自動駕駛的規劃模組一般分為三層：任務規劃、行為規劃和動作規劃，也有稱為路由尋徑、行為決策和區域性規劃。對應我們日常出行，通常會先開啟導航軟體，找到出發地和目的地之間的路線（路由尋徑），然後在沿著導航路徑行駛的過程中，針對遇到的不同交通狀況決定是停車還是超車或是其他行為，最後根據上一步的決定重新規劃一條區域性路徑執行上步的動作。
一、任務規劃是屬於相對頂層、全域性的路徑規劃，如起始點之間的路徑選擇。
可以把道路系統簡化成有向圖網路（directed graph network），這個有向圖網路能夠表示道路和道路之間的連線情況、通行規則、道路資訊等，其本質上就是上文提到的高精地圖的「語義」部分，這個有向圖網路也被稱為路網圖（route network graph）
上述路網圖中的每一條邊都是帶有權重的，因此，自動駕駛車輛的路徑規劃問題就可以轉化為在路網圖中，為了讓車輛到達某個目的地，基於某種方法和原則選取最優路徑的過程，規劃問題就演變成了乙個有向圖搜尋問題。傳統演算法如迪克斯特朗演算法（dijkstra's algorithm）、a*演算法（a* algorithm）、d*演算法等，主要用於計算離散圖的最優路徑搜尋，被廣泛應用於搜尋路網圖中代價最小路徑的場景中。
二、行為規劃也被稱為行為決策、決策制定，其主要任務是根據路由尋徑規劃的目標和對當前環境的感知（如行人、周圍車輛的位置、狀態，訊號燈狀態等），做出下一步自動駕駛車輛需要執行的決策和動作，可以把這一層模組所起的作用理解為駕駛員的決策系統，駕駛員根據行駛目的地和當前交通狀況決定是跟車還是超車、是停車還是繞過......
行為規劃實現的一種方法是使用包含大量動作短語的複雜有限狀態機（finite state machine, fsm）。有限狀態機即從乙個簡單的起始狀態出發，根據不同的駕駛場景跳轉到不同的動作狀態，同時將要執行的動作傳遞給下層的動作規劃層。深入淺出理解有限狀態機
雖然有限狀態機（fsm）是目前自動駕駛系統採用的主流行為決策方法，但它仍存在很多侷限性：
首先，要實現複雜的行為決策，需要人工設計大量有效的狀態；
其次，車輛有可能會遇到fsm沒有考慮過的狀態，因此狀態機的擴充套件也成為問題；
另外，如果fsm沒有設計死鎖保護，車輛可能會陷入某種死鎖狀態。
三、動作規劃是指通過規劃一系列執行動作以達到某種目的（如避障）的處理過程。通常來說，有兩個指標可用來考量動作規劃演算法的效能：計算效率（computational efficiency）和完整性（completeness）。計算效率即完成一次動作規劃的計算處理效率，動作規劃演算法的計算效率在很大程度上取決於配置空間（configuration space）。如果乙個動作規劃演算法能夠在問題有解的情況下在有限時間內返回乙個解，並且能在無解的情況下返回無解，那麼就稱該動作規劃演算法是完整的。
自動駕駛系統概述
內容摘自 自動駕駛系統設計及應用 一書 汽車自動駕駛技術 依靠計算機與人工智慧技術在沒有人為操縱的情況下，完成完整 安全 有效的駕駛汽車的一項前沿技術 主要包括 環境感知 決策規劃和運動控制 感知層用來完成對車輛周圍環境的感知識別，主要目的是獲取處理並處理環境。汽車自動駕駛常用的感測器主要包括攝像頭...
自動駕駛汽車與自動駕駛網路
談到自動駕駛網路很容易讓人聯想到自動駕駛汽車，恰好讀到google的工程師用自動駕駛汽車和自動駕駛網路做的乙個模擬，感覺很有道理的樣子，記錄並分享一下 開發一輛自動駕駛汽車所需要的 1 一輛比較現代的車 2 各式各樣的感測器 效能強大的計算機 ai軟體。3 大量的訓練和測試。類似地，開發自動駕駛網路...
自動駕駛相關
計畫 2021年1月10號前，查資料，了解相關資訊 學習目標 1 路徑規劃，有地圖的基礎上，起點到終點的路徑規劃 2 路徑規劃的技術上，避障等如何實現 自動駕駛工程師，谷歌認證機器學習專家，蘭州大學無人駕駛團隊創始人，主攻深度學習，無人駕駛汽車方向。學習資料記錄 優達學城 學習筆記 20200102...