電子發(fā)燒友App
自動(dòng)駕駛汽車的自主系統(tǒng)的架構(gòu)通常被分為感知系統(tǒng)、決策系統(tǒng)和控制系統(tǒng)。感知系統(tǒng)通常被劃分為許多子系統(tǒng)，負(fù)責(zé)自動(dòng)駕駛汽車定位、靜態(tài)障礙物繪制、移動(dòng)障礙物檢測(cè)和跟蹤、道路映射、交通信號(hào)檢測(cè)和識(shí)別等任務(wù)。決策系統(tǒng)通常也被劃分為許多子系統(tǒng)，負(fù)責(zé)路線規(guī)劃、路徑規(guī)劃、運(yùn)動(dòng)規(guī)劃和控制等任務(wù)。底盤控制系統(tǒng)主要包括線控驅(qū)動(dòng)、線控制動(dòng)、線控轉(zhuǎn)向等系統(tǒng)，執(zhí)行決策與規(guī)劃系統(tǒng)得出的底盤控制指令。本文詳細(xì)介紹了有關(guān)感知系統(tǒng)和決策系統(tǒng)的各種方法。
圖1展示了自動(dòng)駕駛汽車自動(dòng)化系統(tǒng)的典型分層架構(gòu)的框圖，其中感知和決策系統(tǒng)顯示為不同顏色的模塊的集合。感知系統(tǒng)負(fù)責(zé)使用車載傳感器（例如LIDAR，RADAR，攝像機(jī)，GPS，IMU，里程表等）捕獲的數(shù)據(jù)來(lái)估計(jì)汽車的狀態(tài)和創(chuàng)建外部環(huán)境的內(nèi)部（對(duì)自動(dòng)駕駛系統(tǒng)而言）表示，以及有關(guān)傳感器模型，道路網(wǎng)絡(luò)，交通規(guī)則，汽車動(dòng)力學(xué)等的先驗(yàn)信息。決策系統(tǒng)則負(fù)責(zé)將汽車從初始出發(fā)位置導(dǎo)航到用戶定義的最終目的地，在此期間要考慮汽車狀態(tài)和（感知到的）環(huán)境的內(nèi)部展示，以及交通規(guī)則和乘客的舒適度。為了在整個(gè)環(huán)境中駕駛汽車，決策系統(tǒng)需要知道汽車在哪里。如圖1中，定位模塊負(fù)責(zé)估算與環(huán)境靜態(tài)地圖相關(guān)的汽車狀態(tài)（姿勢(shì)，線速度，角速度等）。盡管可以手動(dòng)注釋（即人行橫道或交通燈的位置）或編輯（通常需要用于移除傳感器捕獲的非靜態(tài)物體），這些靜態(tài)地圖（或離線地圖）是在自主操作之前自動(dòng)計(jì)算的，通常使用的是自動(dòng)駕駛汽車本身的傳感器。自動(dòng)駕駛汽車可以使用一個(gè)或多個(gè)不同的離線地圖（如占據(jù)柵格地圖，remission地圖或地標(biāo)地圖）用于本地離線化。
感知系統(tǒng)
在該系統(tǒng)中，包含了汽車定位、靜態(tài)障礙物繪制、道路映射、移動(dòng)障礙物跟蹤以及交通信號(hào)檢測(cè)和識(shí)別幾大模塊。1.1汽車定位定位模塊負(fù)責(zé)估計(jì)相對(duì)于地圖或道路（例如，由路緣或道路標(biāo)記表示）的自動(dòng)駕駛汽車姿態(tài)（位置和方向）。大多數(shù)通用定位子系統(tǒng)都基于GPS的。然而，總的來(lái)說(shuō)，它們不適用于城市自動(dòng)駕駛汽車，因?yàn)镚PS信號(hào)在閉塞區(qū)域無(wú)法保證，例如在樹(shù)下、城市峽谷（被大型建筑物包圍的道路）或隧道中。文獻(xiàn)中提出了各種不依賴GPS的定位方法。它們主要可分為三類：基于激光雷達(dá)的、基于激光雷達(dá)加相機(jī)的和基于相機(jī)的。僅依賴于LIDAR傳感器的基于激光雷達(dá)的定位方法可提供測(cè)量精度和得到數(shù)據(jù)易于處理。然而，盡管LIDAR行業(yè)努力降低生產(chǎn)成本，但是其與相機(jī)相比仍然具有較高的價(jià)格。在典型的LIDAR加上攝像機(jī)的定位方法中，LIDAR數(shù)據(jù)僅用于構(gòu)建地圖，并且通過(guò)攝像機(jī)數(shù)據(jù)估計(jì)車輛相對(duì)于地圖的位置。這樣的做法降低了成本?；谙鄼C(jī)的定位方法便宜且方便，但是這種方法通常不太精確和可靠。1.1.1基于激光雷達(dá)的汽車定位（1）一種在LIDAR激光射線的環(huán)境反射率（激光反射網(wǎng)格圖，如圖2）使用概率分布的離線網(wǎng)格圖用來(lái)定位的方法。該方法使用了HDL-64E-Velodyne激光雷達(dá)并通過(guò)無(wú)監(jiān)督校準(zhǔn)方法來(lái)校準(zhǔn)HDL-64E-Velodyne激光束。這使得激光雷達(dá)對(duì)具有相同亮度的物體的響應(yīng)類似。使用二維直方圖濾波器估計(jì)自動(dòng)駕駛汽車的位置。通常，濾波器由兩部分組成：運(yùn)動(dòng)更新（或預(yù)測(cè)）：用來(lái)減少基于運(yùn)動(dòng)的估計(jì)的置信度；以及測(cè)量更新（或校正）：用來(lái)增加基于傳感器數(shù)據(jù)的估計(jì)的置信度。在運(yùn)動(dòng)更新過(guò)程中，汽車運(yùn)動(dòng)以高斯分布噪聲隨機(jī)“游走”，從通過(guò)航位推算坐標(biāo)系（使用Applanix LV-420導(dǎo)航系統(tǒng)的慣性更新計(jì)算）漂移到離線地圖的全局坐標(biāo)系。在測(cè)量步驟中，對(duì)于不同的位移，它們使用在線計(jì)算的反射圖與離線計(jì)算的反射圖之間的相似性。其中，每個(gè)位移對(duì)應(yīng)于直方圖濾波器中的直方圖的一個(gè)單元。為了將直方圖概括為單個(gè)姿勢(shì)估計(jì)，它們使用由直方圖建模的概率分布的質(zhì)心。然而，該方法沒(méi)有描述他們?nèi)绾喂烙?jì)方向。該方法顯示均方根（RMS）橫向誤差為9厘米，均方根（RMS）縱向誤差為12厘米。
1.1.2基于激光雷達(dá)加攝像頭的汽車定位
一些方法通過(guò)使用LIDAR數(shù)據(jù)來(lái)構(gòu)建地圖以及攝像頭獲取的數(shù)據(jù)，估計(jì)自動(dòng)駕駛車相對(duì)于該地圖的位置。（1）一種將立體圖像與3D點(diǎn)云圖匹配的定位方法。該地圖由地圖公司生成（http://www.whatmms.com），地圖由幾何數(shù)據(jù)（緯度，經(jīng)度和高度）以及里程表，RTK-GPS和2D LIDAR掃描儀獲得的反射的數(shù)據(jù)組成。該算法可用于解決使用立體相機(jī)的基于三維（3D）點(diǎn)云地圖（PCL）的定位問(wèn)題。該3D點(diǎn)云圖由密集的3D幾何信息和基于3D光檢測(cè)和測(cè)距（LIDAR）掃描儀的映射系統(tǒng)生成的表面反射率值的強(qiáng)度度量組成。盡管已經(jīng)提出了一些基于LIDAR的定位算法，但該方法提出了一種使用更便宜的商品立體相機(jī)，且精度能達(dá)到厘米級(jí)的定位算法。具體而言，在每個(gè)候選位置，將3D數(shù)據(jù)點(diǎn)從真實(shí)世界坐標(biāo)系轉(zhuǎn)換到相機(jī)坐標(biāo)系，并從3D PCL地圖合成虛擬深度和強(qiáng)度圖像。通過(guò)將這些虛擬圖像與立體深度和強(qiáng)度圖像相匹配來(lái)估計(jì)每幀中真實(shí)世界和車輛坐標(biāo)之間的轉(zhuǎn)換，從而定位自我車輛。流程圖如下圖6所示：
圖6? 3D點(diǎn)云地圖定位
（2）一種將陸地的全景圖像與一年中不同季節(jié)捕獲的衛(wèi)星圖像相匹配自動(dòng)駕駛汽車定位方法。在該方法中，LIDAR數(shù)據(jù)被分類為地面和非地面類別。接著，使用LIDAR數(shù)據(jù)將由自動(dòng)駕駛車中的全景相機(jī)捕獲的地面圖像分割成地面和非地面區(qū)域，然后變換為鳥(niǎo)瞰圖。其中，通過(guò)使用KMeans聚類方法將衛(wèi)星圖像分割成地面/非地面區(qū)域。然后使用蒙特卡羅算法將鳥(niǎo)瞰圖像與衛(wèi)星圖像匹配，從而估計(jì)姿勢(shì)。該方法在NavLab11自動(dòng)駕駛汽車上進(jìn)行了評(píng)估，并實(shí)現(xiàn)了3米到4.8米之間的位置估算誤差。
1.1.3基于攝像頭的汽車定位
在定位方法，有一些方法主要依靠攝像頭數(shù)據(jù)來(lái)定位自動(dòng)駕駛汽車。
（1）一種基于視覺(jué)里程計(jì)和路線圖的定位方法。他們使用OpenStreetMap，從該圖中提取所有交叉點(diǎn)和所有可行駛道路（用分段線性段表示），并將它們連接到感興趣的區(qū)域。然后，他們構(gòu)建了這個(gè)路線圖的基于圖形的表示以及汽車如何遍歷該圖的概率模型。使用這種概率模型和視覺(jué)里程測(cè)量，他們估計(jì)相對(duì)于路線圖的汽車位移。
遞歸貝葉斯過(guò)濾算法用于通過(guò)利用其結(jié)構(gòu)和汽車運(yùn)動(dòng)速度（通過(guò)視覺(jué)里程計(jì)測(cè)量）的模型來(lái)執(zhí)行圖中的推斷。該算法通過(guò)增加當(dāng)前位于汽車最新運(yùn)動(dòng)（直線距離以及近期曲線）圖的位置點(diǎn)的姿勢(shì)的可能性以及降低與之不相關(guān)點(diǎn)的可能性來(lái)精確定位汽車在地圖中的位置。（2）在一些方法中，特征圖通過(guò)使用相機(jī)數(shù)據(jù)來(lái)構(gòu)建。該方法中描述了自動(dòng)駕駛汽車Bertha自主駕駛的定位方法。論文開(kāi)發(fā)了一種基于互補(bǔ)視覺(jué)的定位技術(shù)：基于點(diǎn)特征的定位（PFL）和基于車道特征的定位（LFL）。如下圖7所示（其中a為點(diǎn)特征，b為車道特征），在PFL（點(diǎn)特征的定位）中，將當(dāng)前相機(jī)的圖像同先前進(jìn)行測(cè)繪過(guò)程中提取的DIRD描述符中獲取的一系列相機(jī)圖像的圖像進(jìn)行比較。全局位置估計(jì)從制圖過(guò)程中獲取圖像中的全局位置恢復(fù)。在LFL（車道特征的定位）中，半自動(dòng)計(jì)算的地圖提供道路標(biāo)記特征（水平道路信號(hào)化）的全局幾何表征。通過(guò)檢測(cè)并關(guān)聯(lián)從相機(jī)圖像的鳥(niǎo)瞰視圖提取的道路標(biāo)記特征與存儲(chǔ)在地圖中的水平道路信號(hào)，將當(dāng)前相機(jī)圖像與地圖匹配。然后通過(guò)卡爾曼濾波器組合由PFL和LFL獲得的位置估計(jì)。
