在自动驾驶运动规划 / 行为规划中，**基于优化(Optimization-based)与基于采样(Sampling-based)**的选型，核心看：实时性要求、约束复杂度、场景开放性、计算资源、安全冗余。下面给出清晰的决策框架与选型原则。
一、两种方法的核心差异
| 维度 | 基于优化 | 基于采样 |
|---|---|---|
| 本质 | 求解连续空间最优解（轨迹/控制序列） | 离散空间采样+评分/筛选候选轨迹 |
| 解的特性 | 平滑、连续、局部最优 | 非连续/可后处理平滑，可行优先 |
| 约束处理 | 硬约束/软约束建模，精度高 | 通过采样空间+评分间接满足 |
| 计算复杂度 | 高（梯度、凸/非凸求解） | 可并行、可剪枝，可预测时延 |
| 鲁棒性 | 对初值、模型误差敏感 | 对扰动、动态障碍更鲁棒 |
| 典型输出 | 连续轨迹/控制量 | 候选轨迹簇 → 最优候选 |
二、选型核心原则（直接可用）
1. 优先选「基于优化」的场景
- 结构化道路 + 约束明确：高速路、城市主干道、车道保持、巡航。
- 追求平滑性、舒适性、能效最优：最小曲率/加加速度(jerk)、能耗最优。
- 约束可建模：避撞、车道线、速度上限、转向极限、动力学约束。
- 计算平台强、控制频率高：需要连续光滑控制量给控制器。
- 典型模块：Lateral/Longitudinal trajectory planning、MPC、EM Planner类。
2. 优先选「基于采样」的场景
- 非结构化/开放场景：停车场、无车道线、交叉路口、窄路会车、绕行。
- 环境高度动态、障碍多、可行域不连通：优化易陷入局部最优/不可行。
- 需要强安全冗余：生成多轨迹簇，一条失效可快速切换。
- 计算资源有限、需要稳定时延：采样+剪枝+并行更容易硬实时。
- 典型模块：泊车规划、紧急避障、绕行、行为层候选路径生成。
三、按场景细分选型
1. 高速领航 NOA
- 主规划：优化为主（EM Planner、凸优化/二次规划、MPC）
- 原因：车道约束强、舒适性要求高、解平滑。
- 辅助：采样做备选路径/换道候选，防止优化不可行。
2. 城市道路 AVP / 路口 / 环岛
- 混合方案：采样生成候选 → 优化后处理平滑
- 原因：拓扑选择多（左转/右转/直行），采样更易覆盖可行解；优化保证平滑与控制友好。
3. 自动泊车 / 窄道通行
- 首选：采样（RRT/ Hybrid A）+ 优化精修**
- 原因：非结构化、可行域狭窄、优化易局部最优；采样保证可达，优化提升平顺。
4. 紧急避障 / 极限场景
- 首选：采样优先
- 原因：必须快速出可行解，“先可行再最优”；多轨迹簇提供冗余。
5. 跟车、巡航、车道保持
- 首选：优化（MPC/凸优化）
- 原因：约束简单、追求舒适与效率，优化解更适合闭环控制。
四、工程落地的关键考量
1. 实时性与算力
- 优化：非凸求解时延抖动大，难满足硬实时。
- 采样：可并行、可剪枝、可限定采样数，时延更可控。
算力有限/MCU/低功耗平台：更适合采样或简化优化。
2. 可行性与安全
- 优化可能无可行解（约束冲突、初值差）。
- 采样天然多候选，更容易保证至少一条可行。
安全优先系统：通常用采样兜底。
3. 与控制端衔接
- 优化输出连续轨迹/控制量，直接适配MPC/LQR。
- 采样轨迹通常需要后处理平滑/插值，否则控制抖动。
4. 可解释与调试
- 采样：候选轨迹可视化强，容易定位“为何不选某条”。
- 优化：黑箱更强，约束冲突/收敛失败难定位。
五、主流融合方案（业界常用）
方案A：采样生成候选集 → 优化精修
- 采样：快速覆盖可行拓扑（换道/绕行/泊车）。
- 优化：平滑、加加速度约束、动力学一致性、最优评分。
代表：Apollo、百度/博世/华为量产规划栈。
方案B：优化为主 + 采样热启动/备份
- 优化提供最优平滑轨迹。
- 采样在优化不收敛/动态障碍突变时提供备份轨迹。
代表：高速NOA、封闭园区。
方案C：行为层采样 + 运动层优化
- 行为层：采样行为候选（跟车/换道/绕行）。
- 运动层：对选中行为做优化轨迹。
分层解耦，兼顾鲁棒与最优。
六、快速决策口诀
- 结构化、求平滑、控友好 → 优化
- 开放场景、多障碍、要可行 → 采样
- 量产落地、安全兜底 → 采样+优化融合
- 算力弱、要硬实时 → 采样优先
- 舒适能效、高速巡航 → 优化优先
)