一文梳理無(wú)人駕駛汽車系統(tǒng)基本框架

無(wú)人駕駛系統(tǒng)的核心可以概述為三個(gè)部分：感知(Perception)，規(guī)劃(Planning)和控制(Control)，這些部分的交互以及其與車輛硬件、其他車輛的交互可以用下圖表示：

感知是指無(wú)人駕駛系統(tǒng)從環(huán)境中收集信息并從中提取相關(guān)知識(shí)的能力。其中，環(huán)境感知(Environmental Perception)特指對(duì)于環(huán)境的場(chǎng)景理解能力，例如障礙物的位置，道路標(biāo)志/標(biāo)記的檢測(cè)，行人車輛的檢測(cè)等數(shù)據(jù)的語(yǔ)義分類。一般來(lái)說(shuō)，定位(Localization)也是感知的一部分，定位是無(wú)人車確定其相對(duì)于環(huán)境的位置的能力。

規(guī)劃是無(wú)人車為了某一目標(biāo)而作出一些有目的性的決策的過(guò)程，對(duì)于無(wú)人駕駛車輛而言，這個(gè)目標(biāo)通常是指從出發(fā)地到達(dá)目的地，同時(shí)避免障礙物，并且不斷優(yōu)化駕駛軌跡和行為以保證乘客的安全舒適。規(guī)劃層通常又被細(xì)分為任務(wù)規(guī)劃(Mission Planning)，行為規(guī)劃(Behavioral Planning)和動(dòng)作規(guī)劃(Motion Planning)三層。

最后，控制則是無(wú)人車精準(zhǔn)地執(zhí)行規(guī)劃好的動(dòng)作的能力，這些動(dòng)作來(lái)源于更高的層。

感知

環(huán)境感知

為了確保無(wú)人車對(duì)環(huán)境的理解和把握，無(wú)人駕駛系統(tǒng)的環(huán)境感知部分通常需要獲取周圍環(huán)境的大量信息，具體來(lái)說(shuō)包括：障礙物的位置，速度以及可能的行為，可行駛的區(qū)域，交通規(guī)則等等。無(wú)人車通常是通過(guò)融合激光雷達(dá)(Lidar)，相機(jī)(Camera)，毫米波雷達(dá)(Millimeter Wave Radar)等多種傳感器的數(shù)據(jù)來(lái)獲取這些信息，本節(jié)我們簡(jiǎn)要地了解一下激光雷達(dá)和相機(jī)在無(wú)人車感知中的應(yīng)用。

激光雷達(dá)是一類使用激光進(jìn)行探測(cè)和測(cè)距的設(shè)備，它能夠每秒鐘向環(huán)境發(fā)送數(shù)百萬(wàn)光脈沖，它的內(nèi)部是一種旋轉(zhuǎn)的結(jié)構(gòu)，這使得激光雷達(dá)能夠?qū)崟r(shí)的建立起周圍環(huán)境的3維地圖。

通常來(lái)說(shuō)，激光雷達(dá)以10Hz左右的速度對(duì)周圍環(huán)境進(jìn)行旋轉(zhuǎn)掃描，其掃描一次的結(jié)果為密集的點(diǎn)構(gòu)成的3維圖，每個(gè)點(diǎn)具備(x,y,z)信息，這個(gè)圖被稱為點(diǎn)云圖(Point Cloud Graph)，如下圖所示，是使用Velodyne VLP-32c激光雷達(dá)建立的一個(gè)點(diǎn)云地圖：

激光雷達(dá)因其可靠性目前仍是無(wú)人駕駛系統(tǒng)中最重要的傳感器，然而，在現(xiàn)實(shí)使用中，激光雷達(dá)并不是完美的，往往存在點(diǎn)云過(guò)于稀疏，甚至丟失部分點(diǎn)的問(wèn)題，對(duì)于不規(guī)則的物體表面，使用激光雷達(dá)很難辨別其模式，在諸如大雨天氣這類情況下，激光雷達(dá)也無(wú)法使用。