圖10? 多層表面地圖定位（2）使用GPS、IMU和LIDAR數(shù)據(jù)生成高分辨率紅外地面圖（high-resolution infrared remittance ground map）。該方法將環(huán)境建模為概率網(wǎng)格，而不是將其作為固定的紅外匯值（infrared remittance values）的空間網(wǎng)格，從而將每個(gè)單元表示為其自身在紅外匯值（infrared remittance values）上的高斯分布。隨后，貝葉斯推斷能夠優(yōu)先加權(quán)地圖中最可能是靜止的且具有一致角度反射率的部分，從而減少不確定性和嚴(yán)重的錯(cuò)誤。此外，通過(guò)使用離線SLAM對(duì)齊同一環(huán)境的多個(gè)通道（可能在時(shí)間上相隔幾天甚至幾個(gè)月）。該算法在各種動(dòng)態(tài)環(huán)境中根據(jù)概率地圖定位車輛，驗(yàn)證了該方法的有效性，在10cm范圍內(nèi)實(shí)現(xiàn)RMS精度。構(gòu)建地圖的最終目標(biāo)是獲得觀察環(huán)境的網(wǎng)格單元表示，其中每個(gè)單元存儲(chǔ)在該位置觀察到的平均紅外反射率以及這些值的方差?？煞秩齻€(gè)步驟生成這樣的地圖：首先，對(duì)所有軌跡進(jìn)行后處理，以使重疊區(qū)域?qū)R；第二，我們校準(zhǔn)每個(gè)激光束的強(qiáng)度返回，使光束具有相似的響應(yīng)曲線；最后，將校準(zhǔn)后的激光從對(duì)準(zhǔn)的軌跡返回到高分辨率概率圖中。下圖11為不同紅外反射率的高分辨率概率圖。
圖17? T型路口（2）一種用于從校準(zhǔn)的視頻圖像和移動(dòng)車輛獲取的激光測(cè)距數(shù)據(jù)中檢測(cè)和估計(jì)城市道路網(wǎng)絡(luò)中多車道特性的系統(tǒng)。該系統(tǒng)在多個(gè)處理器上分幾個(gè)階段實(shí)時(shí)運(yùn)行，將檢測(cè)到的道路標(biāo)記、障礙物和路緣融合為附近車道的穩(wěn)定非參數(shù)估計(jì)。該系統(tǒng)結(jié)合了所提供的分段線性道路網(wǎng)絡(luò)的元素作為弱先驗(yàn)。該方法在幾個(gè)方面都是值得注意的：它檢測(cè)和估計(jì)多條車道；它融合了異步、異構(gòu)的傳感器流；它處理高曲率道路；并且它不假設(shè)車輛相對(duì)于道路的位置或方向。尋道方法包括三個(gè)階段。在第一階段，該系統(tǒng)通過(guò)激光雷達(dá)的數(shù)據(jù)，檢測(cè)并定位每幀視頻中所繪制的道路標(biāo)記，以降低誤報(bào)率。第二階段處理道路檢測(cè)到的車道線以及激光雷達(dá)檢測(cè)到的路緣，來(lái)估計(jì)附近車道的中心線。最后，在產(chǎn)生一個(gè)或多個(gè)非參數(shù)車道輸出之前，對(duì)任何檢測(cè)到的中心線進(jìn)行濾波、跟蹤和融合。該方法的數(shù)據(jù)流如圖所示。
圖19? 車道線檢測(cè)（2）一種拓?fù)鋱D表示為OpenStreetMap（OSM），它使用三個(gè)基元（即點(diǎn)（Nodes）、路（Ways）和關(guān)系（Relations））用拓?fù)鋱D對(duì)環(huán)境進(jìn)行建模?！包c(diǎn)”表示地理點(diǎn)，“路”表示節(jié)點(diǎn)列表（折線），“關(guān)系”由任意數(shù)量的成員組成，這些成員可以是三種類型中的任何一種并具有指定的角色。其他道路屬性（如行駛方向和車道數(shù)量）作為要素的屬性給出。（3）一個(gè)非常詳細(xì)的拓?fù)渎肪€圖，稱為車道片段圖(lanelet)。lanelet圖內(nèi)包括道路的幾何和拓?fù)涮卣鳎绲缆?、車道和交叉口。其中使用原子互連的可驅(qū)動(dòng)路段，稱為車道片段，如圖20所示。車道片段的幾何形狀由左側(cè)和右側(cè)定義綁定，每一個(gè)對(duì)應(yīng)一個(gè)點(diǎn)列表（折線）。該特征隱含地定義了每個(gè)車道的寬度和形狀及其行駛方向。車道片段的鄰邊由加權(quán)有向圖構(gòu)成。在加權(quán)有向圖中，其中每個(gè)車道片段用邊和長(zhǎng)度表示，其中長(zhǎng)度代表著向外標(biāo)遠(yuǎn)的權(quán)重。其他要素描述了條件限制，如速度限制和交通規(guī)則（如交叉和合并權(quán)利）。
圖27? 基于蒙特卡洛的軌跡預(yù)測(cè)局限性：由于它們僅依賴于運(yùn)動(dòng)的低級(jí)別屬性（動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)屬性），基于物理的運(yùn)動(dòng)模型僅限于短期（小于一秒）運(yùn)動(dòng)預(yù)測(cè)。通常，他們無(wú)法預(yù)測(cè)由執(zhí)行特定功能（例如減速、勻速轉(zhuǎn)彎，然后加速以在交叉路口轉(zhuǎn)彎）引起的汽車運(yùn)動(dòng)變化，或由外部因素引起的變化（例如由于前方車輛減速）。1.4.2基于動(dòng)機(jī)的運(yùn)動(dòng)模型（Maneuver-based motion models）：基于機(jī)動(dòng)的運(yùn)動(dòng)模型將車輛表示為獨(dú)立的機(jī)動(dòng)實(shí)體，即它們假設(shè)車輛在道路網(wǎng)絡(luò)上的運(yùn)動(dòng)對(duì)應(yīng)于獨(dú)立于其他車輛執(zhí)行的一系列機(jī)動(dòng)。車輛的未來(lái)運(yùn)動(dòng)取決于駕駛員的意圖。將車輛表示為獨(dú)立的機(jī)動(dòng)實(shí)體，即它們假設(shè)車輛在路網(wǎng)上的運(yùn)動(dòng)對(duì)應(yīng)于獨(dú)立于其他車輛執(zhí)行的一系列駕駛員打算執(zhí)行的操作。如果能夠識(shí)別駕駛員的機(jī)動(dòng)意圖，則可以假設(shè)車輛的未來(lái)運(yùn)動(dòng)將與該機(jī)動(dòng)相匹配。1.4.2.1基于原型軌跡的運(yùn)動(dòng)模型基于原型軌跡的運(yùn)動(dòng)模型的主要思想是將道路網(wǎng)絡(luò)上車輛的軌跡可以被分組為有限的一組簇，每簇對(duì)應(yīng)于一種典型的運(yùn)動(dòng)模式，如下圖28所示。運(yùn)動(dòng)模式使用原型軌跡表示，原型軌跡是在訓(xùn)練階段從數(shù)據(jù)中學(xué)習(xí)的。之后，通過(guò)找到最可能的運(yùn)動(dòng)模式并將原型軌跡用作未來(lái)運(yùn)動(dòng)的模型，可以在給定部分軌跡的情況下在線進(jìn)行預(yù)測(cè)。因?yàn)榈缆肪W(wǎng)絡(luò)是一個(gè)結(jié)構(gòu)化的環(huán)境，通常假設(shè)可以預(yù)先識(shí)別運(yùn)動(dòng)模式（例如，可以通過(guò)識(shí)別給定位置處的所有可能機(jī)動(dòng)，從數(shù)字地圖中提取運(yùn)動(dòng)模式）。
圖28? 軌跡簇示意圖可以通過(guò)計(jì)算樣本軌跡的平均值和標(biāo)準(zhǔn)偏差來(lái)導(dǎo)出運(yùn)動(dòng)模式的隨機(jī)表示。（1）一種新的基于聚類的技術(shù)，該技術(shù)使用成對(duì)聚類來(lái)學(xué)習(xí)典型的運(yùn)動(dòng)模式。文中引入了一個(gè)相異性度量，以允許使用任何可以在相異度矩陣上操作的聚類算法。因此，我們獲得了對(duì)應(yīng)于不同運(yùn)動(dòng)模式的多個(gè)簇。然后，我們計(jì)算每個(gè)簇的平均值，我們將其進(jìn)一步用于預(yù)測(cè)部分觀測(cè)軌跡的運(yùn)動(dòng)。（2）一種基于組合軌跡分類和粒子濾波框架的長(zhǎng)期預(yù)測(cè)方法。軌跡由徑向基函數(shù)（RBF）分類器進(jìn)行分類，該分類器具有能夠處理任意非均勻長(zhǎng)度的軌跡的結(jié)構(gòu)。作為軌跡之間相似性的度量，我們引入了基于四元數(shù)的旋轉(zhuǎn)不變最長(zhǎng)公共子序列（QRLCS）度量。粒子過(guò)濾器框架同時(shí)跟蹤和評(píng)估大量運(yùn)動(dòng)假設(shè)，其中RBF分類器估計(jì)的類特定概率用作粒子過(guò)濾器假設(shè)的先驗(yàn)概率。假設(shè)用均值移位技術(shù)進(jìn)行聚類，并分配一個(gè)似然值。（3）一種可以增量學(xué)習(xí)運(yùn)動(dòng)模式并與預(yù)測(cè)并行的方法。基于對(duì)隱馬爾可夫模型的一種新擴(kuò)展——稱為增長(zhǎng)隱馬爾可夫模型。高斯過(guò)程（GP）非常適合于表示道路交通背景下的運(yùn)動(dòng)模式。GP可以看作是高斯概率分布的推廣。