自动驾驶深度学习(第49/100天)路径规划进阶:从A*到RRT,自动驾驶如何找路?

阅读约8分钟 | 关键词：路径规划、A*算法、RRT、结构化/非结构化道路

前两篇我们聊了决策——车子决定“要变道”还是“要等”。今天聊聊决策之后的下一个问题：路怎么走？

路径规划的任务是：给定起点和终点，找出一条满足约束的几何路径——不能撞墙、不能压路肩、转弯不能太急（不然乘客会晕）。

🗺️ 一、路径规划的三个层次

自动驾驶的路径规划通常是分层的：

全局规划：导航地图给的路线。从A点到B点走哪些路、在哪个路口转弯。类似于手机的导航路线，更新频率低（几秒一次）。

局部规划：在全局路线的基础上，根据实时感知到的障碍物，生成未来几秒内的具体行驶轨迹。比如“前方有一辆停着的车，我要从左边绕过去”。更新频率高（几十毫秒一次）。

运动规划：给这条路径加上速度信息——什么时候加速、什么时候减速、在哪个点刹停。输出的是带时间戳的轨迹点序列。

今天我们重点讲局部规划，因为全局规划大家已经很熟悉了（就是导航），而运动规划我们第18天已经聊过。

🧮 二、A*算法：结构化道路的“老黄牛”

A*（A-Star）是路径规划里最经典的算法，广泛应用于自动泊车、封闭园区低速场景。

核心逻辑：把地图切成格子，从起点开始，评估每个格子的“代价值”——到起点的实际距离 + 到终点的估计距离（启发式）。每次选择代价最小的格子扩展，直到抵达终点。

优点：能找到最短路径（在格子的精度下），算法成熟、可预测、容易调试。

缺点：在复杂环境中计算量可能暴涨；生成的路径是“折线”不是“曲线”，方向盘会剧烈摆动，需要额外步骤平滑处理。

在高速结构化道路（车道线清晰、障碍物规律）场景中，A*配合车道中心线采样，效率足够高。

🌲 三、RRT：非结构化道路的“探路者”

RRT（快速探索随机树）在越野、矿区等没有车道线的场景中更有优势。没有车道线可循，路面任意位置都可能通行，需要算法自己“摸着走”。

核心逻辑：在空间中随机撒点，从起点开始“生长”一棵树，不断把树向随机点方向延伸，直到触达终点区域。

优点：在高维空间和复杂约束下依然有效；能处理非结构化环境（没有车道线、没有路沿的开放场地）。

缺点：找的路径通常不是最优的；随机采样导致结果每次可能不同，不“可预测”。

⚖️ 四、结构化 vs 非结构化：场景决定方法

自动驾驶的路径规划没有统一答案。选择A*还是RRT、参数怎么调，完全取决于应用场景：

· 高速NOA：车道线清晰、行驶方向固定。A*的确定性优势明显——可预测、可调试、可追溯。这也是为什么高速NOA已经相对成熟。
· 城市NOA：有车道线，但路口复杂。这介于结构化和非结构化之间。通常采用“车道级A* + 局部规划器”的混合方案，在路口和施工区等场景切换到更灵活的规划策略。
· 越野/矿区：没有车道线，地形起伏。RRT类算法发挥空间更大，但算力消耗也更大。

关键洞察：A*依赖“先验地图”（知道哪里能走、哪里不能走），RRT依赖“实时感知”（自己探索哪里能走）。两种方法都在进化，未来会越来越趋近于融合——用先验地图缩小搜索范围，用实时感知修正局部路径。

📌 给普通用户的一句话

路径规划的核心区别在于“有没有地图可依赖”。高速NOA相对成熟就是因为“地图好用”；城市NOA更困难，因为路口/施工区的路径要“现想”。你的车在这些场景下的表现，很大程度上取决于它用的是“寻路型”还是“探索型”算法，以及两者融合得好不好。

🎯 明天预告（第50天 / 动态篇）

结合今天的路径规划知识，解读一则行业新闻：某品牌越野智驾在沙漠中“迷路”——RRT算法的极限与挑战。

本系列为100天深度学习计划，每日1篇。欢迎随时提问。