為了理解點(diǎn)云信息，通常來(lái)說(shuō)，我們對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行兩步操作：分割(Segmentation)和分類(Classification)。其中，分割是為了將點(diǎn)云圖中離散的點(diǎn)聚類成若干個(gè)整體，而分類則是區(qū)分出這些整體屬于哪一個(gè)類別(比如說(shuō)行人，車輛以及障礙物)。分割算法可以被分類如下幾類：

基于邊的方法，例如梯度過(guò)濾等;

基于區(qū)域的方法，這類方法使用區(qū)域特征對(duì)鄰近點(diǎn)進(jìn)行聚類，聚類的依據(jù)是使用一些指定的標(biāo)準(zhǔn)(如歐幾里得距離，表面法線等)，這類方法通常是先在點(diǎn)云中選取若干種子點(diǎn)(seed points)，然后使用指定的標(biāo)準(zhǔn)從這些種子點(diǎn)出發(fā)對(duì)鄰近點(diǎn)進(jìn)行聚類;

參數(shù)方法，這類方法使用預(yù)先定義的模型去擬合點(diǎn)云，常見(jiàn)的方法包括隨機(jī)樣本一致性方法(Random Sample Consensus，RANSAC )和霍夫變換(Hough Transform，HT);

基于屬性的方法，首先計(jì)算每個(gè)點(diǎn)的屬性，然后對(duì)屬性相關(guān)聯(lián)的點(diǎn)進(jìn)行聚類的方法;

基于圖的方法;

基于機(jī)器學(xué)習(xí)的方法;

在完成了點(diǎn)云的目標(biāo)分割以后，分割出來(lái)的目標(biāo)需要被正確的分類，在這個(gè)環(huán)節(jié)，一般使用機(jī)器學(xué)習(xí)中的分類算法，如支持向量機(jī)(Support Vector Machine，SVM)對(duì)聚類的特征進(jìn)行分類，最近幾年由于深度學(xué)習(xí)的發(fā)展，業(yè)界開(kāi)始使用特別設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)對(duì)三維的點(diǎn)云聚類進(jìn)行分類。

然而，不論是提取特征-SVM的方法還是原始點(diǎn)云-CNN的方法，由于激光雷達(dá)點(diǎn)云本身解析度低的原因，對(duì)于反射點(diǎn)稀疏的目標(biāo)(比如說(shuō)行人)，基于點(diǎn)云的分類并不可靠，所以在實(shí)踐中，我們往往融合激光雷達(dá)和相機(jī)傳感器，利用相機(jī)的高分辨率來(lái)對(duì)目標(biāo)進(jìn)行分類，利用Lidar的可靠性對(duì)障礙物檢測(cè)和測(cè)距，融合兩者的優(yōu)點(diǎn)完成環(huán)境感知。

在無(wú)人駕駛系統(tǒng)中，我們通常使用圖像視覺(jué)來(lái)完成道路的檢測(cè)和道路上目標(biāo)的檢測(cè)。道路的檢測(cè)包含對(duì)道路線的檢測(cè)(Lane Detection)，可行駛區(qū)域的檢測(cè)(Drivable Area Detection);道路上路標(biāo)的檢測(cè)包含對(duì)其他車輛的檢測(cè)(Vehicle Detection)，行人檢測(cè)(Pedestrian Detection)，交通標(biāo)志和信號(hào)的檢測(cè)(Traffic Sign Detection)等所有交通參與者的檢測(cè)和分類。

車道線的檢測(cè)涉及兩個(gè)方面：第一是識(shí)別出車道線，對(duì)于彎曲的車道線，能夠計(jì)算出其曲率，第二是確定車輛自身相對(duì)于車道線的偏移(即無(wú)人車自身在車道線的哪個(gè)位置)。一種方法是抽取一些車道的特征，包括邊緣特征(通常是求梯度，如索貝爾算子)，車道線的顏色特征等，使用多項(xiàng)式擬合我們認(rèn)為可能是車道線的像素，然后基于多項(xiàng)式以及當(dāng)前相機(jī)在車上掛載的位置確定前方車道線的曲率和車輛相對(duì)于車道的偏離。

可行駛區(qū)域的檢測(cè)目前的一種做法是采用深度神經(jīng)網(wǎng)絡(luò)直接對(duì)場(chǎng)景進(jìn)行分割，即通過(guò)訓(xùn)練一個(gè)逐像素分類的深度神經(jīng)網(wǎng)絡(luò)，完成對(duì)圖像中可行駛區(qū)域的切割。