他們將過(guò)程建模為函數(shù)上的高斯分布。當(dāng)將其應(yīng)用于車輛軌跡時(shí)，假設(shè)學(xué)習(xí)數(shù)據(jù)集中的軌跡是高斯過(guò)程的樣本函數(shù)。因此，學(xué)習(xí)包括在這些函數(shù)上擬合高斯分布。GP的主要優(yōu)點(diǎn)是其對(duì)觀測(cè)軌跡中的噪聲的魯棒性（與上述方法相比），和其以一致和概率的方式表示運(yùn)動(dòng)模式執(zhí)行中的變化的能力。總結(jié)：首先，先得到原型軌跡，從車輛執(zhí)行的部分軌跡開(kāi)始，通過(guò)將其與學(xué)習(xí)到的運(yùn)動(dòng)模式進(jìn)行比較，選擇最可能的運(yùn)動(dòng)模式，并使用原型軌跡作為模型進(jìn)行預(yù)測(cè)。然后需要定義度量來(lái)測(cè)量部分軌跡到運(yùn)動(dòng)模式的距離。當(dāng)運(yùn)動(dòng)模式由高斯過(guò)程表示時(shí)，通過(guò)對(duì)軌跡的可能未來(lái)進(jìn)行積分，將距離計(jì)算為部分軌跡對(duì)應(yīng)于GP的概率。當(dāng)運(yùn)動(dòng)模式由有限組原型軌跡表示時(shí)，部分軌跡到運(yùn)動(dòng)模式的距離通過(guò)其與原型軌跡的相似性來(lái)測(cè)量。已經(jīng)定義了許多度量來(lái)測(cè)量?jī)蓷l軌跡之間的相似性，包括軌跡點(diǎn)之間的平均歐幾里得距離、修正的豪斯多夫（the modified Hausdorff）、最長(zhǎng)公共子序列（LCS）及其平移和旋轉(zhuǎn)不變版本——基于四元數(shù)的旋轉(zhuǎn)不變LCS。計(jì)算到每個(gè)運(yùn)動(dòng)模式的距離后預(yù)測(cè)未來(lái)運(yùn)動(dòng)的最簡(jiǎn)單解決方案是選擇最可能的運(yùn)動(dòng)模式，并將其用作唯一模型。考慮運(yùn)動(dòng)模式的混合：計(jì)算不同運(yùn)動(dòng)模式上的概率分布，然后將不同運(yùn)動(dòng)模型組合（加權(quán)）為一個(gè)，或者生成一組具有相關(guān)權(quán)重的潛在未來(lái)軌跡。最近提出的另一種解決方案是使用專家分層混合（HME），其優(yōu)點(diǎn)是可以處理分類變量（例如轉(zhuǎn)向燈、道路布局類別）局限性：在很長(zhǎng)一段時(shí)間里，原型軌跡的主要限制是它們對(duì)時(shí)間的嚴(yán)格確定性表示。事實(shí)上，當(dāng)使用一組有限的軌跡來(lái)表示運(yùn)動(dòng)模式時(shí)，需要大量的原型來(lái)模擬運(yùn)動(dòng)模式執(zhí)行過(guò)程中的巨大變化。例如，為了識(shí)別涉及停車線等待時(shí)間的機(jī)動(dòng)，必須使用硬閾值來(lái)識(shí)別等待間隔，并在計(jì)算兩條軌跡之間的距離時(shí)忽略它們。對(duì)于此類模型來(lái)說(shuō)，處理更細(xì)微的速度變化，如交通擁擠引起的速度變化仍然是一個(gè)問(wèn)題。在一定程度上，高斯過(guò)程的引入通過(guò)允許運(yùn)動(dòng)模式的時(shí)間無(wú)關(guān)表示來(lái)解決了這個(gè)問(wèn)題。然而，其也有其他限制。除了繁重的計(jì)算負(fù)擔(dān)外，它們還缺乏考慮車輛物理限制的能力，因此可能生成不現(xiàn)實(shí)的樣本軌跡。使用原型軌跡時(shí)的另一個(gè)困難是它們不適應(yīng)不同的道路布局，特別是適用于道路交叉口時(shí)。因?yàn)槊總€(gè)運(yùn)動(dòng)模型都是針對(duì)特定的交叉幾何和進(jìn)行訓(xùn)練的，因此它只適用于和其類似的交叉口。1.4.2.2基于機(jī)動(dòng)意圖估計(jì)的運(yùn)動(dòng)模型匹配駕駛員的機(jī)動(dòng)意圖（例如，在停車線等待、跟隨另一輛車、執(zhí)行左轉(zhuǎn)），然后預(yù)測(cè)連續(xù)的物理狀態(tài)，以便它們對(duì)應(yīng)于所識(shí)別機(jī)動(dòng)的可能執(zhí)行。與軌跡原型相比，一個(gè)主要優(yōu)點(diǎn)是不需要將部分軌跡與先前觀察到的軌跡相匹配。相反，提取更高級(jí)別的特征并用于識(shí)別機(jī)動(dòng)，這使得將學(xué)習(xí)的模型推廣到任意布局更容易.許多狀態(tài)可用于對(duì)駕駛員的機(jī)動(dòng)意圖的估計(jì)，例如車輛的物理狀態(tài)（位置、速度、航向、加速度、橫擺率、轉(zhuǎn)向信號(hào)等）、關(guān)于道路網(wǎng)絡(luò)的信息（道路的幾何結(jié)構(gòu)和拓?fù)浣Y(jié)構(gòu)、速度限制、交通規(guī)則等）、駕駛員行為（頭部移動(dòng)、駕駛風(fēng)格等）。機(jī)動(dòng)意圖估計(jì)已經(jīng)被許多工作所研究。本調(diào)查側(cè)重于道路交叉口的機(jī)動(dòng)意圖估計(jì)，但本文介紹的大多數(shù)方法可應(yīng)用于其他交通情況。環(huán)境和試探法可用于確定在一段時(shí)間后可能以確定性的方式執(zhí)行哪些功能。對(duì)于在更復(fù)雜的場(chǎng)景中對(duì)機(jī)動(dòng)進(jìn)行分類，判別式的學(xué)習(xí)算法非常流行，例如多層感知機(jī)（MLP）、Logistic回歸、關(guān)聯(lián)向量機(jī)（RVM）或支持向量機(jī)（SVM）。同樣流行的替代方法是將每個(gè)動(dòng)作分解為一系列連續(xù)的事件，并使用隱馬爾可夫模型（HMM）表示這一系列事件。不同事件之間的轉(zhuǎn)移概率可以從數(shù)據(jù)以及觀測(cè)模型（即不可觀測(cè)事件和可用觀測(cè)之間的關(guān)系）中獲知。對(duì)于新的觀測(cè)序列，通過(guò)比較每個(gè)HMM的觀測(cè)可能性來(lái)估計(jì)機(jī)動(dòng)意圖。
圖29? 道路交叉口交互行為意圖識(shí)別常用方法的對(duì)比對(duì)軌跡進(jìn)行預(yù)測(cè)，使其與識(shí)別的機(jī)動(dòng)相匹配。這可以以確定性的方式完成，方法是導(dǎo)出與識(shí)別的機(jī)動(dòng)相對(duì)應(yīng)的輸入控制，然后根據(jù)運(yùn)動(dòng)學(xué)運(yùn)動(dòng)模型生成單個(gè)軌跡。這種嚴(yán)格確定性方法的一個(gè)問(wèn)題是，它不能考慮當(dāng)前車輛狀態(tài)、正在執(zhí)行的機(jī)動(dòng)或執(zhí)行機(jī)動(dòng)的不確定性。為了以概率方式探索機(jī)動(dòng)的潛在執(zhí)行空間，可以使用GP或RRT，如下圖30所示：使用GP的方法探索機(jī)動(dòng)的潛在執(zhí)行空間：可以從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)每個(gè)機(jī)動(dòng)的GP，并以生成方式使用GP來(lái)創(chuàng)建每個(gè)機(jī)動(dòng)的樣本軌跡。使用RRT的方法探索機(jī)動(dòng)的潛在執(zhí)行空間：可以通過(guò)在車輛演化模型的輸入空間中采樣點(diǎn)，根據(jù)估計(jì)的機(jī)動(dòng)意圖在采樣中應(yīng)用偏差來(lái)生成RRT樹(shù)。這種方法的優(yōu)點(diǎn)是它總是為機(jī)動(dòng)生成動(dòng)態(tài)可行的軌跡，作為軌跡的替代。
圖30? 三種不同方法對(duì)比局限性：實(shí)際上，車輛相互獨(dú)立移動(dòng)的假設(shè)不成立。車輛與其他車輛共用道路，一輛車的機(jī)動(dòng)動(dòng)作必然會(huì)影響其他車輛的機(jī)動(dòng)動(dòng)作。在道路交叉口，車輛間的依賴性特別強(qiáng)，優(yōu)先權(quán)規(guī)則迫使車輛考慮其他車輛的機(jī)動(dòng)。忽視這些相關(guān)性可能導(dǎo)致對(duì)情況的錯(cuò)誤解釋，并影響風(fēng)險(xiǎn)評(píng)估。1.4.2.3基于交互感知的運(yùn)動(dòng)模型（Interaction-aware motion models）：交互感知運(yùn)動(dòng)模型考慮了車輛機(jī)動(dòng)之間的相互依賴性，是迄今為止文獻(xiàn)中提出的最全面的模型。與基于物理的運(yùn)動(dòng)模型相比，它們?cè)试S更長(zhǎng)期的預(yù)測(cè)，并且比基于機(jī)動(dòng)的運(yùn)動(dòng)模型更可靠，因?yàn)樗鼈兛紤]了車輛之間的相關(guān)性。但文獻(xiàn)中很少有交互感知運(yùn)動(dòng)模型。它們一般有兩種方法：一種是基于原型軌跡，一種是基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。基于軌跡原型的方法，在學(xué)習(xí)階段不能考慮車輛間的影響，因?yàn)橛纱水a(chǎn)生的運(yùn)動(dòng)模式數(shù)很快就會(huì)變得難以處理。然而，可以通過(guò)假設(shè)駕駛員在能夠避免碰撞時(shí)有強(qiáng)烈的傾向來(lái)考慮匹配階段的相互影響。導(dǎo)致不可避免碰撞的成對(duì)軌跡在匹配過(guò)程中會(huì)受到懲罰，因此，這樣就篩選出了安全軌跡。這種方法是在使用軌跡原型時(shí)考慮相互依賴性的一種較好的解決方法。然而，建模其他類型的影響的問(wèn)題仍然存在，因?yàn)橐惠v車對(duì)另一輛車軌跡的影響無(wú)法直接建模。基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的模型的方法：大多數(shù)交互感知運(yùn)動(dòng)模型都是基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）的。多個(gè)移動(dòng)實(shí)體之間的成對(duì)依賴關(guān)系用耦合HMM（CHMM）建模。然而，由于可能的成對(duì)依賴關(guān)系的數(shù)量隨著實(shí)體的數(shù)量呈二次增長(zhǎng)，因此在復(fù)雜的交通情況下，復(fù)雜性是不可管理的。簡(jiǎn)化模型的一種解決方案是通過(guò)假設(shè)周圍交通影響感興趣的車輛而使CHMM不對(duì)稱，但反之亦然。不對(duì)稱依賴的假設(shè)大大降低了問(wèn)題的計(jì)算復(fù)雜性。此后，它被用于許多工作中，尤其是在處理變道和超車操縱或跟車時(shí)。利用交通規(guī)則調(diào)節(jié)車輛相互作用的方法。多主體影響被分解為成對(duì)依賴的對(duì)數(shù)線性組合，如：成對(duì)依賴類型為“支路上的車輛對(duì)主道上車輛的讓路”。
