?自動駕駛系統(tǒng)是一個集環(huán)境感知、決策控制和動作執(zhí)行等功能于一體的綜合系統(tǒng)，是充分考慮車輛與交通環(huán)境協(xié)調(diào)規(guī)劃的系統(tǒng)，也是未來智能交通系統(tǒng)的重要組成部分。本文著重分析自動駕駛決策控制的相關(guān)技術(shù)，探索未來的發(fā)展方向。

自動駕駛系統(tǒng)簡介通常意義上，自動駕駛系統(tǒng)可以分為感知層、決策層、執(zhí)行層。

感知層

感知層被定義為環(huán)境信息和車內(nèi)信息的采集與處理，涉及道路邊界檢測、車輛檢測、行人檢測等多項技術(shù)，可認為是一種先進的傳感器技術(shù)，所采用的傳感器包括激光雷達、攝像頭、毫米波雷達、超聲波雷達、速度和加速度傳感器等。由于單一傳感器存在感知的局限性，并不能滿足各種工況下的精確感知，自動駕駛汽車要實現(xiàn)在各種環(huán)境下平穩(wěn)運行，需要運用多傳感器融合技術(shù)，該技術(shù)也是感知層的關(guān)鍵技術(shù)。

決策層

決策層可以理解為依據(jù)感知信息來進行決策判斷，確定適當(dāng)工作模型，制定相應(yīng)控制策略，替代人類駕駛員做出駕駛決策。這部分的功能類似于給自動駕駛汽車下達相應(yīng)的任務(wù)。例如在車道保持、車道偏離預(yù)警、車距保持、障礙物警告等系統(tǒng)中，需要預(yù)測本車及相遇的其他車輛、車道、行人等在未來一段時間內(nèi)的狀態(tài)。先進的決策理論包括模糊推理、強化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)技術(shù)等。由于人類駕駛過程中所面臨的路況與場景多種多樣，且不同人對不同情況所做出的駕駛策略應(yīng)對也有所不同，因此類人的駕駛決策算法的優(yōu)化需要非常完善高效的人工智能模型以及大量的有效數(shù)據(jù)。這些數(shù)據(jù)需要盡可能地覆蓋到各種罕見的路況，而這也是駕駛決策發(fā)展的最大瓶頸所在。

執(zhí)行層

執(zhí)行層是指系統(tǒng)在做出決策后，按照決策結(jié)果對車輛進行控制。車輛的各個操控系統(tǒng)都需要能夠通過總線與決策系統(tǒng)相連接，并能夠按照決策系統(tǒng)發(fā)出的總線指令精確地控制加速程度、制動程度、轉(zhuǎn)向幅度、燈光控制等駕駛動作，以實現(xiàn)車輛的自主駕駛。

圖1 自動駕駛系統(tǒng)簡介

決策控制系統(tǒng)介紹

傳統(tǒng)意義上自動駕駛系統(tǒng)的決策控制軟件系統(tǒng)包含環(huán)境預(yù)測、行為決策、動作規(guī)劃、路徑規(guī)劃等功能模塊。

環(huán)境預(yù)測模塊

環(huán)境預(yù)測模塊作為決策規(guī)劃控制模塊的直接數(shù)據(jù)上游之一，其主要作用是對感知層所識別到的物體進行行為預(yù)測，并且將預(yù)測的結(jié)果轉(zhuǎn)化為時間空間維度的軌跡傳遞給后續(xù)模塊。通常感知層所輸出的物體信息包括位置、速度、方向等物理屬性。

利用這些輸出的物理屬性，可以對物體做出“瞬時預(yù)測”。環(huán)境預(yù)測模塊不局限于結(jié)合物理規(guī)律對物體做出預(yù)測，而是可結(jié)合物體和周邊環(huán)境以及積累的歷史數(shù)據(jù)信息，對感知到的物體做出更為“宏觀”的行為預(yù)測。例如在圖2中，通過識別行人在人行道的歷史行進動作預(yù)測出行人可能會在人行道上穿越路口，而通過車輛的歷史行進軌跡可判斷其會在路口右轉(zhuǎn)。

圖2 環(huán)境預(yù)測示意圖

行為決策模塊

行為決策模塊在整個自動駕駛決策規(guī)劃控制軟件系統(tǒng)中扮演著“副駕駛”的角色。這個層面匯集了所有重要的車輛周邊信息，不僅包括了自動駕駛汽車本身的實時位置、速度、方向，還包括車輛周邊一定距離以內(nèi)所有的相關(guān)障礙物信息以及預(yù)測的軌跡。行為決策層需要解決的問題，就是在知曉這些信息的基礎(chǔ)上，決定自動駕駛汽車的行駛策略。

