如果有一條線，可以穿起來所有自動駕駛的核心模塊，那么我感覺它就是最優化，選擇優化變量、構造優化問題、求解優化問題，這幾個步驟貫穿了自動駕駛的始終。

先從我的自身接觸順序寫起。最開始做個一點深度學習，那還是2016年，深度學習已經飛速發展了4年左右，各種方法層出不窮。有幸看了李飛飛的深度學習課，AK大神講的大部分內容，手寫了一個網絡，了解深度學習就是構造并求解一個優化問題，了解了BP，了解了隨機梯度下降，帶動量的梯度下降，等等一系列優化問題求解方法。

學校里課題選了一個機器人機械臂作業方向，用到了一些圖像處理手段包括識別和跟蹤，了解了kalman filter, particle filter都可以用來做圖像固定片段的跟蹤。

后來工作之后做自動駕駛控制問題。了解了kalman filter, 知道了它是求解一個優化問題，可以用來平滑信號。后來從pid一路了解到LQR MPC，知道了LQRMPC都是最優控制里的一種方法，其本身也是構造優化問題，求解優化問題。

到這里其實我已經開始有點疑惑，為什么自動駕駛從上游感知到下游控制都有kalman filter, 都是構建優化問題，求解優化問題，這些優化問題之間有什么區別和聯系呢？當時試圖學習一些Boyd的凸優化課程，發現根本看不懂，當然現在看懂的可能性也不大。

后面換了工作，做了一陣子激光雷達定位。發現里面更全都是優化問題構造和求解，點云匹配是，前端里程計用的都是XXKF，eskf， ekf ，iekf， iesekf等等。后端里也是構造位姿優化問題。不過是直接利用求解器，過去10年，出現ceres, g2o, gtsam, sesync等等大規模位姿圖優化求解器。

后來做過一陣子決策規劃。看過一遍APOLLO，發現里面也都是優化問題求解，比如平滑路線是構造QP問題，局部軌跡規劃也是構造QP問題。后來寫了一陣子狀態機if-else，覺得沒有什么意思。于是看了一下強化學習的東西，發現核心也是優化問題的構造和求解。

我的疑惑更多了，從最開始的kalman filter 為什么從感知到控制都能用，到后面發現定位也都在用，也發現LQR MPC可以放在底層的控制階段用，也可以放在規劃用，現在很多決策博弈過程本質上也是優化問題求解過程。到DDP iLQR MPC等等從某種程度上也是強化學習。到Kalman filter和LQR的對偶性，等等。

從我接觸的東西，最后我得出了前面的結論如果有一條線，可以穿起來自動駕駛的核心模塊，那就是最優化。這個結論我自己是非常喜歡的，因為我通過實踐和總結，仿佛發現了什么了不得的東西。

后面會有一系列大雜燴，總結一下這10年來遇到的所有優化問題。順便做一些讀書筆記，看看有沒有更好玩的東西。