圖31? 基于行為交互運(yùn)動(dòng)模型的軌跡預(yù)測(cè)一種通過(guò)使用因子狀態(tài)解釋了相互影響：一種能夠同時(shí)估計(jì)交通參與者行為并預(yù)測(cè)其未來(lái)軌跡的濾波器。該濾波器被建模為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。因子化狀態(tài)空間對(duì)因果依賴進(jìn)行建模，允許以緊湊的方式描述模型，并降低推理過(guò)程的計(jì)算復(fù)雜性。一種來(lái)模擬道路交叉口處車輛的聯(lián)合運(yùn)動(dòng)的類似的方法。該方法引入了一個(gè)稱為“預(yù)期機(jī)動(dòng)”的中間變量，而不是直接建模本地情景情境和駕駛員意圖之間的依賴關(guān)系。在所提出的模型中，情景影響了駕駛員的預(yù)期行為，進(jìn)而影響駕駛員的意圖。局限性：交互感知運(yùn)動(dòng)模型是迄今為止文獻(xiàn)中提出的最全面的模型。與基于物理的運(yùn)動(dòng)模型相比，它們?cè)试S更長(zhǎng)期的預(yù)測(cè)，并且比基于機(jī)動(dòng)的運(yùn)動(dòng)模型更可靠，因?yàn)樗鼈兛紤]了車輛之間的相關(guān)性。然而，這種窮盡性有一些缺點(diǎn)：使用這些模型計(jì)算車輛的所有潛在軌跡在計(jì)算上很昂貴，并且與實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估不兼容。1.4.3風(fēng)險(xiǎn)評(píng)估大部分的風(fēng)險(xiǎn)評(píng)估都具有以下兩個(gè)步驟：1)預(yù)測(cè)場(chǎng)景中所有移動(dòng)實(shí)體的潛在未來(lái)軌跡。2)檢測(cè)每對(duì)可能的軌跡之間的碰撞，并基于碰撞的總體概率得出風(fēng)險(xiǎn)估計(jì)。然后有以下幾種分類。1.4.3.1二進(jìn)制碰撞檢測(cè)在基于線性物理的運(yùn)動(dòng)模型的特殊情況下，通過(guò)求解運(yùn)動(dòng)模型的線性微分方程，可以容易地導(dǎo)出特定時(shí)間車輛狀態(tài)的解析解。碰撞風(fēng)險(xiǎn)的計(jì)算可以是二進(jìn)制的。在基于線性物理的運(yùn)動(dòng)模型的特殊情況下，通過(guò)求解運(yùn)動(dòng)模型的線性微分方程，可以容易地導(dǎo)出特定時(shí)間車輛狀態(tài)的解析解。因此，以有效的方式。然而，在一般情況下，運(yùn)動(dòng)方程過(guò)于復(fù)雜，無(wú)法推導(dǎo)出閉合解。一種解決方案是通過(guò)分段直線軌跡來(lái)近似每個(gè)軌跡。更常見(jiàn)的方法是離散化軌跡，并在每個(gè)離散時(shí)間步迭代檢查碰撞。根據(jù)這一推理，可以通過(guò)定義兩點(diǎn)之間距離的閾值（來(lái)自同一時(shí)間步的兩條軌跡），以簡(jiǎn)單的方式檢測(cè)碰撞。為了考慮車輛的形狀，可以用“兩輛車形狀重疊”的條件來(lái)代替該閾值。盡管并不能得到確切的形狀，但車輛通常被表示為多邊形或可以用織機(jī)測(cè)試點(diǎn)表示。如果有關(guān)于車輛狀態(tài)不確定性的信息，并且該不確定性是高斯的，則可以通過(guò)對(duì)標(biāo)準(zhǔn)偏差應(yīng)用閾值來(lái)使用橢圓代替多邊形。為了簡(jiǎn)化相交面積的計(jì)算，可以用一組圓或一組點(diǎn)來(lái)近似橢圓。一些駕駛員輔助系統(tǒng)專注于檢測(cè)不可避免的碰撞。該計(jì)算是二元碰撞預(yù)測(cè)的一種特殊情況，根據(jù)駕駛員是否能夠執(zhí)行無(wú)碰撞機(jī)動(dòng)，將風(fēng)險(xiǎn)分配為0或1。確定是否存在這種機(jī)動(dòng)可以通過(guò)兩種方式進(jìn)行。
第一個(gè)是計(jì)算逃生機(jī)動(dòng)（即車輛應(yīng)如何轉(zhuǎn)向、制動(dòng)或加速來(lái)避免碰撞），并檢查這些操作是否可行（“可行”意味著轉(zhuǎn)向、制動(dòng)或加速不超過(guò)車輛的物理限制）。第二個(gè)是考慮組合轉(zhuǎn)向、制動(dòng)和加速機(jī)動(dòng)的整個(gè)空間，并對(duì)無(wú)碰撞軌跡進(jìn)行優(yōu)化搜索。這一概念與機(jī)器人技術(shù)中使用的不可避免碰撞狀態(tài)（ICS）概念密切相關(guān)。1.4.3.2概率碰撞檢測(cè)考慮到車輛未來(lái)運(yùn)動(dòng)的不確定性，可以用概率方式計(jì)算碰撞風(fēng)險(xiǎn)。概率可以通過(guò)計(jì)算兩輛車的中心位于同一個(gè)單元的概率，在離散位置空間上計(jì)算，對(duì)于所有可能的單元組合。碰撞概率可以測(cè)量為表示車輛未來(lái)運(yùn)動(dòng)的幾何形狀之間重疊的百分比。對(duì)于當(dāng)前狀態(tài)的正態(tài)分布不確定性，已經(jīng)提出了一種基于無(wú)跡變換的隨機(jī)線性化的解決方案。當(dāng)車輛的未來(lái)運(yùn)動(dòng)由樣本軌跡上的概率分布表示時(shí)（這通常是依賴于蒙特卡羅模擬或高斯過(guò)程的方法的情況），通過(guò)對(duì)所有可能的未來(lái)軌跡進(jìn)行積分并檢測(cè)每個(gè)可能的軌跡對(duì)之間的碰撞，可以將風(fēng)險(xiǎn)計(jì)算為“未來(lái)碰撞的概率”。這種方法在處理不確定性方面提供了很大的靈活性。例如，對(duì)于基于機(jī)動(dòng)的運(yùn)動(dòng)模型，計(jì)算可以對(duì)機(jī)動(dòng)及其執(zhí)行進(jìn)行求和，或者假設(shè)機(jī)動(dòng)是已知的，并且只對(duì)可能的執(zhí)行求和。此外，根據(jù)最終應(yīng)用，可以計(jì)算與特定車輛碰撞的風(fēng)險(xiǎn)或所有車輛的總和，并獲得全局碰撞風(fēng)險(xiǎn)。1.4.3.3其他風(fēng)險(xiǎn)檢測(cè)方法通過(guò)進(jìn)一步分析預(yù)測(cè)的軌跡及其相交點(diǎn)，有可能得出一些指標(biāo)，這些指標(biāo)提供了有關(guān)潛在碰撞的更多信息。潛在碰撞危險(xiǎn)性的流行指標(biāo)是車輛的速度、代表車輛的形狀之間的重疊量、兩輛車同時(shí)占用沖突區(qū)域的概率以及碰撞的配置。可以使用這些指示符所提供的信息來(lái)確定減輕或避免潛在沖突的最佳方式。其他流行的風(fēng)險(xiǎn)指標(biāo)是基于“time-to-X”（或TTX）的度量，其中X對(duì)應(yīng)于碰撞過(guò)程中的相關(guān)事件，如碰撞時(shí)間(TTC)和反應(yīng)時(shí)間 (TTR)。TTC：其中標(biāo)準(zhǔn)的風(fēng)險(xiǎn)指標(biāo)是碰撞時(shí)間，它對(duì)應(yīng)于碰撞發(fā)生前的剩余時(shí)間。它可以用來(lái)指示應(yīng)該采取什么行動(dòng)。例如，當(dāng)TTC仍然較大時(shí)，最好通知或警告駕駛員，而不是應(yīng)用制動(dòng)器。對(duì)于自動(dòng)緊急制動(dòng)應(yīng)用，可以將TTC與車輛完全停止所需的時(shí)間進(jìn)行比較，以決定何時(shí)應(yīng)用制動(dòng)。對(duì)于駕駛員警告應(yīng)用，需要將駕駛員反應(yīng)時(shí)間添加到停止車輛的時(shí)間中。通過(guò)假設(shè)自動(dòng)駕駛車輛執(zhí)行特定軌跡的風(fēng)險(xiǎn)與最早的TTC成反比（TTC是針對(duì)場(chǎng)景中其他車輛的所有可能軌跡計(jì)算的），TTC也可以用作識(shí)別自動(dòng)駕駛車輛最小危險(xiǎn)機(jī)動(dòng)的工具。TTR：一個(gè)密切相關(guān)的風(fēng)險(xiǎn)指標(biāo)是反應(yīng)時(shí)間，它對(duì)應(yīng)于駕駛員在碰撞不可避免之前可采取行動(dòng)的時(shí)間。其目的是模擬不同的駕駛員動(dòng)作（如剎車、加速、轉(zhuǎn)向），并確定其中一種動(dòng)作能夠避免碰撞的最晚時(shí)刻。