環境的狀態預測、參考軌跡或控制命令，如轉向角和節氣門/制動器激活信號。

由于耗時的學習階段基本上是離線執行的，因此在實時推理過程中，基于學習的方法在計算上是高效的。另一個理想的特征是，在給定足夠的訓練數據的情況下，它們能夠適應各種駕駛場景，而不會對主要結構產生顯著變化。主要的挑戰是，它們的性能取決于訓練階段提供的數據的質量和多樣性，這意味著一旦測試情況偏離訓練條件，性能就會開始下降（或至少可靠性水平下降）。此外，由于數據驅動技術中眾所周知的可解釋性問題，在故障或改進的情況下調試運動規劃模塊也是困難的。

為了克服上述經典算法的挑戰，已經開發了一些其他技術，稱為“混合”或“組合”方法。在這些方法中，前面解釋的算法的一些缺點可以通過將它們組合在各種混合框架中來解決，這可以進一步提高現實世界應用的運動規劃和控制的性能。

C.Hybrid Methods

到目前為止，大多數傳統的運動規劃方法都不直接適用于SAE 3+級AVs，因為它們不能同時處理所有的運動規劃目標，如低計算成本、全局優化、對動態環境的及時反應、對一般駕駛場景的適應性等。為了滿足高度ADS的要求，最近發表的運動規劃算法是通過結合各種傳統方法開發的。由此產生的算法被稱為混合運動規劃器，它們將TDM和TG分解為更簡單的子問題，或者它們試圖通過使用專門為特定目標設計的適當選擇的方法來分別解決每個運動規劃目標。這意味著一種方法的缺點可以通過另一種方法來彌補，從而綜合提高整體性能。

為了對混合方法進行分類和回顧，我們將首先探討ADS中的運動規劃算法需要克服的挑戰。之后，混合方法將根據其旨在解決的挑戰進行分類。如圖1所示，假設其他道路使用者的行為感知和預測由其他模塊提供給運動規劃系統。在這篇綜述文章中，我們沒有考慮不完美的感知/預測對運動規劃的影響，這本身就需要仔細關注。

• 車輛的動力學和可行性挑戰：設計運動規劃算法的第一個挑戰源于受控車輛的運動學和動力學約束。在自動駕駛的情況下，這些約束包括前輪轉向系統的非完整運動學以及節流/制動和轉向執行器的變化幅度和變化率的控制力飽和。即使在沒有任何其他參與者的開放、平坦的可駕駛區域，運動規劃系統仍然必須應對這一挑戰。忽略車輛的運動學約束可能導致不可行的參考軌跡，隨后在低級控制器中出現更多錯誤。
• 駕駛環境挑戰：這一群體與空間結構和駕駛場景或其他影響電動汽車駕駛環境的道路參與者所施加的環境約束有關。駕駛環境可分為結構化（預定義路線，如道路和高速公路）和非結構化空間（停車場和越野）。結構化環境可進一步分為城市和公路駕駛的主要類別，其中城市場景可能包括交叉口和環形交叉口、交通堵塞等，而公路場景可能指超車、變道、車道保持、公路并線或駛離。基于上下文的駕駛挑戰在確定哪種運動規劃方法適合特定情況方面起著至關重要的作用。克服這一挑戰的一種方法是開發通用的運動規劃方法，該方法可以在包括意外事件在內的各種駕駛情況下運行。然而，正如文獻中現有的方法所強調的那樣，實現這一目標并非沒有問題，該方法通常假設駕駛場景由一組有限的預先確定的機動動作組成，并隨后作為TG和TDM過程的輸入。
• 實時挑戰：下一個挑戰來源于需要規劃和實施車輛的運動，使車輛能夠盡快采取行動并對環境做出反應，即TG和TDM模塊中的計算應實時執行。假定當代傳感器的更新速率在100ms的數量級，實時算法應在100ms時間段內至少更新一次（以10Hz或更高的速率操作）。一種方法可以產生適用于各種駕駛環境的最安全、最可靠和交通高效的輸出，但其處理時間慢于電動汽車的狀態變化率或周圍環境的動態，這是絕對沒有價值的。因此，運動規劃模塊的更新率是確定AV的最大行進速度的參數之一。
• 基于安全的挑戰：評估運動規劃方法的最重要指標之一是所提供的安全級別，這在算法設計中得到了明確考慮。可以使用幾個公認的關鍵性能指標來衡量安全性，如（修改的）碰撞時間（TTC）、到周圍車輛的時間和距離，以及在某些情況下沖突區內的侵占后時間。同時，希望提高ADS中的安全性不應損害受控系統的穩定性、乘客舒適性（乘坐質量），并且不應增加對安全駕駛員的不必要接管請求的數量（車輛的故障安全控制）。對于文獻中的一些方法，安全度量直接納入運動規劃問題的數學公式中，而另一些方法則通過模擬或實驗評估來研究安全標準。
• 基于不確定性的挑戰：開發運動規劃算法的最后一個挑戰是如何處理由其他模塊（如感知、預測、定位等）提供的輸入數據中的任何類型的缺陷引起的不確定性。

