Lattice规划是自动驾驶领域中一种基于采样和优化的运动规划方法，其核心思想是在结构化道路环境中构建规则化的采样网格（即lattice），用以高效生成候选轨迹。该方法首先在Frenet坐标系下沿道路参考线建立纵向和横向的离散采样点，形成类似晶格（lattice）的拓扑结构，再通过连接采样点生成候选轨迹簇，最后基于车辆动力学约束和优化目标函数筛选最优轨迹。相较于随机采样方法，lattice规划因其结构化特性在计算效率和轨迹平滑性方面具有显著优势。
在实际应用中，lattice规划特别适用于高速公路等结构化道路场景，其规则化的采样方式与车道保持、变道等标准驾驶行为天然契合。特斯拉2021年发布的纯视觉规划系统就采用了改进的lattice方法，通过融合感知预测结果实现厘米级轨迹精度。值得注意的是，随着深度学习的发展，现代lattice规划常与神经网络结合，例如使用学习型成本函数替代人工设计规则，这种混合架构在复杂城市场景中展现出更强的适应性。延伸阅读推荐《Optimal Trajectory Generation for Dynamic Street Scenarios in a Frenet Frame》（Werling et al., 2010），该论文首次系统阐述了lattice规划的理论框架。