交通參與者的檢測(cè)和分類目前主要依賴于深度學(xué)習(xí)模型，常用的模型包括兩類：

以RCNN為代表的基于Region Proposal的深度學(xué)習(xí)目標(biāo)檢測(cè)算法(RCNN，SPP-NET，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN等);

以YOLO為代表的基于回歸方法的深度學(xué)習(xí)目標(biāo)檢測(cè)算法(YOLO，SSD等)

定位

在無(wú)人車感知層面，定位的重要性不言而喻，無(wú)人車需要知道自己相對(duì)于環(huán)境的一個(gè)確切位置，這里的定位不能存在超過(guò)10cm的誤差，試想一下，如果我們的無(wú)人車定位誤差在30厘米，那么這將是一輛非常危險(xiǎn)的無(wú)人車(無(wú)論是對(duì)行人還是乘客而言)，因?yàn)闊o(wú)人駕駛的規(guī)劃和執(zhí)行層并不知道它存在30厘米的誤差，它們?nèi)匀话凑斩ㄎ痪珳?zhǔn)的前提來(lái)做出決策和控制，那么對(duì)某些情況作出的決策就是錯(cuò)的，從而造成事故。由此可見(jiàn)，無(wú)人車需要高精度的定位。

目前使用最廣泛的無(wú)人車定位方法當(dāng)屬融合全球定位系統(tǒng)(Global Positioning System，GPS)和慣性導(dǎo)航系統(tǒng)(Inertial Navigation System)定位方法，其中，GPS的定位精度在數(shù)十米到厘米級(jí)別之間，高精度的GPS傳感器價(jià)格也就相對(duì)昂貴。融合GPS/IMU的定位方法在GPS信號(hào)缺失，微弱的情況下無(wú)法做到高精度定位，如地下停車場(chǎng)，周圍均為高樓的市區(qū)等，因此只能適用于部分場(chǎng)景的無(wú)人駕駛?cè)蝿?wù)。

地圖輔助類定位算法是另一類廣泛使用的無(wú)人車定位算法，同步定位與地圖構(gòu)建(Simultaneous Localization And Mapping，SLAM)是這類算法的代表，SLAM的目標(biāo)即構(gòu)建地圖的同時(shí)使用該地圖進(jìn)行定位，SLAM通過(guò)利用已經(jīng)觀測(cè)到的環(huán)境特征確定當(dāng)前車輛的位置以及當(dāng)前觀測(cè)特征的位置。

這是一個(gè)利用以往的先驗(yàn)和當(dāng)前的觀測(cè)來(lái)估計(jì)當(dāng)前位置的過(guò)程，實(shí)踐上我們通常使用貝葉斯濾波器(Bayesian filter)來(lái)完成，具體來(lái)說(shuō)包括卡爾曼濾波(Kalman Filter)，擴(kuò)展卡爾曼濾波(Extended Kalman Filter)以及粒子濾波(Particle Filter)。

SLAM雖然是機(jī)器人定位領(lǐng)域的研究熱點(diǎn)，但是在實(shí)際無(wú)人車開(kāi)發(fā)過(guò)程中使用SLAM定位卻存在問(wèn)題，不同于機(jī)器人，無(wú)人車的運(yùn)動(dòng)是長(zhǎng)距離的，大開(kāi)放環(huán)境的。在長(zhǎng)距離的運(yùn)動(dòng)中，隨著距離的增大，SLAM定位的偏差也會(huì)逐漸增大，從而造成定位失敗。

在實(shí)踐中，一種有效的無(wú)人車定位方法是改變?cè)瓉?lái)SLAM中的掃描匹配類算法，具體來(lái)說(shuō)，我們不再在定位的同時(shí)制圖，而是事先使用傳感器如激光雷達(dá)對(duì)區(qū)域構(gòu)建點(diǎn)云地圖，通過(guò)程序和人工的處理將一部分“語(yǔ)義”添加到地圖中(例如車道線的具體標(biāo)注，路網(wǎng)，紅綠燈的位置，當(dāng)前路段的交通規(guī)則等等)，這個(gè)包含了語(yǔ)義的地圖就是我們無(wú)人駕駛車的高精度地圖(HD Map)。