1.5交通信號(hào)檢測(cè)與識(shí)別交通信號(hào)檢測(cè)和識(shí)別子系統(tǒng)主要負(fù)責(zé)檢測(cè)和識(shí)別交通規(guī)則中定義的標(biāo)志。該系統(tǒng)是用來(lái)幫助汽車根據(jù)交通法則做出正確的決定。在交通信號(hào)檢測(cè)和識(shí)別中，有許多與交通信號(hào)相關(guān)的任務(wù)。這里主要探討了三個(gè)主要交通信號(hào)檢測(cè)和識(shí)別的方向：交通信號(hào)燈、交通標(biāo)志和自動(dòng)駕駛汽車周圍環(huán)境中的路面標(biāo)記。1.5.1交通燈檢測(cè)和識(shí)別交通燈檢測(cè)和識(shí)別涉及檢測(cè)汽車周圍環(huán)境中的一個(gè)或多個(gè)交通燈的位置（如，在圖像中表示）并識(shí)別它們的狀態(tài)（紅燈、綠燈和黃燈）。交通燈檢測(cè)和識(shí)別的方法主要可分為兩類：基于模型和基于學(xué)習(xí)。交通信號(hào)燈在顏色和形狀信息方面具有明確的結(jié)構(gòu)：常見(jiàn)的交通信號(hào)燈有三個(gè)燈泡（每個(gè)狀態(tài)一個(gè)：紅色，綠色和黃色）以及明確定義的形式。因此，早些時(shí)候，交通燈檢測(cè)和識(shí)別的大多數(shù)方法都是基于模型的。這些方法依賴于手工制作的特征工程，該工程試圖利用人類關(guān)于對(duì)象的顏色和形狀的信息來(lái)構(gòu)建能夠檢測(cè)和/或識(shí)別它的模型。當(dāng)沒(méi)有嚴(yán)格遵守假設(shè)時(shí)，通過(guò)使用顏色和形狀信息的方法魯棒性并不好。為了增強(qiáng)其魯棒性性，提出了使用不同特征（例如，顏色，形狀和結(jié)構(gòu)）的組合。一種結(jié)合了顏色（使用顏色分割），形狀/結(jié)構(gòu)（使用黑盒檢測(cè)）和地理信息（僅當(dāng)已知交通信號(hào)燈使用時(shí)才使用系統(tǒng)）預(yù)期。然而，他們的系統(tǒng)受到基于模型的方法常見(jiàn)的問(wèn)題：需要大量超參數(shù)調(diào)整，這也就意味著在某些情況下需要重新校準(zhǔn)。實(shí)驗(yàn)過(guò)程中，在過(guò)曝、遮擋、交通信號(hào)燈的非標(biāo)準(zhǔn)安裝以及其他一些在實(shí)際情況下并不罕見(jiàn)的情況下基本模型的方法容易出現(xiàn)失敗。在基于模型的方法的背景下，這種組合顯示還不夠。因此，研究人員開(kāi)始引入基于學(xué)習(xí)的方法。在基于學(xué)習(xí)的方法中，功能仍然是手工制作的，但檢測(cè)和識(shí)別過(guò)程是從基于規(guī)則的變?yōu)榛趯W(xué)習(xí)的。級(jí)聯(lián)分類器可能是第一次嘗試基于學(xué)習(xí)的方法。最終，還研究了HOG和Gabor特征與分類器（如SVM，AdaBoost和JointBoost）的流行組合。最近，端到端方法（即，不需要手工制作的特征）優(yōu)于大多數(shù)基于模型的方法。一種將GPS數(shù)據(jù)和交通燈位置數(shù)據(jù)庫(kù)用于識(shí)別圖像中的感興趣區(qū)域，并且采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)識(shí)別交通燈狀態(tài)。此外，最先進(jìn)的通用物體檢測(cè)方法已成功應(yīng)用于交通信號(hào)燈的檢測(cè)（通常無(wú)需識(shí)別其狀態(tài)）。全面地來(lái)說(shuō)，這些通用深度物體檢測(cè)方法（或簡(jiǎn)稱深度學(xué)習(xí)檢測(cè)方法）不提供交通燈檢測(cè)和識(shí)別任務(wù)的性能細(xì)分。盡管與基于模型的方法不同，然而這些深度學(xué)習(xí)檢測(cè)方法往往對(duì)過(guò)度曝光，顏色失真，遮擋等具有更強(qiáng)的魯棒性?；趯W(xué)習(xí)的方法，尤其是那些使用深度學(xué)習(xí)的方法，需要大量帶注釋的數(shù)據(jù)。直到最近，帶有注釋紅綠燈的大型數(shù)據(jù)庫(kù)才能公開(kāi)發(fā)布，為基于學(xué)習(xí)的方法提供支持和支持。如今，最常見(jiàn)的數(shù)據(jù)庫(kù)是LaRA（11,179幀），LISA，博世小交通燈（13,427幀），BDD（100,000幀）和Udacity（13,063）幀?！?/span>盡管在交通燈檢測(cè)和識(shí)別研究方面取得了進(jìn)展，但對(duì)于研究自動(dòng)駕駛汽車所使用的內(nèi)容知之甚少。可能主要原因是2007年DARPA城市挑戰(zhàn)中沒(méi)有紅綠燈。1.5.2交通標(biāo)志檢測(cè)和識(shí)別交通標(biāo)志檢測(cè)和識(shí)別涉及檢測(cè)環(huán)境中的交通標(biāo)志的位置并識(shí)別它們的類別（如，限速、停止信號(hào)和普通讓行）。早些時(shí)候，大多數(shù)用于交通標(biāo)志檢測(cè)和識(shí)別的方法都是基于模型的并使用了簡(jiǎn)單的特征（如，顏色、形狀和邊緣）來(lái)檢測(cè)識(shí)別的。后來(lái)，基于學(xué)習(xí)的方法（如SVM，級(jí)聯(lián)分類器和LogitBoost）開(kāi)始利用其簡(jiǎn)單的功能，但演變?yōu)楦鼜?fù)雜的功能（如，模式、外觀和模板）。然而，這些方法通常不能很好地概括，并且這些方法通常需要對(duì)幾個(gè)超參數(shù)進(jìn)行微調(diào)。此外，一些方法可能由于數(shù)據(jù)的缺乏，僅用于識(shí)別而不用于檢測(cè)。只有在大型數(shù)據(jù)庫(kù)可用之后（如，眾所周知的德國(guó)交通標(biāo)志識(shí)別（GTSRB）和檢測(cè)（GTSDB）基準(zhǔn)數(shù)據(jù)，數(shù)據(jù)分別為51,839和900幀），基于學(xué)習(xí)的方法最終可以顯示出算法的能力。盡管其中有一些方法只能夠應(yīng)對(duì)更少的例子。隨著更大型數(shù)據(jù)庫(kù)的發(fā)布（如超過(guò)20,000幀的STSD，6,610幀的LISA，用于檢測(cè)的25,634幀和用于分類的7,125幀的BTS，以及10萬(wàn)幀數(shù)據(jù)的清華-騰訊100K）,相比于基于模型的方法，基于學(xué)習(xí)的方法得到了改進(jìn)，并取得了更好的結(jié)果。上述一些數(shù)據(jù)集的幀數(shù)包括僅具有背景的幀。隨著一般計(jì)算機(jī)視覺(jué)任務(wù)中深度學(xué)習(xí)的興起，卷積神經(jīng)網(wǎng)絡(luò)是交通標(biāo)志檢測(cè)和識(shí)別中最先進(jìn)技術(shù)（SOTA）。深度學(xué)習(xí)方法已經(jīng)分別在GTSRB和和BTS的識(shí)別任務(wù)中實(shí)現(xiàn)了高達(dá)99.71％和98.86％的F1得分。1.5.3路面標(biāo)記檢測(cè)和識(shí)別路面標(biāo)記檢測(cè)和識(shí)別涉及檢測(cè)路面標(biāo)記的位置并識(shí)別其類型（如，車道標(biāo)記、道路標(biāo)記、消息和人行橫道）。大多數(shù)研究一次只處理一種類型的路面標(biāo)記，而不是同時(shí)處理所有類型的路面標(biāo)記。一個(gè)重要的路面標(biāo)記是道路中的車道定義。早些時(shí)候，大多數(shù)用于車道標(biāo)記檢測(cè)的方法都是基于模型或?qū)W習(xí)的。形狀和顏色是最常見(jiàn)的特征：直線和曲線（例如，拋物線和樣條）是最常見(jiàn)的車道表示。深度學(xué)習(xí)是另一種最近流行的流行方法，像這樣的方法已經(jīng)顯示出非常好的結(jié)果。一種使用兩個(gè)橫向安裝的向下攝像機(jī)和將橫向距離估計(jì)建模為分類問(wèn)題，并且通過(guò)使用CNN來(lái)完成任務(wù)。許多用于車道標(biāo)記檢測(cè)的方法也被嘗試用于道路標(biāo)記檢測(cè)。它們通常使用幾何和光度特征。此外，用于道路標(biāo)記檢測(cè)和識(shí)別的各種方法使用了逆透視映射（IPM）來(lái)減少了透視效果，以此讓問(wèn)題更容易解決并提高結(jié)果的準(zhǔn)確性。最近，幾種方法采用最大穩(wěn)定極值區(qū)域（MSER）來(lái)檢測(cè)感興趣區(qū)域（即可能包含道路標(biāo)記的區(qū)域）和用卷積網(wǎng)絡(luò)來(lái)識(shí)別道路標(biāo)記。一種基于IPM、MSER和DBSCAN的算法的融合來(lái)執(zhí)行道路標(biāo)記的檢測(cè)以及PCANet（一種簡(jiǎn)單的圖像分類的深度學(xué)習(xí)基線）與SVM或線性回歸的組合以進(jìn)行分類。在道路標(biāo)記的背景下，道路消息通常是單獨(dú)處理的。一些用于道路消息檢測(cè)和識(shí)別的方法將不同的消息視為不同的類別（即，算法首先檢測(cè)場(chǎng)景中消息的位置，然后識(shí)別它們的類別），而大多數(shù)方法使用基于OCR的方法識(shí)別字母。在道路標(biāo)記的環(huán)境中，人行橫道仍經(jīng)常被單獨(dú)檢測(cè)。大多數(shù)人行橫道檢測(cè)方法利用人行橫道通常呈現(xiàn)的規(guī)則形狀和黑白圖案來(lái)進(jìn)行識(shí)別。因此，在許多實(shí)際應(yīng)用中，這項(xiàng)任務(wù)不進(jìn)行，因?yàn)閺?qiáng)大的行人檢測(cè)算法的支持。?
