翻一下Another sampling-based method is the state lattice [16]–[18] by discretizing the state space in a deterministic manne

另一种基于采样的方法是状态格[16]-[18]，通过确定性地离散化状态空间来实现。原始版本是非时间性的，用于处理静态障碍物，而时空状态格则扩展到在移动障碍物存在的情况下进行规划，但其保真度和实时性取决于采样密度。当生成过多的轨迹候选并对每个轨迹进行单独评估时，这种方法会消耗大量时间。另一种有效的方法是基于元启发式的。[19]的作者提供了一种基于遗传算法（GA）的运动规划方法，用于不确定环境中的移动机器人，结果表明其高度准确且机器人可以快速响应。然而，在自主车辆中使用GA时，计算复杂度对于实时应用来说是一个大问题。此外，经典的APF也被广泛使用。它具有实时避开障碍物的优势；然而，解决方案可能很容易陷入局部最小值[20]。最近，基于人工智能的方法在运动规划中的应用正在兴起。[21]提出了一种基于卷积神经网络的端到端系统，将相机的原始像素信息直接转换为自主车辆的转向命令。它比传统的运动规划技术更高效，在某些场景下更有效。然而，收集和训练所有可能情况下的数据是困难的，系统的鲁棒性需要改进。[22]中分别规划了路径和速度曲线，其中速度曲线通过使用时间优化来优化沿给定路径的