由于无人驾驶汽车对未来智能交通系统有着无限的想象力，各汽车制造商不仅在开发无人驾驶汽车相关技术，互联网、移动通信、创业公司也积极进入这一领域。
无人驾驶汽车可以自动规划行驶路线，感知周围环境，自主决策，控制车辆运行系统沿着期望的路径行驶，最终到达目的地。
单体智能无人驾驶系统可以根据功能分为不同的子模块，例如高精度地图、定位模块、感知模块、预测模块、全局路径规划模块、运动规划模块、运动控制模块以及人机下面简要介绍路径规划模块。
无人驾驶系统功能模块
路径计划(Path Planning )可以进一步细分为全局路径计划和本地路径计划。
全局路径规划是指规划从当前位置到目的地的全局路径。 通常，全球路径规划与任务的决定有关，两者都将获得无人车的全球路径信息。 全局路径规划需要基于高精度地图进行，A*算法作为一种启发式搜索算法，鲁棒性强、响应快、是最常用的。
局部路径规划是在无人车周围的局部环境中进行的，按照一定的评价标准(例如路径长度最短、能耗最少、最顺畅等)，规划从启动状态到目标状态的无碰撞、可行驶、顺畅的路径
本地路径计划
本地路径计划通常放入运动计划模块进行考虑。 运动计划由路径计划(空间)和速度计划)时间)构成，即根据考虑周围环境的障碍物信息、本车当前的状态信息、运动学和动力学的制约以及全局路径的参照路径信息，生成无碰撞、可行驶、平滑的轨迹。
连接起点和终点的连续点(或曲线)称为路径，除了连续点以外，还考虑各点的时间(或速度)，称为轨迹。
本地路径规划通常采用基于抽样的方法，具体可以分为随机抽样和确定性抽样。
基于随机抽样的典型方法有RRT (快速扩展随机树)、基于RRT的各种变种方法等。 RRT可以快速有效地搜索高维空间，通过状态空间的随机采样点，将搜索引入空白区域，寻找从起点到目标点的规划路径。 RRT通过对状态空间中的采样点进行冲突检测，可以避免空间建模，有效解决高维空间和复杂约束的路径规划问题。 但是，由于随机选择中间状态或控制量，因此这种方法生成的路径通常存在不平滑、曲率不连续、路径不稳定、路径难以预测、求解时间难以确定等缺点，很少应用于无人车。
基于确定性采样的方法也称为局部搜索方法，其采样方法是预先指定的。 例如，基于控制量的空间采样和基于状态量的空间采样。
基于确定性采样的方法
基于确定性采样方法的基本思路是，从当前车辆状态生成一系列候选路径，根据是否碰撞、是否平滑等不同的评价指标选择一条路径作为期望路径。
基于控制量的空间采样方法，即根据转向控制量运行一定周期，生成不同圆弧的候补路径； 基于状态量的空间采样方法通过从参考路径(通常是道路中心线)中选择目标状态，横向平移目标状态，然后用预定义的曲线模型连接车辆的当前状态和目标状态，生成一系列的选择目标路径。
基于确定性采样的方法与基于随机采样的方法相比，通过采用利用道路结构信息的特定控制量和状态量，能够大幅削减求解的搜索空间，预测生成的路径，在实用上得到广泛应用。
相关阅读
车辆运动学模型和动力学模型介绍无人车避障系统：障碍物检测、轨迹预测和避障路径的生成
自动驾驶系统决策规划模块介绍
基于多项式曲线的速度规划
基于S-T图的速度计计划介绍-Apollo学习笔记
自动驾驶系统决策技术介绍-Apollo学习笔记
自动驾驶系统的确认步骤中需要考虑的要素：执行设计域、对象、事件等
学习笔记：无人驾驶系统的开发