決策與規(guī)劃系統(tǒng)
無(wú)人駕駛汽車行為決策系統(tǒng)指無(wú)人車通過(guò)傳感器感知得到交通環(huán)境信息，考慮周邊環(huán)境、動(dòng)靜態(tài)障礙物、車輛匯入以及讓行規(guī)則等，與無(wú)人駕駛庫(kù)中的經(jīng)驗(yàn)知識(shí)等進(jìn)行匹配，進(jìn)而選擇適合當(dāng)前交通環(huán)境之下的駕駛行為。行為決策的目標(biāo)主要是保證車輛可以像人類一樣產(chǎn)生安全的駕駛行為，滿足車輛安全性能、遵守交通法規(guī)等原則。該部分包括路線規(guī)劃、運(yùn)動(dòng)規(guī)劃和控制三個(gè)子系統(tǒng)。2.1路線規(guī)劃路線規(guī)劃子系統(tǒng)負(fù)責(zé)計(jì)算從自動(dòng)駕駛汽車的初始位置到用戶操作員定義的最終位置的通過(guò)道路網(wǎng)絡(luò)的路線。道路網(wǎng)絡(luò)中的路線規(guī)劃方法在查詢時(shí)間、預(yù)處理時(shí)間、空間使用和對(duì)輸入變化的魯棒性等方面提供了不同的權(quán)衡。它們主要可分為四類：基于目標(biāo)導(dǎo)向的、基于分隔符、基于分層技術(shù)的、有界跳躍和多種算法組合。2.1.1基于目標(biāo)導(dǎo)向基于目標(biāo)導(dǎo)向的路線規(guī)劃通過(guò)避免掃描不在目標(biāo)點(diǎn)方向上的頂點(diǎn)來(lái)引導(dǎo)從起點(diǎn)到目標(biāo)點(diǎn)的搜索。(1)ALT（A*+landmark+triangle inequality）算法:使用A? 結(jié)合基于界標(biāo)和三角形不等式的新圖論下界技術(shù)進(jìn)行搜索。通過(guò)選取一組頂點(diǎn)作為界標(biāo)來(lái)增強(qiáng)A*。在預(yù)處理階段，計(jì)算所有地標(biāo)和所有頂點(diǎn)之間的距離。在查詢階段，使用涉及界標(biāo)的三角形不等式來(lái)估計(jì)任意頂點(diǎn)的有效下界距離。搜索的性能和正確性取決于界標(biāo)選擇的正確性。如下圖為ALT算法與其他算法的對(duì)比，下圖32主要是Dijkstra算法，加入曼哈頓下限的A?算法和ALT算法的對(duì)比（Dijkstra算法訪問(wèn)的頂點(diǎn)（左），A? 在同一輸入上使用曼哈頓下限（中間）和ALT算法（右側(cè)）進(jìn)行搜索）。
圖32? Dijkstra搜索算法
(2)Arc Flag算法:
Arc Flag算法通過(guò)對(duì)路網(wǎng)中每條邊附加額外的指示信息減少搜索的范圍,提升最短路徑查詢速度。設(shè)置導(dǎo)航信息時(shí),如果將圖中每個(gè)點(diǎn)都作為目的點(diǎn)進(jìn)行預(yù)處理,則在標(biāo)記指示信息時(shí)占用太大內(nèi)存,需對(duì)圖的數(shù)據(jù)進(jìn)行劃分,以更大范圍地表示目的地,減少預(yù)處理消耗。Arc-flags算法主要分為2部分：①預(yù)處理階段的圖劃分和設(shè)置標(biāo)志位算法，該算法為路網(wǎng)數(shù)據(jù)中每條邊設(shè)置導(dǎo)航信息，即標(biāo)志位；②在線查詢算法,使用改造的 Dijkstra算法提供在線查詢服務(wù)。2.1.2分割法分割法是基于頂點(diǎn)或邊緣分隔符的。頂點(diǎn)（或邊緣）的分隔是頂點(diǎn)（或邊）的一部分，這些定點(diǎn)（或邊）的移除可以將圖分解為若干平衡單元?；陧旤c(diǎn)分隔符的算法使用頂點(diǎn)的分隔來(lái)計(jì)算疊加圖。將“捷徑”方式邊緣添加到疊加圖中，以保留完整圖形中任何一對(duì)頂點(diǎn)之間的距離。疊加圖比完整的圖小，多用于加速查詢算法。(1)HPML算法（High-Performance Multilevel Routing，高性能多級(jí)路由）
HPML（High Performance multivel Routing，高性能多級(jí)路由）算法是分割法的一個(gè)變種，它顯著減少了查詢時(shí)間，但代價(jià)是增加了空間使用量和預(yù)處理時(shí)間，在不同的級(jí)別上為圖添加了更多的快捷方式。
該方法基于輸入圖的分層分解和包含附加信息的輔助圖的計(jì)算。在聯(lián)機(jī)階段，使用這些預(yù)先計(jì)算的數(shù)據(jù)可以減少搜索空間，從而縮短查詢時(shí)間。該方法最大限度地開(kāi)發(fā)了預(yù)處理：其的新變體外包了計(jì)算到預(yù)處理階段的最短路徑所需的幾乎所有工作。因此，它最適合于查詢時(shí)間非常寶貴但預(yù)處理時(shí)間較長(zhǎng)（以及大量預(yù)計(jì)算數(shù)據(jù)）的環(huán)境
(2)CRP算法（可定制路線規(guī)劃算法）
該算法的主要?jiǎng)?chuàng)新點(diǎn)為區(qū)分網(wǎng)絡(luò)的拓?fù)湫再|(zhì)和度量性質(zhì)。拓?fù)涫蔷W(wǎng)絡(luò)的圖形結(jié)構(gòu)，以及每個(gè)路段或轉(zhuǎn)彎的一組靜態(tài)屬性，例如物理長(zhǎng)度、車道數(shù)、道路類別、速度限制、單向或雙向以及轉(zhuǎn)彎類型。該度量生成了穿越路段或轉(zhuǎn)彎的實(shí)際成本。它通?？梢院?jiǎn)潔地描述為一個(gè)函數(shù)，將電弧/轉(zhuǎn)彎的靜態(tài)特性映射（在恒定時(shí)間內(nèi)）為成本。例如，在所用時(shí)間度量中（假設(shè)自由流動(dòng)的交通），弧的成本可以是其長(zhǎng)度除以其速度限制。該算法假設(shè)拓?fù)溆?/span>度量共享，很少改變，而度量可能經(jīng)常改變，甚至可能是用戶特定的。該算法具有三個(gè)階段的現(xiàn)實(shí)路線規(guī)劃算法。,第一個(gè)獨(dú)立于度量的預(yù)處理可能相對(duì)較慢，因?yàn)樗苌龠\(yùn)行。它只將圖形拓?fù)渥鳛檩斎?/span>，并可能產(chǎn)生相當(dāng)數(shù)量的輔助數(shù)據(jù)（與輸入大小相當(dāng)）。第二個(gè)階段，即度量定制，針對(duì)每個(gè)度量運(yùn)行一次，并且必須更快（幾秒鐘），并且只生成少量數(shù)據(jù)（原始圖的一部分）。最后，查詢階段使用前兩個(gè)階段的輸出，并且對(duì)于實(shí)時(shí)應(yīng)用程序必須足夠快。該算法適用于具有任意度量的實(shí)時(shí)應(yīng)用程序，包括分層方法失敗的應(yīng)用程序。CRP可以快速地處理新的度量，并且度量特定的信息足夠小，可以同時(shí)將多個(gè)度量保存在內(nèi)存中。該方法通過(guò)重新審視和徹底重新設(shè)計(jì)已知的加速技術(shù)，并將它們與圖形劃分的最新進(jìn)展相結(jié)合來(lái)實(shí)現(xiàn)這一點(diǎn)。2.1.3基于層次化的方法層次化方法利用道路網(wǎng)絡(luò)的固有層次結(jié)構(gòu)，其中諸如高速公路的主要道路復(fù)合了小的動(dòng)脈子網(wǎng)絡(luò)。一旦源頂點(diǎn)和目標(biāo)頂點(diǎn)相距很遠(yuǎn)，查詢算法僅掃描子網(wǎng)的頂點(diǎn)。預(yù)處理階段根據(jù)實(shí)際的最短路徑結(jié)構(gòu)計(jì)算頂點(diǎn)或邊的重要性。(1)CH算法(Contraction Hierarchies algorithm)
CH算法是一種優(yōu)化的加速方法，可以利用代表道路網(wǎng)絡(luò)的圖的特性。通過(guò)在預(yù)處理階段創(chuàng)建“shortcuts”來(lái)實(shí)現(xiàn)提速，然后在最短路徑查詢中使用這些“shortcuts”來(lái)跳過(guò)“不重要的”頂點(diǎn)。這是基于對(duì)道路網(wǎng)絡(luò)高度分層的觀察。與一些通向小區(qū)內(nèi)部路的路口相比，某些路口（例如高速公路路口）在層次結(jié)構(gòu)中“更重要”并且在層次上更高?！皊hortcuts”可用于保存兩個(gè)重要路口之間預(yù)先計(jì)算的距離，從而算法無(wú)需在查詢時(shí)考慮這些路口之間的完整路徑。CH不知道人類認(rèn)為哪條道路“很重要”，但是它能夠使用啟發(fā)式方法計(jì)算出頂點(diǎn)的重要性。(2)REACH算法：REACH算法是一種層次化的方法，在預(yù)處理階段，首先計(jì)算頂點(diǎn)的中心度量（到達(dá)值），并在查詢階段使用這個(gè)度量來(lái)修剪基于Dijkstra的雙向搜索。設(shè)P是從源頂點(diǎn)s到包含頂點(diǎn)v的目標(biāo)頂點(diǎn)t的最短路徑。v相對(duì)于P的距離是r(v,P)= min { distance(s,v)，distance(v,t)}。2.1.4基于有界跳躍（bounded-hop 法）bounded-hop 的方法是通過(guò)向圖形添加虛擬shortcuts來(lái)預(yù)先計(jì)算頂點(diǎn)對(duì)之間的距離。