在實(shí)際定位的時(shí)候，使用當(dāng)前激光雷達(dá)的掃描和事先構(gòu)建的高精度地圖進(jìn)行點(diǎn)云匹配，確定我們的無(wú)人車在地圖中的具體位置，這類方法被統(tǒng)稱為掃描匹配方法(Scan Matching)，掃描匹配方法最常見(jiàn)的是迭代最近點(diǎn)法(Iterative Closest Point ，ICP)，該方法基于當(dāng)前掃描和目標(biāo)掃描的距離度量來(lái)完成點(diǎn)云配準(zhǔn)。

除此以外，正態(tài)分布變換(Normal Distributions Transform，NDT)也是進(jìn)行點(diǎn)云配準(zhǔn)的常用方法，它基于點(diǎn)云特征直方圖來(lái)實(shí)現(xiàn)配準(zhǔn)?；邳c(diǎn)云配準(zhǔn)的定位方法也能實(shí)現(xiàn)10厘米以內(nèi)的定位精度。

雖然點(diǎn)云配準(zhǔn)能夠給出無(wú)人車相對(duì)于地圖的全局定位，但是這類方法過(guò)于依賴事先構(gòu)建的高精度地圖，并且在開(kāi)放的路段下仍然需要配合GPS定位使用，在場(chǎng)景相對(duì)單一的路段(如高速公路)，使用GPS加點(diǎn)云匹配的方法相對(duì)來(lái)說(shuō)成本過(guò)高。

規(guī)劃

任務(wù)規(guī)劃

無(wú)人駕駛規(guī)劃系統(tǒng)的分層結(jié)構(gòu)設(shè)計(jì)源于2007年舉辦的DAPRA城市挑戰(zhàn)賽，在比賽中多數(shù)參賽隊(duì)都將無(wú)人車的規(guī)劃模塊分為三層設(shè)計(jì)：任務(wù)規(guī)劃，行為規(guī)劃和動(dòng)作規(guī)劃，其中，任務(wù)規(guī)劃通常也被稱為路徑規(guī)劃或者路由規(guī)劃(Route Planning)，其負(fù)責(zé)相對(duì)頂層的路徑規(guī)劃，例如起點(diǎn)到終點(diǎn)的路徑選擇。

我們可以把我們當(dāng)前的道路系統(tǒng)處理成有向網(wǎng)絡(luò)圖(Directed Graph Network)，這個(gè)有向網(wǎng)絡(luò)圖能夠表示道路和道路之間的連接情況，通行規(guī)則，道路的路寬等各種信息，其本質(zhì)上就是我們前面的定位小節(jié)中提到的高精度地圖的“語(yǔ)義”部分，這個(gè)有向網(wǎng)絡(luò)圖被稱為路網(wǎng)圖(Route Network Graph)，如下圖所示：

這樣的路網(wǎng)圖中的每一個(gè)有向邊都是帶權(quán)重的，那么，無(wú)人車的路徑規(guī)劃問(wèn)題，就變成了在路網(wǎng)圖中，為了讓車輛達(dá)到某個(gè)目標(biāo)(通常來(lái)說(shuō)是從A地到B地)，基于某種方法選取最優(yōu)(即損失最小)的路徑的

過(guò)程，那么問(wèn)題就變成了一個(gè)有向圖搜索問(wèn)題，傳統(tǒng)的算法如迪科斯徹算法(Dijkstra’s Algorithm)和A*算法(A* Algorithm)主要用于計(jì)算離散圖的最優(yōu)路徑搜索，被用于搜索路網(wǎng)圖中損失最小的路徑。

行為規(guī)劃

行為規(guī)劃有時(shí)也被稱為決策制定(Decision Maker)，主要的任務(wù)是按照任務(wù)規(guī)劃的目標(biāo)和當(dāng)前的局部情況(其他的車輛和行人的位置和行為，當(dāng)前的交通規(guī)則等)，作出下一步無(wú)人車應(yīng)該執(zhí)行的決策，可以把這一層理解為車輛的副駕駛，他依據(jù)目標(biāo)和當(dāng)前的交通情況指揮駕駛員是跟車還是超車，是停車等行人通過(guò)還是繞過(guò)行人等等。