針對上述挑戰評估的傳統運動規劃方法的性能總結在表I中。通過檢查該表，很明顯，沒有一種單一的方法可以解決所有挑戰，例如，基于優化的方法在可行性、對駕駛環境的適應性、安全性和對不確定性的彈性方面表現良好，但它們的性能在實時ADS實現中可能會顯著降低。這個問題最近引發了所謂的混合技術的大量研究工作，該技術將各種方法結合在一起，旨在提高傳統方法的性能。接下來，針對相同的挑戰列表，將解釋、分類和評估用于運動規劃的SOTA混合方法。我們的調查研究結果也顯示在表II中。

Decomposed Geometry and Kinematic Planning

簡化TG問題的最常見方法是將幾何路徑與軌跡的運動學特性（如速度、縱向和橫向加速度）分開。這樣，復雜的時空TG問題可以分解為兩個更簡單的問題，即路徑規劃和速度剖面規劃，這兩個問題可以在分層設計模型中進行處理，見圖6的示例。例如，李等人中使用三次B樣條生成候選軌跡，以初始細化來自高級路線規劃器的輸入參考路徑，然后，為了解決安全和舒適問題，通過明確考慮運動學約束（如縱向/橫向、速度/加速度限值和交通法規）來生成速度剖面。這種方法為速度剖面規劃提供了一種閉合形式的解決方案，這可以顯著降低所提出算法的實時處理能力（實現的更新率約為70ms）。VisLab AV的運動控制也使用了相同的概念，首先生成圓形幾何路徑，然后根據路徑的最小和最大曲線計算速度曲線，最終選擇舒適度（橫向加速度）和電動汽車輸入控制極限（最大轉向角）方面的最佳軌跡。這種方法類似于用于非完整室內移動機器人的多級運動規劃，其中軌跡的曲線和速度特征以順序的方式得到改善。在另一項研究[54]中，使用數據驅動的方法生成路點，這些路點被用作基于貝塞爾曲線對幾何路徑進行采樣的參考，然后計算每條路徑的速度剖面。該方法已用于具有挑戰性的城市場景，如環形交叉口、十字路口和T形交叉口，時間范圍為3 s和6 s，最小更新率為4 Hz。

基于勢場的混合方法

人工勢場（PF）方法是對影響AV的TDM和TG過程的各種因素進行建模的合適工具。然而，該方法也存在相關挑戰，可以通過將PF與其他運動規劃算法相結合來緩解這些挑戰。

大多數基于PF的混合運動規劃器的結構都是為了簡化優化過程。例如，在基于優化的技術中，PF可以用作成本函數中的懲罰因子，而不是添加不等式約束來描述復雜的駕駛場景，這會抑制地增加公式化優化問題的計算復雜性。一些研究集中在創建一種基于PF的混合運動規劃方法上，其中PF被設計為凸的，以簡化優化過程。Rasekhpour等人將方形排斥PF（不可交叉/可交叉）定義為電動汽車和其他參與者之間的相對距離和速度的函數（圖7），以及車道標記和道路邊界。所得PF用于TG的MPC成本函數，并在不同場景中進行測試，包括并線、變道和超車。Dixit等人使用類PF函數來定義安全區，作為MPC控制器在高速公路穿越機動中的參考。通過使用這種方法，它們彌補了PF和基于優化的方法的缺點，并保證了規劃軌跡的可行性，同時對各種道路元素（如車道、邊界、周圍的汽車及其運動學信息）進行建模。開發了一個類似的框架，將類似人類的駕駛習慣（攻擊性/因果關系）添加到AV的運動規劃模塊中，同時由于算法的MPC部分而保持最佳軌跡。在事故不可避免的情況下，MPC和PF相結合的混合方法也被用于減輕撞車事故的嚴重程度。Hang等人將MPC和PFs與博弈論框架相結合，對類人決策行為進行建模。這一方面對于AV與人類駕駛車輛共存的混合交通條件可能是重要的。

