三個(gè)方面闡述了常用的無人駕駛避障方法

根據(jù)無人駕駛避障的過程，將無人駕駛避障分成三個(gè)方面：運(yùn)動(dòng)障礙物檢測(cè)、運(yùn)動(dòng)障礙物碰撞軌跡預(yù)測(cè)、運(yùn)動(dòng)障礙物避障。本本文圍繞中三個(gè)方面闡述了常用的無人駕駛避障方法。

我們必須先要理解無人駕駛避障的含義，很明顯我們根據(jù)無人駕駛避障的過程，可以將無人駕駛避障分成三個(gè)方面：

運(yùn)動(dòng)障礙物檢測(cè)：對(duì)運(yùn)動(dòng)過程中環(huán)境中的運(yùn)動(dòng)障礙物進(jìn)行檢測(cè),主要由車載環(huán)境感知系統(tǒng)完成。（很明顯，從常識(shí)角度看，避開障礙物的第一步就是檢測(cè)障礙物）

運(yùn)動(dòng)障礙物碰撞軌跡預(yù)測(cè)：對(duì)運(yùn)動(dòng)過程中可能遇到的障礙物進(jìn)行可能性評(píng)級(jí)與預(yù)測(cè),判斷與無人駕駛車輛的碰撞關(guān)系。（當(dāng)你檢測(cè)到障礙物后，你就得讓機(jī)器判斷是否會(huì)與汽車相撞）

運(yùn)動(dòng)障礙物避障：通過智能決策和路徑規(guī)劃,使無人駕駛車輛安全避障,由車輛路徑?jīng)Q策系統(tǒng)執(zhí)行。（判斷了可能會(huì)與汽車發(fā)生碰撞的障礙物后，你就得去讓機(jī)器做出決策來避障了）

接下來我們將會(huì)從這三個(gè)方面來大致闡述現(xiàn)如今都有哪些方法。

運(yùn)動(dòng)障礙物檢測(cè)方法

其實(shí)運(yùn)動(dòng)障礙物檢測(cè)這部分呢，要是看過我前面提到的調(diào)研就會(huì)明白，運(yùn)動(dòng)障礙物檢測(cè)根據(jù)他們的sensor主要分成兩類：

一種是基于激光雷達(dá)和毫米波雷達(dá)的

一種是基于立體視覺的

基于激光雷達(dá)

那么根據(jù)激光雷達(dá)的檢測(cè)方法主要有三種：

地圖差分法。地圖差分法是指根據(jù)地圖上不同障礙物在不同時(shí)刻的狀態(tài)來分析障礙物分布,得到運(yùn)動(dòng)信息。有篇文章提出了動(dòng)態(tài)環(huán)境中基于時(shí)空關(guān)聯(lián)屬性的動(dòng)靜態(tài)障礙實(shí)時(shí)檢測(cè)方法。將不同時(shí)刻環(huán)境感知傳感器的讀數(shù)統(tǒng)一轉(zhuǎn)換到世界坐標(biāo)系中,分析障礙的時(shí)間屬性和空間屬性,就能夠識(shí)別動(dòng)態(tài)障礙和靜態(tài)障礙。該方法不需要將傳感器讀數(shù)映射到柵格地圖上,節(jié)省了存儲(chǔ)和計(jì)算時(shí)間,提高了障礙識(shí)別效率。

實(shí)體類聚法。實(shí)物類聚法通過將激光雷達(dá)收集到的數(shù)據(jù)進(jìn)行分類,將運(yùn)動(dòng)障礙物的實(shí)體信息根據(jù)分類進(jìn)行匯總,每一個(gè)障礙物實(shí)體狀態(tài)信息由很多個(gè)類別中的信息組成,從而對(duì)其進(jìn)行一些狀態(tài)描述

目標(biāo)跟蹤法。目標(biāo)跟蹤法指對(duì)障礙物進(jìn)行軌跡跟蹤從而獲得運(yùn)動(dòng)信息。由于在多目標(biāo)環(huán)境下數(shù)據(jù)的關(guān)聯(lián)性和激光雷達(dá)傳感器的必然誤差,不同時(shí)刻的目標(biāo)關(guān)聯(lián)需要按情況分類討論。

