lattice planner
先对t采样，得到s，根据s采样，得到L，然后组合得到完整的S、L、t，再从Frenet坐标系转为世界坐标系，这样轨迹就出现了。
0、轨迹拼接；*在上一帧轨迹中的匹配点。两个维度出发：时间t和历程s。拼接轨迹规划起点；
1、离散参考线上的点；
2、寻找参考线上匹配的点；*匹配点，最近点；
3、frenet坐标系转换；
4、ST、SL图构建；200m，8s
5、横向、纵向规划；*降维解耦，轨迹=纵向+横向+时间；*T和s得到s和速度，根据s和l得到坐标，
纵向规划，巡航（四次多项式）、跟车（五次多项式）、超车（五次多项式），难点在于终点的位置和速度选择，以及分辨率的选择。
横向规划分为采样点规划（五次多项式）、二次规划（调用osqp求解器的库），Apollo默认进入二次规划，因为速度快。
以ds=1m进行采样，遍历每个采样点的横向可达范围，即每个点的横向约束，通过这么多约束构建对应的二次型，最后通过调用OSQP进行二次规划求解…
6、轨迹评价；*可行性判断；*cost计算
cost的内容
a、Cost of missing the objective, e.g., cruise, stop, etc.
b、Cost of longitudinal jerk
c、Cost of longitudinal collision
d、向心加速度
e、Cost of lateral offsets
f、Cost of lateral comfort
7、合并轨迹；我们可以计算出在T*时刻的纵向偏移量和横向偏移量，再通过参考线，即可还原成一个二维平面中的轨迹点。通过一系列的时间点T0，T1，…，Tn，可以获得一系列的轨迹点P0，P1，…，Pn，最终形成一条完整的轨迹；
EMplannner
1、上周期规划轨迹和目标预测，将障碍物投影至SL图上；
采样、DP求解出最优路径；（8s/200m，cost包括平滑度、避撞安全度，靠近参考线，决策）
2、根据最优路径得到凸空间，构建目标函数和约束进行二次优化求解，得到最优路径；（靠近粗解、平滑、舒适）
3、根据最优路径和目标预测，投影至ST图中；
4、稠密采样得到点，进行DP求解；（不同疏密度撒点，）
根据DP结果得到凸空间，构建目标函数和约束进行二次优化求解，得到最优速度曲线；（约束主要包括可行驶空间，动力学约束以及交通法规限制）
5、合并成为轨迹，传给控制和输入给下周期规划。
路径DP过程：
*1、先采样，撒点得到path_waypoints；
*2、然后构造graph，即forward过程；
*3、backward过程，顺藤摸瓜得到cost最小路径；
*4、目标函数构建；路径（path cost（平滑性、舒适性、紧凑性）、静态障碍物cost、动态障碍物cost）；
路径QP过程：
1、cost函数：平滑性，横向位置速度加速度，距离参考线近，l-lref；
2、结合等式约束和不等式约束；
3、ospp求解；
速度DP过程：
*1、先采样，撒点得到ST区域；
*2、然后构造graph，即forward过程；
*3、backward过程，顺藤摸瓜得到最优速度曲线；
*4、目标函数构建；速度（edge cost（速度加速度加加速度）、静态障碍物cost、动态障碍物cost），前一个点的cost；
速度QP过程：
4、cost函数：平滑性，纵向位置速度加速度，距离参考线近，s-sref，终点；
5、结合等式约束和不等式约束；
6、ospp求解；
lattice优点：参数少且统一化，计算消耗低，流程简单，简单场景解空间大，适合简单场景。同时生成了符合车辆动力学的路径与速度曲线，不用去进一步平滑处理；
缺点：对于城区复杂道路，求解较慢或计算量增大；
EM优点：适合复杂场景；
缺点：参数较多，流程复杂；