總之，基于PF的混合運動規劃方法背后的主要思想是使用PF的并行優化或基于搜索的方法來描述具有挑戰性的環境，如具有彎曲道路、（非凸）邊界和低復雜度的密集交通的城市駕駛場景。簡單地使用具有高分辨率密集網格的傳統優化或基于搜索的方法將導致更高的計算工作量。

基于優化的混合方法

基于優化的方法的主要挑戰是它們的高計算開銷，這可能使它們不適合實時實現。緩解這一挑戰的一種方法是將另一種方法納入基于優化的框架。Lattarulo等人提出了一種混合運動規劃方法，該方法由兩個主要步驟組成：首先，計算平滑的標稱軌跡，然后使用具有解耦點-質量動態模型的MPC架構，在考慮障礙物施加的約束和道路條件的情況下優化軌跡/機動。在類似的方法中，Wonteak等人開發了一種分層運動規劃算法（行為和軌跡），該算法利用了優化和采樣方法的優勢。具體而言，采樣算法負責確定基于高級粗略行為的軌跡，然后考慮到車輛和環境引入的動態約束，生成基于低級優化的軌跡。本質上，采樣首先用于TDM，然后對TG進行優化。在這個框架中，優化方法的高性能基本上得到了保留，而總體實現復雜度仍然很低。Hidalgo等人通過將用于路徑規劃的參數曲線（Be′zier曲線）與用于縱向和橫向控制的MPC相結合，提高了環島合并場景中的運動規劃性能。它們成功地降低了總體計算成本，同時保持了MPC所附帶的高性能。Gu等人為TG開發了一個多層框架。在第一步中，作者優化了無交通的粗略軌跡（曲線和速度剖面），在接下來的兩步中，他們生成了最終的平滑軌跡，并將其他交通參與者的行為作為約束。丁等人和張等人通過使用安全時空走廊（SSC）將可駕駛環境定義為時間的函數，簡化了優化問題。

總之，基于優化的混合方法背后的主要思想是通過小心地減小解空間的大小來簡化耗時的優化過程。這通常是通過在調用基于優化的技術來生成搜索空間內的最優軌跡之前，使用另一種（傳統）運動規劃方法修剪一些可行的駕駛行為來實現的。

Combination of Logical and Learning-Based Methods

最近，基于人工智能（AI）的方法與其他眾所周知的運動規劃算法一起在混合框架中使用，以提高整體性能。在本節中，我們將在以下段落中回顧各種類型的邏輯學習混合運動規劃器。

基于優化的軌跡生成方法也可以納入基于學習的運動規劃框架。在[82]中，通過開發人工神經網絡（ANN）來減少優化方法的計算時間，該網絡經過訓練以學習優化算法的輸出。優化算法在生成最終軌跡之前監督ANN的輸出，以確保滿足安全約束。類似地，Alexandru等人使用從非線性MPC獲得的軌跡以及相應的輸入，并訓練替代的ANN來解決基于優化的算法的高計算成本挑戰。在另一項研究中，作者在[84]中提出了一種分層結構，解決了計算復雜性的挑戰，其中第一層由MPC訓練的神經網絡組成，下一層負責保證計劃軌跡的可行性。在他們的出版物中，電動汽車和人類駕駛車輛之間的互動是在TDM期間通過基于學習的方法捕捉的，而隨后的TG過程負責生成優化軌跡，以滿足混合交通流背景下的上游決策。

總之，在離線訓練期間，基于學習的方法可以監督使用傳統的基于優化的方法來實現接近最優性能的運動規劃器。同時，PF可以用來降低訓練的復雜性，因為它們在以簡化的方式描述復雜的駕駛場景/環境方面非常有效。

