编辑推荐：
研究人员在本文中对人工智能（Artificial Intelligence, AI）驱动的自主车辆（Autonomous Vehicle, AV）路径规划进行了综述，系统地分析了其在动态交通环境中确保安全、高效和舒适导航的核心功能。本综述通过系统性地将算法分为
研究人员在本文中对人工智能（Artificial Intelligence, AI）驱动的自主车辆（Autonomous Vehicle, AV）路径规划进行了综述，系统地分析了其在动态交通环境中确保安全、高效和舒适导航的核心功能。本综述通过系统性地将算法分为图搜索（Graph-based）、采样（Sampling-based）、基于优化（Optimization-based）、基于学习（Learning-based）和混合框架（Hybrid Frameworks），综合了近年来的研究进展。关键的性能目标，包括避碰（Collision Avoidance）、乘坐舒适性（Ride Comfort）、能源效率（Energy Efficiency）和实时可行性（Real-time Feasibility）被讨论，并辅以代表性方法，如A*、D*、快速扩展随机树（Rapidly-exploring Random Tree, RRT）/RRT*、模型预测控制（Model Predictive Control, MPC）、启发式/元启发式优化器（Heuristic/Metaheuristic Optimizers）、深度强化学习（Deep Reinforcement Learning, DRL）和模仿学习（Imitation Learning）。本综述进一步分析了由车联万物（Vehicle-to-Everything, V2X）连接赋能的协同路径规划，重点介绍了用于队列行驶（Platooning）、合流（Merging）和交叉口协商（Intersection Negotiation）的协调策略。包括不确定性处理（Uncertainty Handling）、跨场景泛化（Generalization Across Scenarios）、计算约束（Computational Constraints）、安全保证（Safety Assurance）和模拟到现实迁移（Sim-to-real Transfer）在内的挑战被进行了关键性审视。最后，提出了开放的研究方向，强调统一的评估基准（Unified Evaluation Benchmarks）、可解释的基于学习的规划器（Interpretable Learning-based Planners）、多智能体安全保证（Multi-agent Safety Guarantees）以及在感知不完善情况下的鲁棒规划（Robust Planning Under Imperfect Perception）。该论文为寻求下一代自主车辆系统可扩展且可部署的路径规划解决方案的研究人员和实践者提供了一个更新的参考框架。
本文对人工智能驱动的自主车辆路径规划进行了全面而及时的综合分析，将经典与新兴的规划范式置于统一的视角之下。自主车辆路径规划在过去十年的演变，以传统搜索算法、先进优化技术和人工智能驱动模型的融合为标志。诸如A*和D*的经典图搜索方法奠定了确定性寻路的基础，而RRT和概率路线图（Probabilistic Roadmaps, PRM）等基于采样的技术则提高了在高维空间中的计算效率。此外，基于优化的方法，包括混合整数规划（Mixed-Integer Programming, MIP）和变分法（Variational Calculus），有助于实时轨迹优化，在效率、安全性和能耗之间取得平衡。
人工智能驱动的方法，特别是强化学习和深度学习，已彻底改变了自主车辆的决策过程，使其能够进行自适应和智能的路径规划。然而，人工智能模型在处理不可预测的真实世界条件方面的局限性，促使了将机器学习与基于规则和基于优化策略相结合的混合方法的发展。通过车对车（Vehicle-to-Vehicle, V2V）和车对基础设施（Vehicle-to-Infrastructure, V2I）通信实现的协同规划，在交通协调、减少拥堵和提高自主车辆整体效率方面表现出显著的改进。群体智能（Swarm Intelligence）和去中心化的多智能体框架的整合，进一步增强了自主车辆在复杂环境中的适应性。
尽管取得了这些进步，但重大挑战依然存在。计算复杂性仍然是一个主要瓶颈，尤其是在高速实时导航中。人工智能模型通常难以在不同道路条件下实现泛化，并且关于自主车辆在碰撞场景中决策的伦理问题仍然引发争论。与V2X通信网络相关的网络安全风险也对自主车辆的部署构成了重大威胁。解决这些问题对于确保安全且可扩展的自主车辆路径规划方案至关重要。
基于Transformer的规划器、端到端（End-to-End, E2E）驾驶框架以及基础模型/生成式方法，反映了向可扩展的、基于注意力（Attention-based）的架构快速转变。这些架构能够建模长时程依赖（Long-horizon Dependencies）和多智能体交互模式。尽管此类模型提供了有前景的泛化和表示学习能力，但本综述也警示，其部署需要更强的可解释性、不确定性校准和安全保证机制。
为了满足部署需求，本综述提出了一个统一的决策框架，将规划器的选择与环境类型、计算限制以及协同水平（单智能体或V2X赋能的多智能体）联系起来，并辅以决策矩阵。该框架还通过将安全性、可信度和攻击恢复力嵌入规划成本、约束和架构中来形式化伦理考量，同时将规划与行人预测、人机交互（Human-Computer Interaction, HCI）以及连接自动驾驶联系起来。
未来的工作应优先考虑可解释的人工智能（Explainable AI, XAI），以提高自主车辆决策的透明度和监管接受度。量子或类量子优化可能缓解实时计算限制，而基于区块链（Blockchain）的安全V2X可以加强网络弹性（Cyber-resilience）和去中心化协调。神经形态计算（Neuromorphic Computing）和传感器融合的进步将进一步增强实时感知和响应能力。进展将取决于将混合人工智能与优化和安全连接相结合，并得到研究人员、行业和政策制定者的协调努力的支持，以确保安全、合乎伦理且可扩展的部署。