由于需要考慮多種不同類型的信息，行為決策問題往往很難用單一的數(shù)學(xué)模型來求解，而是要利用一些軟件工程的先進理念來設(shè)計規(guī)則引擎系統(tǒng)。例如在DARPA挑戰(zhàn)賽中，Stanford的無人車系統(tǒng)利用一系列cost設(shè)計和有限狀態(tài)機來設(shè)計無人車的軌跡和操控指令。現(xiàn)階段馬爾可夫決策過程的模型也開始被越來越多的應(yīng)用于自動駕駛系統(tǒng)行為層面的決策算法實現(xiàn)當(dāng)中。簡而言之，行為決策層面需要結(jié)合環(huán)境預(yù)測模塊的結(jié)果，輸出宏觀的決策指令供后續(xù)的規(guī)劃模塊去更具體地執(zhí)行。

動作規(guī)劃模塊

自動駕駛汽車規(guī)劃模塊包括動作規(guī)劃和路徑規(guī)劃兩部分。動作規(guī)劃模塊主要是對短期甚至是瞬時的動作進行規(guī)劃，例如轉(zhuǎn)彎、避障、超車等動作；而路徑規(guī)劃模塊是對較長時間內(nèi)車輛行駛路徑的規(guī)劃，例如從出發(fā)地到目的地之間的路線設(shè)計或選擇。

自動駕駛系統(tǒng)的設(shè)計思路是建立若干個行駛狀態(tài)，通過不同的條件觸發(fā)行駛狀態(tài)切換。這種設(shè)計思路存在切換過程平順性較差問題。在實際的系統(tǒng)設(shè)計過程中主要采用將道路中的真實目標和非真實目標都描述成虛擬質(zhì)點的方法來強化車輛行駛的平順性。其中，真實目標主要是指車輛、行人等因素；非真實目標包括限速、紅燈、停車點、道路曲率、天氣條件等?；谔摂M質(zhì)點模型方法的優(yōu)勢在于將算法模型統(tǒng)一，有效避免了傳統(tǒng)控制算法中因目標或控制模式切換產(chǎn)生的車輛加減速度跳變的問題。

路徑規(guī)劃模塊

自動駕駛汽車路徑規(guī)劃模塊是指在一定的環(huán)境模型基礎(chǔ)上，給定自動駕駛汽車起始點和目標點后，按照性能指標規(guī)劃出一條無碰撞、能安全到達目標點的有效路徑。路徑規(guī)劃主要包含兩個步驟：建立包含障礙區(qū)域與自由區(qū)域的環(huán)境地圖，以及在環(huán)境地圖中選擇合適的路徑搜索算法，快速實時地搜索可行駛路徑。路徑規(guī)劃結(jié)果對車輛行駛起著導(dǎo)航作用，它引導(dǎo)車輛從當(dāng)前位置行駛到達目標位置。環(huán)境地圖表示方法主要分為度量地圖表示法、拓撲地圖表示法等。

發(fā)展趨勢

人工智能機器學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)以及聯(lián)網(wǎng)通訊等技術(shù)的發(fā)展，進一步豐富了自動駕駛汽車發(fā)展的技術(shù)路徑，也促進了自動駕駛技術(shù)由單一的樣機演示向具備一定落地應(yīng)用能力并可實現(xiàn)自主定位的典型交通場景的方向發(fā)展。

人工智能

人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。它意在探索智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器。其一大重要的應(yīng)用領(lǐng)域就是自動駕駛，主要目標是使自動駕駛汽車具備一定的自主學(xué)習(xí)能力，并能對簡單交通環(huán)境形成記憶性認知，現(xiàn)階段人工智能技術(shù)在自動駕駛汽車領(lǐng)域的主要應(yīng)用體現(xiàn)在以下幾個方面。

1、實現(xiàn)對環(huán)境物體的識別與認知

利用多目視覺、激光雷達、毫米波雷達等傳感器件及識別算法，可以實現(xiàn)對實際道路環(huán)境中多曲面物體的準確識別。同時融入深度學(xué)習(xí)技術(shù)后，可對各物體三維空間尺寸及特征信息形成迭代分類，從而使自動駕駛汽車具有對多種類環(huán)境物體的識別與認知能力。

2、實現(xiàn)對可行駛區(qū)域的檢測

利用基于先進傳感器的地圖采集技術(shù)可以提取道路的詳細標注（標志、標線、信號燈等）和高精度位置（經(jīng)度、緯度、高度等）等信息，從而實現(xiàn)自動駕駛汽車對道路平面特征的提取，同時基于深度學(xué)習(xí)可實現(xiàn)對道路可行駛、不可行駛區(qū)域的認知識別。

3、實現(xiàn)行駛路徑的規(guī)劃與決策

決策規(guī)劃處理是人工智能技術(shù)在自動駕駛中的另一個重要應(yīng)用場景?，F(xiàn)階段主流的人工智能方法包括狀態(tài)機、決策樹、貝葉斯網(wǎng)絡(luò)等。伴隨著深度學(xué)習(xí)與增強學(xué)習(xí)技術(shù)的發(fā)展，現(xiàn)已實現(xiàn)了對復(fù)雜工況的決策并能進行在線優(yōu)化學(xué)習(xí)。由于在實際道路中影響駕駛路徑規(guī)劃的因素非常多，勢必會占用較多的計算資源。為提高計算效率，日本研究學(xué)者提出了“安全場”的研究思路，即形成典型交通場景作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入，以提高自動駕駛汽車的決策效率，提升路徑規(guī)劃能力。

