我们来看看无人驾驶的“大脑”是怎么工作的，特别是关于路线规划、运动与控制的全过程。为了让自动驾驶真正懂路，工程师们给决策任务分了四层，每一层都有自己的“高速公路”。第一层是路线规划，把城市抽象成一张带权的有向图，每条边的权重代表穿越代价，可能是距离、时间或通行费。这时候找路就是标准的最短路径问题，Dijkstra 和 A*算法可以同时上阵，一次性把全局路线算出来。第二层是行为决策，车辆不仅要确定行驶路线，还要预测行人、自行车、其他车辆的下一步动作，再把这些不确定性翻译成自己的行驶策略。谷歌曾经用高斯混合模型，后来又加入了高斯过程回归和意图学习模型，目标是提前一步降低风险。第三层是运动规划，确定行为后生成动态可行、舒适的路径或轨迹。这个过程需要满足传感器视野和车辆动力学约束。第四层是控制，把实际轨迹拉回参考路径上，保证乘客不坐过山车。运动规划可以分为三个学派：路径规划、轨迹规划和增量搜索。路径规划关注从初始状态安全抵达目标区域的可行路径或最优路径。常用的方法有变分迭代法、图搜索法和增量搜索法。轨迹规划在时域上展开，把空间图扩展成时空图来处理动态环境。增量搜索通过逐步细化离散化来破解固定图的问题。典型代表就是 RRT（Rapidly-exploring Random Trees），用随机采样和转向函数组合找到可行解。所有这些规划都得落地到车辆控制上才能发挥作用。现代车辆控制以反馈闭环为核心，包括路径稳定控制、轨迹稳定控制和鲁棒性设计。决策、运动与控制三部分组成了自动驾驶的完整“大脑”。 总结一下无人驾驶路线规划的整个过程：从“人”到“车”，工程师们把决策任务拆成四步阶梯； 运动规划分为路径、轨迹与增量搜索三大门派； 车辆控制通过反馈闭环实现稳定运行。