行為規(guī)劃的一種方法是使用包含大量動(dòng)作短語(yǔ)的復(fù)雜有限狀態(tài)機(jī)(Finite State Machine，F(xiàn)SM)來(lái)實(shí)現(xiàn)，有限狀態(tài)機(jī)從一個(gè)基礎(chǔ)狀態(tài)出發(fā)，將根據(jù)不同的駕駛場(chǎng)景跳轉(zhuǎn)到不同的動(dòng)作狀態(tài)，將動(dòng)作短語(yǔ)傳遞給下層的動(dòng)作規(guī)劃層，下圖是一個(gè)簡(jiǎn)單的有限狀態(tài)機(jī)：

如上圖所示，每個(gè)狀態(tài)都是對(duì)車輛動(dòng)作的決策，狀態(tài)和狀態(tài)之間存在一定的跳轉(zhuǎn)條件，某些狀態(tài)可以自循環(huán)(比如上圖中的循跡狀態(tài)和等待狀態(tài))。雖然是目前無(wú)人車上采用的主流行為決策方法，有限狀態(tài)機(jī)仍然存在著很大的局限性：首先，要實(shí)現(xiàn)復(fù)雜的行為決策，需要人工設(shè)計(jì)大量的狀態(tài);車輛有可能陷入有限狀態(tài)機(jī)沒(méi)有考慮過(guò)的狀態(tài);如果有限狀態(tài)機(jī)沒(méi)有設(shè)計(jì)死鎖保護(hù)，車輛甚至可能陷入某種死鎖。

動(dòng)作規(guī)劃

通過(guò)規(guī)劃一系列的動(dòng)作以達(dá)到某種目的(比如說(shuō)規(guī)避障礙物)的處理過(guò)程被稱為動(dòng)作規(guī)劃。通常來(lái)說(shuō)，考量動(dòng)作規(guī)劃算法的性能通常使用兩個(gè)指標(biāo)：計(jì)算效率(Computational Efficiency)和完整性(Completeness)，所謂計(jì)算效率，即完成一次動(dòng)作規(guī)劃的處理效率，動(dòng)作規(guī)劃算法的計(jì)算效率在很大程度上取決于配置空間(Configuration Space)，如果一個(gè)動(dòng)作規(guī)劃算法能夠在問(wèn)題有解的情況下在有限時(shí)間內(nèi)返回一個(gè)解，并且能夠在無(wú)解的情況下返回?zé)o解，那么我們稱該動(dòng)作規(guī)劃算法是完整的。

配置空間：一個(gè)定義了機(jī)器人所有可能配置的集合，它定義了機(jī)器人所能夠運(yùn)動(dòng)的維度，最簡(jiǎn)單的二維離散問(wèn)題，那么配置空間就是[x, y]，無(wú)人車的配置空間可以非常復(fù)雜，這取決于所使用的運(yùn)動(dòng)規(guī)劃算法。

在引入了配置空間的概念以后，那么無(wú)人車的動(dòng)作規(guī)劃就變成了：在給定一個(gè)初始配置(Start Configuration)，一個(gè)目標(biāo)配置(Goal Configuration)以及若干的約束條件(Constraint)的情況下，在配置空間中找出一系列的動(dòng)作到達(dá)目標(biāo)配置，這些動(dòng)作的執(zhí)行結(jié)果就是將無(wú)人車從初始配置轉(zhuǎn)移至目標(biāo)配置，同時(shí)滿足約束條件。

在無(wú)人車這個(gè)應(yīng)用場(chǎng)景中，初始配置通常是無(wú)人車的當(dāng)前狀態(tài)(當(dāng)前的位置，速度和角速度等)，目標(biāo)配置則來(lái)源于動(dòng)作規(guī)劃的上一層——行為規(guī)劃層，而約束條件則是車輛的運(yùn)動(dòng)限制(最大轉(zhuǎn)角幅度，最大加速度等)。

