自动驾驶Planning方案中，大多数方案都是依赖于Reference Line来完成决策规划的，通过构建Frenet坐标系，可以把规划问题简化到S-L坐标，这在大多数场景下已经被验证有效，这一Reference Line主要由道路中心线来生成。
在HD-Map的版本中，中心线由存储在高精地图的地图数据产生，这些数据绝大多数情况下准确，所以依赖此数据生成的Ref-Line也比较合理。
但在无图（without HD-Map）的场景中，中心线依赖于车道线识别精度，且实际场景中车道线混乱的情况非常多（典型如新旧线等），在分汇流、城区等场景下给Ref-Line的生成带来了很多麻烦。
针对此问题，我们采取了两种策略。
针对第一个策略，我们将系统配置了两种模式，在参考线比较合理情况下，将BaseLine依然使用中心线平滑。而在不合理情况下，将进入"OSP"的模式，OSP参考引导点以及交通参与者情况生成车辆的预设轨迹，但此轨迹在下游motion中并不具备强参考作用，更多地是指导我们将要去往何处。
下图我们演示了一个LCC过路口的场景，其中展示了有无车对引导线的影响，当NOP模式下会增加引导点。
空间联合规划器我们使用了ILQR，通过增加限制cost，可以实现较好的横纵协调规划来同时保证舒适性和合理性，我们展示了两组极端场景，可以看到车辆在严重偏离横向参考时，纵向也自行进行了减速调节，偏离了参考车速，各类指标也在我们设定的限制范围内；
参考PODDP的算法策略，我们也引入了一些不确定的似然估计，来确保我们的策略既可以舒适，又可以在极端情况下仍然可以保证安全性。
在下图我们展示了一个典型的cut-in的策略，我们生成了两支轨迹树分别对应不动的belief空间，而两只则同时完成后向传递来确保两支策略同时可满足。
我们参考Epsilon的解决方案，将DCP-tree应用到我们的行为决策中，不同于原方案的是，我们将DCP的行为定义进行了简化，该策略应用于我们的整体变道决策中。
下图我们将展示一个仿真场景下DCP-tree的拓扑关系，该tree中我们进行了一些剪枝的操作。
我们使用变道策略来通过上下匝道的场景，通过DCP-tree产生变道意图后，通过变道专有的planner-ppl来完成合理的选空和加减速规划。
这里分别展示上下匝道的两个场景，对于加减速变道和选空场景不做展示(在下图的Viz中只显示变道过程的trajectory)：