自动驾驶-Planning and Control

        使用经典的启发式算法，比如A*算法来做行车判定很不靠谱，容易卡在局部最优解，浪费大量的试错也不好优化。

        特斯拉的做法呢，是使用蒙特卡洛树搜索，结合神经网络来进行行车的决策。

咱们先来说说蒙特卡洛树搜索，这个算法的名声啊很大，主要是因为谷歌当年在围棋人机大战中称王称霸的AlphaGo，就是基于这个算法的。算法的原理也很直白，就是根据当前一直的状态，在有限的时间和资源下，尽可能简单的模拟出各种可能的解决方法，并做出一个最符合要求的行动，来改变当前的状态，然后再次重新模拟。

有那么点儿高手比武，虽然两人都没动，但是在一年中已经相互过招无数，最后一招定输赢意思。

当年谷歌在AlphaGo上设计的精髓，在特斯拉的决策系统中得到了很好的体现，就是不做模拟，直接使用一个神经网络来估计在不同行驶状态下，各种驾驶决策有可能导致的结果，提供给蒙特卡洛树搜索来做选择。

而这个神经网络呢，我认为就是通过对人类驾驶行为进行模拟学习所得来的，Tesla也给出了蒙特卡洛树搜索在做选择时的要求和例子，那就是：① 安全性，有没有可能撞到东西，② 舒适性，系统所做的选择会不会突然加速或者减速而导致乘客不适，③ 效率，你可以开的很安全，也很舒适，但是开的的太慢，这也得加紧考虑。