Hybrid Cooperative Planning

在前面的TG和TDM部分中回顧的方法是基于EV的獨立硬件和軟件功能。然而，無線車輛到一切（V2X）通信技術的出現，如專用短程通信（DSRC）、ITS-G5和蜂窩V2X（C-V2X），將實現車輛之間或車輛與基礎設施或云之間的廣泛連接。[106]-[108]中廣泛研究了這些通信技術對ADS的影響。具體而言，通過將車載傳感器數據與通過V2X通信系統[109]、[110]接收的車外信息融合，可以增強電動汽車在視野有限或閉塞的挑戰性駕駛情況下的感知。本小節介紹了利用共享信息進一步提高駕駛效率和改善交通流量的混合運動規劃方法。

基于TDM和TG交互的分類

表II中還總結了迄今為止調查的混合運動規劃方法，其中可以很容易地檢索每種方法的組合元素以及所解決的運動規劃挑戰。在比較迄今為止文獻中出現的各種混合方法之前，我們還想注意的是，這些方法可以根據潛在的TDM和TG過程之間的相互作用進行進一步分類。這可以進一步闡明每種混合方法所針對的運動規劃挑戰。如表III所示，雖然一些混合運動規劃器（單獨的）專注于TG或TDM過程，但也有一些混合方法（交互的）導致TG和TDM算法的組合，這兩個過程之間存在隱式或顯式的交互。根據（i）作為構建塊元素的經典方法，（ii）已解決的挑戰，以及（iii）TDM和TG的相互作用，對AVs的混合運動規劃方法的現有文獻進行分類，是這篇綜述文章的另一個貢獻，也將有助于確定研究空白。

討論和公開挑戰

盡管已調查的混合運動規劃方法尚未使用相同的數據集進行評估或比較，但在本節中，將根據其旨在解決的挑戰對其性能進行討論和評估。此外，本節后半部分還強調了研究差距和未來工作的潛在方向。

Performance Assessment and Comparison

表II總結了所述五組下約50項混合運動規劃研究的分類，以及對其在五項挑戰（“a”至“e”）中的表現的評估。人們可以在那里看到，目前還沒有一種混合方法可以解決三個以上的挑戰。最流行的類別是“解耦的幾何和運動學規劃”，它通過單獨設計路徑（使用參數曲線）和軌跡的運動學特征來減少運動規劃的高計算負荷。盡管能夠實現實時應用，但計劃的軌跡可能是次優的，此外，由于沒有明確考慮車輛的非完整約束，其可行性也無法保證。

“利用勢場的混合方法”在文獻中以各種形式出現，但研究人員主要將PFs納入“PF優化”和“PF學習”混合結構中，以提高TG和/或TDM的性能。在“PF優化”混合框架中，除了用于量化駕駛安全性和舒適性的其他語義信息（如車道標線）作為成本函數外，還通過抽象可駕駛區域的幾何形狀和其他道路使用者的相對距離/速度來生成PF。PF與包括車輛動態模型在內的后退視界優化方法相結合，實現了反應性和可行的運動規劃。盡管這種混合方法可以用于各種場景的TG（甚至TDM），但由于駕駛上下文的語義信息被高度抽象為標量成本值，因此需要進行微調以適應新的場景。在“PF學習”混合結構中，PF用于修改ANN的輸入或輸出。在前一種情況下，PF用于將語義信息解釋為風險圖，以降低端到端算法的復雜性。在后一種情況下，PF用于通過對神經網絡輸出處的人工排斥力進行編碼來確保控制動作（輸出）的安全性和合理性。同樣，“模糊邏輯”也被用于通過對神經元網絡輸出中的相關性進行編碼來降低基于學習的方法的復雜性，以實現更平滑、更合乎邏輯和更安全的輸出。最后，“基于學習的邏輯組合方法”的主要目標是提高可解釋性和便于調試，同時提供適用于多種駕駛場景的通用運動規劃，只需改變訓練數據，而不會對神經網絡的結構產生重大變化。

上面討論的混合方法也被用于“協同控制”。hybrid automata是一種用于協同運動規劃的特殊框架，其范圍是解決TDM和TG之間的相互作用，這兩個系統分別是離散和連續的系統（過程）。盡管一些研究報告稱，考慮到排隊等分布式系統的運動規劃，混合自動機方法具有良好的性能，但該方法可以處理的機動次數相當有限，并且該方法中使用的預定義（原始）運動對規劃軌跡的可行性提出了挑戰。