顯然，在高維度的配置空間來(lái)動(dòng)作規(guī)劃的計(jì)算量是非常巨大的，為了確保規(guī)劃算法的完整性，我們不得不搜索幾乎所有的可能路徑，這就形成了連續(xù)動(dòng)作規(guī)劃中的“維度災(zāi)難”問(wèn)題。目前動(dòng)作規(guī)劃中解決該問(wèn)題的核心理念是將連續(xù)空間模型轉(zhuǎn)換成離散模型，具體的方法可以歸納為兩類：組合規(guī)劃方法(Combinatorial Planning)和基于采樣的規(guī)劃方法(Sampling-Based Planning)。

運(yùn)動(dòng)規(guī)劃的組合方法通過(guò)連續(xù)的配置空間找到路徑，而無(wú)需借助近似值。由于這個(gè)屬性，它們可以被稱為精確算法。組合方法通過(guò)對(duì)規(guī)劃問(wèn)題建立離散表示來(lái)找到完整的解，如在Darpa城市挑戰(zhàn)賽(Darpa Urban Challenge)中，CMU的無(wú)人車BOSS所使用的動(dòng)作規(guī)劃算法，他們首先使用路徑規(guī)劃器生成備選的路徑和目標(biāo)點(diǎn)(這些路徑和目標(biāo)點(diǎn)事融合動(dòng)力學(xué)可達(dá)的)，然后通過(guò)優(yōu)化算法選擇最優(yōu)的路徑。

另一種離散化的方法是網(wǎng)格分解方法(Grid Decomposition Approaches)，在將配置空間網(wǎng)格化以后我們通常能夠使用離散圖搜索算法(如A*)找到一條優(yōu)化路徑。

基于采樣的方法由于其概率完整性而被廣泛使用，最常見(jiàn)的算法如PRM(Probabilistic Roadmaps)，RRT(Rapidly-Exploring Random Tree)，F(xiàn)MT(Fast-Marching Trees)，在無(wú)人車的應(yīng)用中，狀態(tài)采樣方法需要考慮兩個(gè)狀態(tài)的控制約束，同時(shí)還需要一個(gè)能夠有效地查詢采樣狀態(tài)和父狀態(tài)是否可達(dá)的方法。后文我們將詳細(xì)介紹State-Lattice Planners，一種基于采樣的運(yùn)動(dòng)規(guī)劃算法。

控制

控制層作為無(wú)人車系統(tǒng)的最底層，其任務(wù)是將我們規(guī)劃好的動(dòng)作實(shí)現(xiàn)，所以控制模塊的評(píng)價(jià)指標(biāo)即為控制的精準(zhǔn)度。控制系統(tǒng)內(nèi)部會(huì)存在測(cè)量，控制器通過(guò)比較車輛的測(cè)量和我們預(yù)期的狀態(tài)輸出控制動(dòng)作，這一過(guò)程被稱為反饋控制(Feedback Control)。

反饋控制被廣泛的應(yīng)用于自動(dòng)化控制領(lǐng)域，其中最典型的反饋控制器當(dāng)屬PID控制器(Proportional-Integral-Derivative Controller)，PID控制器的控制原理是基于一個(gè)單純的誤差信號(hào)，這個(gè)誤差信號(hào)由三項(xiàng)構(gòu)成：誤差的比例(Proportion)，誤差的積分(Integral)和誤差的微分(Derivative)。

PID控制因其實(shí)現(xiàn)簡(jiǎn)單，性能穩(wěn)定到目前仍然是工業(yè)界最廣泛使用的控制器，但是作為純反饋控制器，PID控制器在無(wú)人車控制中卻存在一定的問(wèn)題：PID控制器是單純基于當(dāng)前誤差反饋的，由于制動(dòng)機(jī)構(gòu)的延遲性，會(huì)給我們的控制本身帶來(lái)延遲，而PID由于內(nèi)部不存在系統(tǒng)模型，故PID不能對(duì)延遲建模，為了解決這一問(wèn)題，我們引入基于模型預(yù)測(cè)的控制方法。

預(yù)測(cè)模型：基于當(dāng)前的狀態(tài)和控制輸入預(yù)測(cè)未來(lái)一段時(shí)間的狀態(tài)的模型，在無(wú)人車系統(tǒng)中，通常是指車輛的運(yùn)動(dòng)學(xué)/動(dòng)力學(xué)模型;

