决策算法的本质目的就是开辟凸空间，
便于后期使用二次规划QP搜索出一条符合约束条件的最优路径。
最优路径的含义：使目标函数最小化的路径。
路径规划本质就是求曲线方程：。
开辟凸空间的方法有很多：
1，重决策的策略：分层状态机，深度学习等。根据经验规则进行决策。
2，轻决策：DP。根据代价Cost进行决策。
一，DP决策算法：根据代价Cost进行决策
DP的过程：
?
?
在frenet坐标系中，在均匀固定的的
方向均匀撒点，并用5次曲线（或者其他曲线）连接各点。每条曲线的方程为：
。
每条曲线都有对应的Cost,用DP算法找到Cost最小的路径，作为粗解。
并以此粗解为基础开辟凸空间。
DP结果：
二，分层状态机（或者深度学习）：根据经验规则进行决策
根据经验规则，结合主车与障碍物距离，相对速度，周围环境等场景信息，综合获得决策结果。
建立场景与决策的映射关系。
三，2种策略算法的优缺点分析
DP：
优点：
1，无需经验规则，根据代价Cost即可处理复杂的场景。
2，通过DP可获得凸空间中路径曲线的粗解，有了粗解作为基础路径，QP进行平滑时更易于求解出最优路径。
缺点：
1，场景复杂时，计算量较大
2，代价函数设计较为复杂
3，对于感知，定位精度要求相对较高
分层状态机：
优点：
1，计算量较小
2，对于感知，定位精度要求相对较低
缺点：
1，场景太多，无法完全覆盖
2，根据经验规则开辟的凸空间可能比较复杂，故通过二次规划可能无法获得最终的解。
四，应用场景
重决策：L2，L3
轻决策：L4
