是指經典的感知不確定性導致的規劃軌跡畫龍問題？
要解決這個問題可以看看 Contingency Planning 的相關內容。一種常用的方法是不只是規劃一條軌跡，而是規劃一個軌跡樹。
在軌跡樹的根部（共用的部份）資訊較少，此時規劃的軌跡會同時相容所有可能的決策。當資訊充足時，才進行決策（軌跡樹分叉），比如決定左轉還是右轉。這樣可以避免畫龍的問題。
另外， A Non-Conservatively Defensive Strategy for Urban Autonomous Driving - 知乎 (zhihu.com) 中提供了一個十字路口讓行還是透過（yield or pass）的情境。從圖中可見此時同時規劃了pass和yield的兩條軌跡，當yield的概率越高（即pass的概率越低）時，共用部份的軌跡會越遷就yield，即便最後是pass，整體軌跡也是先減速後加速。這樣整個軌跡的加速度是保持平滑的，避免了在yield和pass之間切換導致的頻繁加減速。
@論文推土機 大佬對這方面的文章做了很全面的總結，詳見這篇文章。
重點推薦一篇思路比較清晰，方便入門的經典論文Contingency Model Predictive Control (CMPC)。筆者最近有時間可能會嘗試復現一下。
另外，根據我自己的理解，這種方法背後的思想，其實是將決策和規劃兩個獨立的模組進行融合，使得最終結果能從 "模組最優"（局部最優） 變成 "系統最優"（全域最優）。從這種思想出發，一種自然的想法就是能否直接將決策規劃融合為一個整體的 "端到端" 問題，透過求解這個整體的決策規劃問題來得到最優的軌跡？ @Invictus 金老師在這篇文章中分享了圖森在這方面的一些工作，不過沒有講具體的求解方法（所以大佬什麽時候出專著講講全域最佳化演算法orz）
文中圖片來源
其他參考資料推薦