研究差距與未來研究的機遇

根據本調查中回顧的工作，混合框架是一種很有前途的方法，可以克服與AV的運動規劃問題相關的幾個挑戰。現有文獻大多涵蓋了基于車輛和環境的挑戰，然而，安全性，尤其是與不確定性相關的挑戰還有待深入研究。表二也證明了這一事實，可以看出，到目前為止，挑戰“e”（基于不確定性的挑戰）并不是研究的主要目標。為了強調各種不確定性對運動規劃的影響，例如，考慮由于各種系統/傳感器故障引起的感知和定位的可靠性與AVs的故障安全控制密切相關。因此，進一步研究對感知和定位方面的缺陷具有彈性的（混合）運動規劃方法是一個很有前途的方向。

此外，由于現有的混合運動規劃方法ods僅適用于有限數量的場景，未來的研究可以集中在開發一個通用框架上，在該框架中，考慮各種TDM和TG算法之間的相互作用，以從一種模式或機動安全過渡到另一種模式。這也可能減少向安全駕駛員提出移交（或回退）請求的頻率，從而提高SAE的自主權。雖然有幾項研究試圖設計通用運動規劃器并涵蓋挑戰“b”（駕駛環境挑戰），但根據表II，其中只有兩項研究同時考慮了生成軌跡的可行性，即挑戰“a”（車輛動力學和可行性）。因此，開發通用運動規劃器，同時解決剩余的挑戰仍然是懸而未決的。

最后，另一個值得追求的研究方向源于運動規劃與其他道路使用者的行為/意圖預測之間的強耦合。決策應考慮其他道路使用者的預測意圖，然而，考慮到電動汽車的決策/行為，他們的意圖可能會動態變化，反之亦然。預計這種耦合將進一步增加運動規劃和控制算法（挑戰“c”）的實時實現要求，特別是在高速環境中，如摩托車并線和摩托車駕駛員。因此，進一步研究混合方法以降低其計算復雜性，將對此類場景非常有益。

總結和結論

這篇綜述表明，當前設計AVs運動規劃算法的趨勢是基于將各種傳統算法結合在一起的混合框架。據我們所知，我們定義了四類混合運動規劃器，包括現有文獻中的所有混合方法，即（i）解耦幾何和運動學規劃，（ii）使用勢場的混合，（iii）基于優化的混合，以及（iv）邏輯和基于學習的方法的組合。我們還將混合動力協同運動規劃定義為一個單獨的類別，它使用V2X通信來幫助單個車輛進行運動規劃或車隊的批量控制。對屬于上述類別的大約50種混合方法的性能評估表明，將兩種或多種傳統的運動規劃方法結合在一起是一種很有前途的方法，可以幫助消除每種單獨方法的缺點，而不會犧牲其組件的優勢。根據圖8（頂部）所示的時間表，過去兩年的主流方法是將邏輯方法和基于學習的方法相結合。隨著計算能力和機器學習的不斷進步，我們預計這一趨勢將持續發展。

此外，我們已經確定了運動規劃的以下關鍵挑戰，并將其作為比較不同方法的指標：（a）車輛的動力學和可行性，（b）駕駛環境，（c）實時實施，（d）基于安全的挑戰和（e）基于不確定性的挑戰。我們的綜述表明，現有混合方法的主要重點是對駕駛環境進行適當建模并減少計算時間，以實現可靠、安全的實時運動規劃。盡管如此，仍有一些遺留問題需要克服，例如感知和定位方面的不確定性，這些問題可能會影響生成軌跡的安全性。解決基于不確定性的挑戰的混合方法在現有文獻中的代表性不足。例如，與感知/定位模塊的輸出相關聯的置信區間可以被納入運動規劃器中，以確保安全，這是未來工作的一個有希望的方向。

最后，本綜述的另一個貢獻是根據戰術決策（TDM）和軌跡生成（TG）模塊之間的相互作用對混合技術進行分類。這揭示了TDM和TG方法在駕駛場景方面缺乏通用性，這是進一步研究的建議方向。通用運動規劃器可以幫助減少安全駕駛員摔倒的頻率，并實現更高的SAE自主性水平。目前的趨勢是TDM和TG之間的交互式隱含設計，見圖8（底部），預計這種設計將繼續下去，培養這兩個過程之間的全面互動，以涵蓋廣泛的可能駕駛場景。我們相信，這篇調查論文將引發更多關于模塊化自動駕駛系統運動規劃的研究活動，并幫助研究人員和行業更好地定位混合運動規劃的構建塊算法、所解決的挑戰以及潛在TDM和TG過程之間的相互作用。