由于所有頂點(diǎn)對(duì)之間的預(yù)計(jì)算的距離對(duì)于大型網(wǎng)絡(luò)而言是不允許的，因此bounded-hop 方法旨在獲得具有非常少的跳躍的任一的一條虛擬路徑的長(zhǎng)度。(1)HL算法（Hub Labeling）它在預(yù)處理階段計(jì)算圖形的每個(gè)頂點(diǎn)u的標(biāo)簽L(u)，其主要由u的一組中心頂點(diǎn)和它們的距離組成。選擇這些標(biāo)簽使得它們遵守覆蓋屬性：對(duì)于任何頂點(diǎn)對(duì)(s,t)，標(biāo)記L(s)和L(t)的交集必須包含從s到t的最短路徑的至少一個(gè)頂點(diǎn)。在查詢階段期間，通過(guò)評(píng)估標(biāo)記L(s)和L(t)的交集中存在的中心點(diǎn)之間的距離，可以在線性時(shí)間內(nèi)確定距離(s,t）。HL在道路網(wǎng)絡(luò)查詢方法是最快的，但代價(jià)是空間占用率高。(2)HL-∞算法（Customizable Route Planning algorithm）HL-∞算法則利用了集線器標(biāo)簽和頂點(diǎn)排序之間的關(guān)系，并開(kāi)發(fā)了預(yù)處理算法來(lái)計(jì)算產(chǎn)生小標(biāo)簽的排序。頂點(diǎn)排序的迭代范圍優(yōu)化算法使HL-∞算法的查詢時(shí)間比HL快兩倍。它以一些頂點(diǎn)排序（例如，由CH給出的）開(kāi)始并且在給定數(shù)量的迭代步驟中進(jìn)行，每個(gè)迭代步驟按重要性的降序重新排序不同范圍的頂點(diǎn)。(3)HLC算法（Hub Label Compression）HLC算法通過(guò)組合出現(xiàn)在多個(gè)標(biāo)簽中的常見(jiàn)子結(jié)構(gòu)，以更高的查詢時(shí)間為代價(jià)：將空間使用減少一個(gè)數(shù)量級(jí)。(4)TNR算法（Transit Node Routing）它使用頂點(diǎn)子集上的距離表示。在預(yù)處理階段，它選擇一組頂點(diǎn)作為傳輸節(jié)點(diǎn)，并計(jì)算它們之間的所有成對(duì)距離。從傳輸節(jié)點(diǎn)，對(duì)于每個(gè)頂點(diǎn)u，它可以計(jì)算一組訪問(wèn)節(jié)點(diǎn)。如果存在來(lái)自u(píng)的最短路徑使得v是其中的第一個(gè)傳輸節(jié)點(diǎn)，則傳輸節(jié)點(diǎn)v是u的接入節(jié)點(diǎn)。它還計(jì)算每個(gè)頂點(diǎn)與其訪問(wèn)節(jié)點(diǎn)之間的距離。選擇傳輸節(jié)點(diǎn)集的一種自然方法是選擇弧分隔符的頂點(diǎn)分隔符或邊界頂點(diǎn)作為傳輸節(jié)點(diǎn)。在查詢階段，距離表用于選擇從源頂點(diǎn)s到目標(biāo)頂點(diǎn)t的路徑，該路徑最小化組合距離s-a(s)-a(t)-t，其中a(s)和a(t)是接入節(jié)點(diǎn)。如果最短路徑不包含傳輸節(jié)點(diǎn)，則執(zhí)行本地查詢（通常為CH）。2.1.5多種算法組合可以將各個(gè)方法進(jìn)行組形成不同圖形屬性的混合算法。以上各種技術(shù)方法進(jìn)行組合可形成不同圖形屬性的混合算法。REAL算法結(jié)合了REACH和ALT。ReachFlags算法是結(jié)合了REACH和Arc Flags邊標(biāo)記法）。SHARC算法將shortcut的計(jì)算與多級(jí)的Arc Flags（邊標(biāo)記法）相結(jié)合。CHASE算法將CH與Arc Flags相結(jié)合。TNR + AF算法結(jié)合了TNR和Arc Flags（邊標(biāo)記法）。PHAST算法可以將若干技術(shù)進(jìn)行組合，以便通過(guò)利用多核CPU和GPU的并行性進(jìn)行加速。2.2運(yùn)動(dòng)規(guī)劃運(yùn)動(dòng)規(guī)劃子系統(tǒng)負(fù)責(zé)計(jì)算從自動(dòng)駕駛汽車的當(dāng)前狀態(tài)到由行為選擇子系統(tǒng)定義的下一個(gè)局部目標(biāo)狀態(tài)的路徑或軌跡。運(yùn)動(dòng)計(jì)劃執(zhí)行局部駕駛行為，滿足汽車的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束，為乘客提供舒適度，并避免與環(huán)境中的靜態(tài)和移動(dòng)障礙物發(fā)生碰撞。
運(yùn)動(dòng)計(jì)劃可以是路徑或軌跡。路徑是汽車狀態(tài)的序列，并沒(méi)有定義汽車狀態(tài)如何隨時(shí)間演變。該任務(wù)可以委托給其他子系統(tǒng)（例如，行為選擇子系統(tǒng)），或者速度分布可以定義為曲率和接近障礙物的函數(shù)。而軌跡是一條指定汽車狀態(tài)隨時(shí)間演變的路徑。
2.2.1路徑規(guī)劃
路徑規(guī)劃涉及生成從汽車當(dāng)前狀態(tài)到下一目標(biāo)狀態(tài)的一系列狀態(tài)，這并不定義汽車狀態(tài)隨時(shí)間的演變。路徑規(guī)劃通常分為全局路徑規(guī)劃和局部路徑規(guī)劃。在全局路徑規(guī)劃中，在汽車開(kāi)始移動(dòng)之前，使用環(huán)境的離線全局地圖計(jì)算全局路徑。在局部路徑規(guī)劃中，當(dāng)汽車移動(dòng)時(shí)，使用周圍環(huán)境的在線局部地圖生成局部路徑，這允許汽車處理移動(dòng)障礙物。路徑規(guī)劃方法主要可分為兩類：基于圖搜索的方法和基于插值曲線的方法。
2.2.1.1基于圖搜索的方法：
（1）Dijkstra算法是通過(guò)找到圖的初始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間的最短路徑。Dijkstra算法通過(guò)重復(fù)檢查最近尚未檢查的節(jié)點(diǎn)，將其鄰點(diǎn)添加到要檢查的節(jié)點(diǎn)集，并在達(dá)到目標(biāo)節(jié)點(diǎn)時(shí)停止。Dijkstra算法適用于全局路徑規(guī)劃。然而，由于檢查的節(jié)點(diǎn)數(shù)量很多，它在大面積地區(qū)的計(jì)算成本很高，并且有時(shí)候結(jié)果不連續(xù)。
（2）A*算法是Dijkstra的擴(kuò)展，其主要通過(guò)基于對(duì)目標(biāo)節(jié)點(diǎn)的啟發(fā)式估計(jì)成本向節(jié)點(diǎn)分配權(quán)重來(lái)執(zhí)行快速圖搜索。然而，這種算法找到解決方案并不容易。一種局部路徑規(guī)劃方法，該方法將A*算法與兩種不同的啟發(fā)式成本函數(shù)相結(jié)合，即（RTR）度量和Voronoi。其中第一個(gè)考慮了汽車的運(yùn)動(dòng)學(xué)約束，而第二個(gè)考慮了障礙物的形狀和位置的常識(shí)。
2.2.1.2基于插值曲線的方法基于曲線插值的方法是通過(guò)使用插值處理。該方法通過(guò)插值處理：在已知的點(diǎn)集內(nèi)插入新的點(diǎn)集。方法采用之前已知的一組點(diǎn)（如，描述路線圖的航點(diǎn)）并生成描繪更平滑路徑的新點(diǎn)集。用于自動(dòng)駕駛汽車的路徑規(guī)劃的最常用曲線插值的方法是樣條曲線。樣條曲線是以子間隔劃分為分段多項(xiàng)式參數(shù)曲線，這些曲線可以將其定義為多項(xiàng)式曲線。每個(gè)子段之間的連接稱為結(jié)（或控制點(diǎn)），其通常具有高度平滑約束。這種曲線具有較低的計(jì)算成本，因?yàn)槠湫袨槭怯山Y(jié)來(lái)定義的。然而，這種方法的結(jié)果可能不是最優(yōu)的，因?yàn)樗鼈?cè)重于實(shí)現(xiàn)部件之間的連續(xù)性而不是滿足道路的約束，并且它取決于全局航路點(diǎn)。（1）一種實(shí)時(shí)路徑規(guī)劃算法，該算法為靜態(tài)避障的越野自動(dòng)駕駛提供了最優(yōu)路徑。所提出的規(guī)劃算法基于一組預(yù)定義的航路點(diǎn)來(lái)計(jì)算路徑。預(yù)定義的路線點(diǎn)提供曲線坐標(biāo)系的基礎(chǔ)框架，以生成用于自動(dòng)駕駛車輛路徑規(guī)劃的路徑候選。將每個(gè)候選對(duì)象轉(zhuǎn)換為笛卡爾坐標(biāo)系，并使用障礙物數(shù)據(jù)進(jìn)行評(píng)估。為了選擇最優(yōu)路徑，通過(guò)考慮路徑安全成本、路徑平滑度和路徑一致性來(lái)確定每條路徑的優(yōu)先級(jí)。（2）在該方法中，首先從一組預(yù)定義的路線點(diǎn)構(gòu)建中心線，這些路線點(diǎn)通常是從車道級(jí)的地圖中獲得的。通過(guò)弧長(zhǎng)和到中心線的偏移確定。然后，所有這些候選都被轉(zhuǎn)換為笛卡爾坐標(biāo)。考慮靜態(tài)安全性、舒適性和動(dòng)態(tài)安全性的總成本，選擇最優(yōu)路徑；同時(shí)，還確定了最佳路徑的適當(dāng)加速度和速度。設(shè)計(jì)了各種類型的道路，包括具有靜態(tài)和移動(dòng)障礙物的單車道道路和多車道道路，以測(cè)試所提出的方法。該方法的流程圖如下圖33所示.
