本模块介绍了自动驾驶运动规划问题的丰富内涵和挑战，展示了一个工作示例，整个课程都将围绕该示例展开。 重点是定义驾驶中遇到的主要场景、损失函数类型和影响规划的约束条件，以及将规划问题分解为行为和轨迹规划子问题的通用方法。 本模块将介绍一种通用的分层运动规划优化公式，并在后续模块中进一步扩展和实施。

占位网格是将空间离散为固定大小的单元格，每个单元格都包含被占用的概率。它是机器人技术中常用的一种基本数据结构，也是存储完整点云的一种替代方法。本模块介绍了占位网格，并回顾了该数据结构的空间和计算要求。在许多情况下，二维占位网格就足够了；学员将研究如何有效地压缩和过滤三维激光雷达扫描，以形成二维地图。

本模块介绍图上最短路径搜索的概念，以便在行车地图中找到一连串的路段，将车辆从当前位置导航到目的地。 该模块涵盖了包含路段、交叉路口和旅行时间的路线图的定义，并介绍了 Dijkstra 和 A* 搜索法，用于识别道路网络中的最短路径。

本模块将动态障碍物引入行为规划问题，并向学员介绍评估环境中车辆和行人碰撞时间的工具。

该模块开发了一个基于基本规则的行为规划系统，可对驾驶行为（如变道、通过停放的车辆和通过交叉路口）进行高级决策。 该模块定义了一套一致的规则，通过对这些规则进行评估来选择首选的车辆行为，从而限制了低级规划中可能探索的路径和速度曲线。

反应式规划器利用传感器足迹内的局部信息和地图坐标框架中定义的全局目标，确定一条局部可行的路径，该路径不会发生碰撞，并能向目标前进。 在本模块中，学习者将开发一种轨迹滚动和动态窗口规划器，该规划器可在任意静态二维环境中寻找路径。 此外，还将讨论该方法在真正自动驾驶方面的局限性。

参数化曲线被广泛用于定义自动驾驶环境中的路径。 本模块将连续曲线路径优化介绍为一个两点边界值问题，即在满足曲率约束的同时，最大限度地减小与所需路径的偏差。