bat365A Unified Approach to Local Trajectory Planning and Control for Autonomous Driving along a Ref Path，对采样终点，为了减小计算量，文章进行了简化。采样终点的朝向与参考线方向相同。并且采样的范围被固定了在车道内的横纵向的一个区域之内。在这个文章里，作者从自车坐标系出发，进行轨迹规划bat365，所以起点的状态是

　　1bat365，获得动作序列后，需要通过积分计算位置(x,y ),由于是瑕积分所以需要用数值积分方法近似计算，比如使用Simpsons rule, 或者Runge-Kutta method等。

　　2，文章强调数值迭代方法的好处在于车辆模型的状态和动作约束可以被考虑到。这里我不懂为什么，迭代是牛顿法迭代，并没有考虑什么约束。文章原文如下：

　　3，文章强调虽然由于模型的非线性，导致我们很难去保证牛顿法迭代的收敛性，但是实验数据表明它很稳点，这点我也存疑，之前的文章通过代码实现发现并不是所有情况都是稳定的。只能说通过lookup-table的方式给定比较合理的初始解能够很大程度上增加数值迭代的稳定性。文章原文如下：

　　4，该方法的局限性之一在于不能应对U型弯掉头的case, 原因就是我们的动作序列的表达式选择是三次多项式，不一定能够很好表达出U型弯的运动状态：

　　找到最优轨迹后进行速度规划，这部分文章没有谈到细节bat365，只有几个速度的约束项的表达，内容严重缺失。

　　最后是控制部分：由于在motion planning部分的规划直接计算出来时间上的动作序列，这个动作包括横向以及纵向，所以这个动作序列可以直接被当做前馈项给到控制器，控制部分的设计框图如下：

　　对曲线的处理过于简单，只是简单的单层采样，不一定能够很好处理连续避障的情况，这个时候单层采样具有明显的局限性。

　　总体上文章使用了先采样后评估的方法，这样做失去了model predictive trajectory generation方法的本身的优势。如果是在解决一个constrained optimization problem, 完成可以将问题构造成之前文章中介绍的本方法的标准形式，直接进行优化求解。