三大规划是无人车最复杂的部分，算法多不胜数，让人眼花缭乱，这也是百度、谷歌和苹果科技巨头要切入无人车领域的主要原因，这些科技巨头最擅长的就是算法的优化整合。当然传统车厂如福特和丰田，拥有对车辆动力学的绝对优势，在此领域实力并不比科技巨头要差，尤其是丰田，从开源 SLAM到KITTI，软件实力丝毫不次于谷歌。
对于全局型路径规划不算复杂，前提是有拓扑级地图，这对地图厂家来说很容易的。对于非地图厂家是有点麻烦的，不过只能算小麻烦。
今天我们重点了解一下避障规划，避障规划的前提是对周围环境有深刻的理解，有一个非常完善实时的环境理解。
在此之前不得不先要理解无人驾驶避障的含义，很明显我们根据无人驾驶避障的过程，可以将无人驾驶避障分成三个方面：
1．运动障碍物检测：对运动过程中环境中的运动障碍物进行检测，主要由车载环境感知系统完成。
2．运动障碍物碰撞轨迹预测：对运动过程中可能遇到的障碍物进行可能性评级与预测，判断与无人驾驶车辆的碰撞关系。（当你检测到障碍物后，你就得让机器判断是否会与汽车相撞）
3．运动障碍物避障：通过智能决策和路径规划，使无人驾驶车辆安全避障，由车辆路径决策系统执行。（判断了可能会与汽车发生碰撞的障碍物后，你就得去让机器做出决策来避障了）
运动障碍物检测方法
运动障碍物检测根据他们的sensor主要分成两类：
一种是基于激光雷达和毫米波雷达的
一种是基于立体视觉的
运动障碍物碰撞轨迹预测
这一部分与障碍物的检测识别分不开的。无人车的感知系统需要实时识别和追踪多个运动目标（Multi－ObjectTracking，MOT），例如车辆和行人。
物体识别是计算机视觉的核心问题之一，最近几年由于深度学习的革命性发展，计算机视觉领域大量使用CNN，物体识别的准确率和速度得到了很大提升，但总的来说物体识别算法的输出一般是有噪音的：物体的识别有可能不稳定，物体可能被遮挡，可能有短暂误识别等。自然地，MOT问题中流行的Tracking－by－detection方法就要解决这样一个难点：如何基于有噪音的识别结果获得鲁棒的物体运动轨迹。
运动障碍物的避障本质上它是一个路径规划的过程：在路段上有未知障碍物的情况下，按照一定的评价标准，寻找一条从起始状态到目标状态的无碰撞路径。
预测
预测模块的作用是对感知所探测到的物体进行行为预测，并且将预测的结果具体化为时间空间维度的轨迹传递给下游模块：行为决策模块。然后行为决策模块结合路由寻径模块从而进行行为决策。
这些选择就是结合高精地图的全局规划，然后再通过汽车周边传感器感知的信息进行局部规划，从而判断汽车是否右转、直行or并道。