總之這個(gè)基于激光雷達(dá)的障礙物檢測(cè)方法有個(gè)致命的缺陷就是成本高，優(yōu)點(diǎn)就是精度高。

基于立體視覺

近幾年，計(jì)算機(jī)視覺很火，在無人駕駛障礙物檢測(cè)這塊也有很大的應(yīng)用。但是講真，計(jì)算機(jī)視覺算是人工智能領(lǐng)域技術(shù)性很強(qiáng)的一塊工作了。在過去的幾年里，很多基于2D/3D視覺的傳感器技術(shù)都被提出來應(yīng)用到各種場(chǎng)景與應(yīng)用中，也有不少文章對(duì)此做了許多針對(duì)新的闡述。比如說ITSC2014中有篇文章針對(duì)障礙物檢測(cè)這個(gè)方向主要被分成了四類方法：

第一類是probabilistic occupancy maps，由ELFES首次提出。

這個(gè)方法就是把機(jī)器眼中的世界，看成由很多小網(wǎng)格組成的大網(wǎng)格，該算法的目的就是來計(jì)算不同時(shí)間刻度下這些網(wǎng)格連接之間的相關(guān)性。具體算法，有興趣地大家可以去看看（我是沒興趣的）

第二類是digital elevation map，簡(jiǎn)稱DEM。乍一看這個(gè)其實(shí)挺出名的，以前我們?cè)趯W(xué)地理課時(shí)就常?？吹竭@樣的縮寫，但是人家是digital elevation model，其實(shí)本質(zhì)上是一樣的，這是一個(gè)基于高度的網(wǎng)格表示法。如下圖所示：

第三類叫做scene flow segmentation或者叫做光流更貼切些。毋庸置疑，做無人駕駛視覺相關(guān)算法的人應(yīng)該都知道這個(gè)算法，很火。Optical Flow是圖片序列或者視頻中像素級(jí)的密集對(duì)應(yīng)關(guān)系，例如在每個(gè)像素上估算一個(gè)2維的偏移矢量，得到的Optical Flow以2維矢量場(chǎng)表示。這個(gè)方法我個(gè)人感覺比較成熟了，畢竟CNN的優(yōu)勢(shì)擺在那里呢。感興趣的人可以去看看ECCV2016，里面有訓(xùn)練CNN快速且準(zhǔn)確地得到2維偏移矢量場(chǎng)的相關(guān)信息。

最后一類就是基于幾何的聚類方法，這種方法就是對(duì)三維空間中點(diǎn)云形成的幾何形狀做聚類。這種方法簡(jiǎn)單迅速，也有不少文章做了相關(guān)評(píng)估。

就比如說人家斯坦福在2015年發(fā)表的一篇文章里就提出了用兩個(gè)360度的攝像頭來做障礙物檢測(cè)。這個(gè)思想就是受到基于幾何的聚類方法的啟發(fā)。

上圖被黃色覆蓋的幾何形狀就是障礙物。

運(yùn)動(dòng)障礙物碰撞軌跡預(yù)測(cè)

前面我們從障礙物的表達(dá)及識(shí)別，講述了四個(gè)國(guó)內(nèi)外應(yīng)用的方法。接下來我們來談?wù)勥\(yùn)動(dòng)障礙物碰撞軌跡的預(yù)測(cè)。我想其實(shí)這個(gè)小標(biāo)題應(yīng)該改成運(yùn)動(dòng)障礙物的追蹤。這個(gè)部分其實(shí)是與前面一部分障礙物的檢測(cè)識(shí)別分不開的。無人車的感知系統(tǒng)需要實(shí)時(shí)識(shí)別和追蹤多個(gè)運(yùn)動(dòng)目標(biāo)（Multi-ObjectTracking，MOT），例如車輛和行人。

物體識(shí)別是計(jì)算機(jī)視覺的核心問題之一，最近幾年由于深度學(xué)習(xí)的革命性發(fā)展，計(jì)算機(jī)視覺領(lǐng)域大量使用CNN，物體識(shí)別的準(zhǔn)確率和速度得到了很大提升，但總的來說物體識(shí)別算法的輸出一般是有噪音的：物體的識(shí)別有可能不穩(wěn)定，物體可能被遮擋，可能有短暫誤識(shí)別等。自然地，MOT問題中流行的Tracking-by-detection方法就要解決這樣一個(gè)難點(diǎn)：如何基于有噪音的識(shí)別結(jié)果獲得魯棒的物體運(yùn)動(dòng)軌跡。在ICCV 2015會(huì)議上，斯坦福大學(xué)的研究者發(fā)表了基于馬爾可夫決策過程（MDP）的MOT算法來解決這個(gè)問題。