圖3 基于機器學(xué)習(xí)的非結(jié)構(gòu)化道路檢測框架

智能網(wǎng)聯(lián)

結(jié)合通訊技術(shù)的發(fā)展，運用車與車、車與路、車與人、車與云之間的實時通訊技術(shù)，可為人工智能技術(shù)在自動駕駛技術(shù)應(yīng)用過程中的數(shù)據(jù)、計算與算法等三大要素提供進一步支持，還可面向多車型、多場景智能駕駛需求，提供解決群體智能駕駛系統(tǒng)協(xié)同駕駛所面臨的問題?；谥悄芫W(wǎng)聯(lián)的車云協(xié)同自動駕駛系統(tǒng)的具體架構(gòu)如下圖4所示。

圖4 基于人工智能的車云協(xié)同自動駕駛系統(tǒng)構(gòu)建方案示意圖

該架構(gòu)方案分為基于AI的自動駕駛智能終端和基于大數(shù)據(jù)分析的自動駕駛云端系統(tǒng)兩部分，共同形成了一種集復(fù)雜環(huán)境精確感知、通行智慧決策與行車控制優(yōu)化執(zhí)行的車云協(xié)同一體自動駕駛系統(tǒng)。車云協(xié)同技術(shù)在不同的行車工況與應(yīng)用場景中，可實現(xiàn)精準的行車環(huán)境感知、智慧通行決策與優(yōu)化行車動作控制，并實現(xiàn)車端與云端之間的信息數(shù)據(jù)交互與協(xié)同。

基于智能網(wǎng)聯(lián)的自動駕駛系統(tǒng)車云協(xié)同技術(shù)主要解決多源異構(gòu)數(shù)據(jù)融合不足和前端設(shè)備計算力不夠的問題，即將車身傳感器節(jié)點的采樣數(shù)據(jù)（如GPS/INS數(shù)據(jù)、毫米波雷達數(shù)據(jù)）和多媒體數(shù)據(jù)（如攝像頭圖像）按一定頻率傳輸?shù)皆贫藬?shù)據(jù)庫，同時進行在線處理、離線處理、溯源處理和復(fù)雜數(shù)據(jù)分析。并基于人工智能集成應(yīng)用算法的智能駕駛控制模型，為車輛決策提供可靠、高效的協(xié)同控制方案。

人工智能算法應(yīng)用技術(shù)云平臺是自動駕駛云端系統(tǒng)的核心部分，其結(jié)合機器學(xué)習(xí)、數(shù)據(jù)挖掘等相關(guān)技術(shù)，對感知融合信息進行分析，為車輛控制規(guī)劃提供決策依據(jù)。并利用虛擬化技術(shù)及網(wǎng)絡(luò)技術(shù)整合大規(guī)?？蓴U展的計算、存儲、數(shù)據(jù)、應(yīng)用等分布式計算資源完成人工智能模型算法的學(xué)習(xí)訓(xùn)練，實現(xiàn)在云端訓(xùn)練人工智能模型，并通過車云協(xié)同技術(shù)將其部署到嵌入式平臺，使人工智能算法在車端自動駕駛系統(tǒng)上得到深度應(yīng)用。

目前網(wǎng)聯(lián)技術(shù)在自動駕駛領(lǐng)域的應(yīng)用主要集中在信息服務(wù)和頂層監(jiān)控，通過智能網(wǎng)聯(lián)的技術(shù)路線實現(xiàn)高度自動駕駛?cè)孕枰鉀Q信息安全、傳輸時延、網(wǎng)絡(luò)覆蓋等棘手問題才能真正落地應(yīng)用。

智能計算平臺

自動駕駛汽車從交通運輸工具逐步轉(zhuǎn)變?yōu)樾滦鸵苿又悄芙K端。汽車功能和屬性的改變導(dǎo)致其電子電氣架構(gòu)隨之改變，進而需要更強的計算、數(shù)據(jù)存儲和通信能力作為基礎(chǔ)，車載智能計算平臺是滿足上述要求的重要解決方案。

車載智能計算平臺主要完成的功能是以環(huán)境感知數(shù)據(jù)、導(dǎo)航定位信息、車輛實時數(shù)據(jù)、云端智能計算平臺數(shù)據(jù)和其他V2X交互數(shù)據(jù)等作為輸入，基于環(huán)境感知定位、智能規(guī)劃決策和車輛運動控制等核心控制算法，輸出驅(qū)動、傳動、轉(zhuǎn)向和制動等執(zhí)行控制指令，實現(xiàn)車輛的自動控制，并向云端智能計算平臺及V2X設(shè)備輸出數(shù)據(jù)，還能夠通過人機交互界面，實現(xiàn)車輛駕駛信息的人機交互。?