反饋校正：對(duì)模型施加了反饋校正的過(guò)程，使預(yù)測(cè)控制具有很強(qiáng)的抗擾動(dòng)和克服系統(tǒng)不確定性的能力。

滾動(dòng)優(yōu)化：滾動(dòng)地優(yōu)化控制序列，以得到和參考軌跡最接近的預(yù)測(cè)序列。

參考軌跡：即設(shè)定的軌跡。

下圖表示模型預(yù)測(cè)控制的基本結(jié)構(gòu)，由于模型預(yù)測(cè)控制基于運(yùn)動(dòng)模型進(jìn)行優(yōu)化，在PID控制中面臨的控制延時(shí)問(wèn)題可以再建立模型考慮進(jìn)去，所以模型預(yù)測(cè)控制在無(wú)人車控制中具有很高的應(yīng)用價(jià)值。

在本結(jié)我們概述了無(wú)人駕駛系統(tǒng)的基本結(jié)構(gòu)，無(wú)人駕駛軟件系統(tǒng)通常被劃分為三層：感知，規(guī)劃和控制。從某種程度上而言，無(wú)人車在這種分層體系下就可以看作是一個(gè)“載人機(jī)器人”，其中，感知具體包括環(huán)境感知和定位，近年來(lái)深度學(xué)習(xí)的突破，使得基于圖像和深度學(xué)習(xí)的感知技術(shù)在環(huán)境感知中發(fā)揮了越來(lái)越重要的作用，借助人工智能，我們已經(jīng)不再局限于感知障礙物，而逐漸變成理解障礙物是什么，理解場(chǎng)景，甚至預(yù)測(cè)目標(biāo)障礙物的行為，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的內(nèi)容我們將在后面兩章詳細(xì)了解。

在實(shí)際的無(wú)人車感知中，我們通常需要融合激光雷達(dá)，相機(jī)和毫米波雷達(dá)等多種測(cè)量，這里涉及到的如卡爾曼濾波，擴(kuò)展卡爾曼濾波等融合算法以及激光雷達(dá)。

無(wú)人車和機(jī)器人的定位方法眾多，目前主流的方法一是使用GPS+慣性導(dǎo)航系統(tǒng)融合的方法，二是基于Lidar點(diǎn)云掃描匹配的方法，將重點(diǎn)介紹ICP，NDT等基于點(diǎn)云匹配的算法。

規(guī)劃模塊內(nèi)部也被分成三層：任務(wù)規(guī)劃(也被稱為路徑規(guī)劃)，行為規(guī)劃和動(dòng)作規(guī)劃，后文會(huì)介紹基于路網(wǎng)和離散路徑搜索算法的任務(wù)規(guī)劃方法，在行為規(guī)劃中，我們將重點(diǎn)介紹有限狀態(tài)機(jī)在行為決策中的應(yīng)用，在動(dòng)作規(guī)劃算法層，重點(diǎn)介紹基于采樣的規(guī)劃方法。

無(wú)人車的控制模塊我們往往會(huì)使用基于模型預(yù)測(cè)的控制方法，但是在了解模型預(yù)測(cè)控制算法之前，作為對(duì)基礎(chǔ)反饋控制的了解，我們前面了解了PID控制器。接著我們學(xué)習(xí)兩類最簡(jiǎn)單的車輛模型——運(yùn)動(dòng)學(xué)自行車模型和動(dòng)力學(xué)自行車模型，最后，我們介紹模型預(yù)測(cè)控制。

雖然將無(wú)人車?yán)斫鉃闄C(jī)器人并且使用機(jī)器人開(kāi)發(fā)的思維處理無(wú)人車系統(tǒng)是目前工業(yè)界的共識(shí)，但是也不乏一些單純使用人工智能或者是智能體來(lái)完成無(wú)人駕駛的案例。其中基于深度學(xué)習(xí)的端到端無(wú)人駕駛和基于強(qiáng)化學(xué)習(xí)的駕駛智能體是目前的研究熱點(diǎn)。

審核編輯：湯梓紅