運(yùn)動(dòng)障礙物避障

運(yùn)動(dòng)障礙物的避障本質(zhì)上它是一個(gè)路徑規(guī)劃的過程：在路段上有未知障礙物的情況下,按照一定的評(píng)價(jià)標(biāo)準(zhǔn),尋找一條從起始狀態(tài)到目標(biāo)狀態(tài)的無碰撞路徑。路徑規(guī)劃分為兩大類，全局規(guī)劃與局部規(guī)劃。為了提高全局重規(guī)劃計(jì)算效率，一般在全局規(guī)劃之外增加局部規(guī)劃以提高規(guī)劃系統(tǒng)的實(shí)時(shí)性。

全局規(guī)劃指已知全局環(huán)境信息，在有障礙物的全局地圖中按照某種算法尋找合適的從起始位置到目標(biāo)位置的無障礙無碰撞路徑。

局部路徑規(guī)劃是指在無法取得全局環(huán)境信息的情況下，只能利用多種傳感器來獲取移動(dòng)機(jī)器人自身的狀態(tài)信息的周圍的局部環(huán)境信息，實(shí)時(shí)地規(guī)劃理想的不碰撞局部路徑，一般只在短時(shí)間內(nèi)有效。勢(shì)場(chǎng)法、模糊邏輯法、神經(jīng)網(wǎng)絡(luò)法、占據(jù)柵格法、空間搜索法和基于數(shù)據(jù)融合的直接規(guī)劃方法。我們看下面這張圖：

上圖展示了一種無人車軟件系統(tǒng)的典型功能模塊劃分。其中路徑規(guī)劃基本cover整個(gè)功能模塊。因此這一部分涉及的內(nèi)容超多。我們這次障礙物避障調(diào)研主要focus在感知、預(yù)測(cè)、地圖定位、路徑尋由及行為決策模塊。

預(yù)測(cè)

預(yù)測(cè)模塊的作用是對(duì)感知所探測(cè)到的物體進(jìn)行行為預(yù)測(cè)，并且將預(yù)測(cè)的結(jié)果具體化為時(shí)間空間維度的軌跡傳遞給下游模塊：行為決策模塊。然后行為決策模塊結(jié)合路由尋徑模塊從而進(jìn)行行為決策。整個(gè)過程如下如所示：

上面我們可以看到，這個(gè)行為決策就是咱們機(jī)器學(xué)習(xí)上的多分類選擇問題。在t時(shí)刻的情況下，有路由尋徑模塊給出三個(gè)選擇：

lane1、lane2、lane3

lane1、lane6、lane8

lane1、lane4、lane5、lane7

這些選擇就是結(jié)合高精地圖的全局規(guī)劃，然后再通過汽車周邊傳感器感知的信息進(jìn)行局部規(guī)劃，從而判斷汽車是否右轉(zhuǎn)、直行or并道。

路徑尋由

前面我們將預(yù)測(cè)模塊時(shí)，提到了路徑尋由的模塊。路徑尋由本質(zhì)上就是咱們數(shù)據(jù)結(jié)構(gòu)算法里學(xué)到的A點(diǎn)到B點(diǎn)的路由問題。這個(gè)咱們不細(xì)講了。路由尋徑問題可以利用常見的A*搜索算法或者Dijkstra最短路徑算法來進(jìn)行實(shí)現(xiàn)。

行為決策

無人車的行為決策模塊是一個(gè)信息匯聚的地方。由于需要考慮如此多種不同類型的信息以及受到非常本地化的交規(guī)限制，行為決策問題往往很難用一個(gè)單純的數(shù)學(xué)模型來進(jìn)解決。往往更適合行為決策模塊的解決方法，是利用一些軟件工程的先進(jìn)觀念來設(shè)計(jì)一些規(guī)則引擎系統(tǒng)。例如在DARPA無人車競(jìng)賽中，Stanford的無人車系統(tǒng)“Junior”利用一系列cost設(shè)計(jì)和有限狀態(tài)機(jī)（Finite State Machine）來設(shè)計(jì)無人車的軌跡和操控指令。在近來的無人車規(guī)劃控制相關(guān)工作中，基于馬爾可夫決策過程（Markov Decision Process）的模型也開始被越來越多得應(yīng)用到無人車行為層面的決策算法實(shí)現(xiàn)當(dāng)中。簡(jiǎn)而言之，行為決策層面需要結(jié)合路由尋徑的意圖，周邊物體和交通規(guī)則，輸出宏觀的行為層面決策指令供下游的動(dòng)作規(guī)劃模塊去更具體地執(zhí)行。其具體的指令集合設(shè)計(jì)則需要和下游的動(dòng)作規(guī)劃模塊達(dá)成一致。