圖33? 基于曲線插值的規(guī)劃方法該方法構(gòu)成了從車道地圖獲得的一組航路點(diǎn)的中心線，并且生成一系列三次樣條的參數(shù)。這些三次樣條參數(shù)通過(guò)使用弧長(zhǎng)和偏移到中心線來(lái)表示可能的路徑候選。其中，最佳路徑通過(guò)基于功能成本的加權(quán)和來(lái)選擇。這兩種方法之間的區(qū)別在于：第一種方法僅避免靜態(tài)障礙，而第二種既可以避免靜態(tài)也能避免移動(dòng)障礙。2.2.2軌跡規(guī)劃軌跡規(guī)劃涉及自動(dòng)駕駛車從當(dāng)前狀態(tài)到下一個(gè)目標(biāo)狀態(tài)（該狀態(tài)詳細(xì)說(shuō)明了汽車狀態(tài)隨時(shí)間的變化過(guò)程）生成一系列狀態(tài)。軌跡規(guī)劃的方法可以主要分為四類：基于圖搜索、基于采樣、基于插值曲線以及基于數(shù)值優(yōu)化。2.2.2.1基于圖搜索的技術(shù)用于軌跡規(guī)劃的基于圖搜索的技術(shù)是從用于路徑規(guī)劃的技術(shù)擴(kuò)展而來(lái)，以用來(lái)詳細(xì)說(shuō)明汽車狀態(tài)隨時(shí)間的變化過(guò)程。在自動(dòng)駕駛汽車中，最常見(jiàn)的基于圖搜索的軌跡規(guī)劃方法是狀態(tài)點(diǎn)陣、彈性帶（EB）和A*。（1）狀態(tài)點(diǎn)陣是一種搜索圖，該搜索圖的頂點(diǎn)表示狀態(tài)，邊表示連接滿足設(shè)備運(yùn)動(dòng)約束的狀態(tài)的路徑。頂點(diǎn)以常規(guī)方式放置，并使得相同的路徑可用于連接所有頂點(diǎn)。通過(guò)這種方式，到目標(biāo)的路徑可能通過(guò)圖中的一系列邊來(lái)展示。僅通過(guò)表征解決方案中的可能狀態(tài)，該狀態(tài)網(wǎng)格必須適合于在線路徑規(guī)劃。此外，該方法必須通過(guò)添加時(shí)間和速度維度將這種“狀態(tài)晶格”擴(kuò)展到動(dòng)態(tài)環(huán)境。狀態(tài)格子能夠處理多個(gè)維度，例如位置，速度和加速度，并且適用于局部規(guī)劃和動(dòng)態(tài)環(huán)境。但是，它們具有很高的計(jì)算成本，因?yàn)樗鼤?huì)評(píng)估圖中的每個(gè)可能的解決方案。（2）一種用于道路軌跡規(guī)劃的共形時(shí)空狀態(tài)格。該方法中圍繞中心線路徑構(gòu)建狀態(tài)網(wǎng)格，在距離中心線的橫向偏移處定義道路上的節(jié)點(diǎn)，并使用優(yōu)化算法計(jì)算節(jié)點(diǎn)之間的邊緣。該優(yōu)化算法找到定義連接任何節(jié)點(diǎn)對(duì)的邊的多項(xiàng)式函數(shù)的參數(shù)。他們?yōu)槊總€(gè)節(jié)點(diǎn)分配一個(gè)狀態(tài)向量，其中包含姿勢(shì)、加速度曲線以及時(shí)間和速度范圍。通過(guò)時(shí)間和速度間隔的更精細(xì)離散化相比，加速度曲線以更低的成本增加軌跡多樣性。此外，時(shí)間和速度的范圍通過(guò)允許將時(shí)間和速度分配給圖搜索階段而不是圖構(gòu)建階段來(lái)降低計(jì)算成本。（3）一種迭代優(yōu)化的方法，該迭代優(yōu)化應(yīng)用于從狀態(tài)點(diǎn)陣導(dǎo)出的合成軌跡，以用來(lái)減少規(guī)劃的時(shí)間并改善了軌跡質(zhì)量。（4）一種將狀態(tài)晶格軌跡規(guī)劃與行為選擇融合的規(guī)劃方法。該方法對(duì)一組候選軌跡進(jìn)行采樣，并從中提取不同的行為。通過(guò)選擇行為并選擇與所選行為相關(guān)聯(lián)的候選軌跡來(lái)獲得最終軌跡。（5）一種使用三次多項(xiàng)式曲線沿全局路徑生成候選路徑，此外通過(guò)計(jì)算速度分布對(duì)所生成的路徑的點(diǎn)進(jìn)行分配，并通過(guò)成本函數(shù)評(píng)估所生成的軌跡，并選擇最佳軌跡。在路徑規(guī)劃方法中，基于彈性帶方法的優(yōu)化是通過(guò)具有彈性節(jié)點(diǎn)和邊緣的圖表來(lái)表征狀態(tài)空間。通過(guò)用連接相鄰空間節(jié)點(diǎn)的內(nèi)外邊緣對(duì)空間節(jié)點(diǎn)進(jìn)行擴(kuò)充來(lái)定義彈性節(jié)點(diǎn)。路徑是通過(guò)優(yōu)化算法獲取。其中優(yōu)化算法平衡兩種力:外部障礙產(chǎn)生的排斥力以及消除帶松弛的相鄰點(diǎn)所產(chǎn)生的收縮力。該方法展示了連續(xù)性和穩(wěn)定性，具有非確定性的運(yùn)行時(shí)間并且需要無(wú)沖突的初始路徑。（6）一種解耦的時(shí)空軌跡規(guī)劃方法，該方法分別進(jìn)行路徑規(guī)劃和軌跡規(guī)劃。軌跡規(guī)劃分為三個(gè)階段：在第一階段，考慮道路和障礙物約束來(lái)計(jì)算無(wú)碰撞路徑，并且使用純追蹤控制器和運(yùn)動(dòng)學(xué)汽車模型生成可行路徑；在第二階段，在幾個(gè)約束（速度限制、障礙物接近、橫向加速度和縱向加速度）下給出速度分布；最后，給定路徑和速度分布，通過(guò)參數(shù)路徑螺旋計(jì)算軌跡。通過(guò)模擬未來(lái)的運(yùn)動(dòng)，算法可以對(duì)所有靜態(tài)和移動(dòng)障礙物進(jìn)行軌跡評(píng)估。（7）A*算法通常用于路徑規(guī)劃或非結(jié)構(gòu)化軌跡規(guī)劃。道路軌跡規(guī)劃， A*的兩種新的節(jié)點(diǎn)擴(kuò)展方案。第一種方案通過(guò)數(shù)值優(yōu)化來(lái)試圖找到汽車從當(dāng)前節(jié)點(diǎn)直接連接到目標(biāo)節(jié)點(diǎn)的軌跡。第二種方案使用純追蹤控制器去在沿著全局參考路徑上，生成引導(dǎo)汽車的短邊（即，短運(yùn)動(dòng)基元）。2.2.2.2基于抽樣的方法基于采樣的方法是通過(guò)隨機(jī)地對(duì)狀態(tài)空間進(jìn)行采樣來(lái)尋找汽車當(dāng)前狀態(tài)和下一個(gè)目標(biāo)狀態(tài)之間的連接。在自動(dòng)駕駛汽車軌跡規(guī)劃中，最常用的基于采樣的方法是快速探索隨機(jī)樹(shù)（RRT）。用于軌跡生成的RRT方法使用來(lái)自狀態(tài)空間的隨機(jī)樣本將汽車從當(dāng)前狀態(tài)進(jìn)行遞增，以用來(lái)構(gòu)建搜索樹(shù)。在每個(gè)隨機(jī)狀態(tài)，控制命令應(yīng)用在樹(shù)的最近頂點(diǎn)，以用來(lái)創(chuàng)建盡可能接近隨機(jī)狀態(tài)的新?tīng)顟B(tài)。其中樹(shù)的每個(gè)頂點(diǎn)表示一個(gè)狀態(tài)，每個(gè)有向邊表示一個(gè)用于擴(kuò)展?fàn)顟B(tài)的命令。候選軌跡通過(guò)各種標(biāo)準(zhǔn)進(jìn)行評(píng)估。RRT方法對(duì)于高維空間具有較低的計(jì)算成本，并且只要解存在，總是找到解決方案，但需要算法給予足夠的時(shí)間。然而，它的結(jié)果并不是連續(xù)而且不穩(wěn)定。（1）一種用于無(wú)人駕駛車“IARA”的軌跡規(guī)劃的RRT方法。該方法為標(biāo)準(zhǔn)RRT方法提供了新的變體，該變體方法用來(lái)將隨機(jī)狀態(tài)的位置偏向車道區(qū)域，選擇期望最高的控制命令來(lái)擴(kuò)展?fàn)顟B(tài)，選擇最佳軌跡，丟棄非期望狀態(tài)，并重新使用部分在之前的規(guī)劃周期內(nèi)構(gòu)建的軌跡。（2）一種使用駕駛員在道路上的視覺(jué)搜索行為來(lái)指導(dǎo)RRT的狀態(tài)采樣。駕駛員在進(jìn)行轉(zhuǎn)彎過(guò)長(zhǎng)中會(huì)使用“近點(diǎn)”和“遠(yuǎn)點(diǎn)”。他們利用彎道上顯示的駕駛員視覺(jué)搜索行為的這一特征來(lái)指導(dǎo)RRT方法。此外，他們采用基于B樣條的后處理方法來(lái)生成平滑、連續(xù)和可行的軌跡。2.2.2.3基于曲線的插值方法基于插值曲線的方法通過(guò)內(nèi)插先前已知的一組點(diǎn)（如道路地圖路點(diǎn)）并且構(gòu)建更平滑的軌跡。該軌跡同時(shí)考慮汽車的運(yùn)動(dòng)和動(dòng)態(tài)約束、舒適度、障礙物以及其他參數(shù)。在自動(dòng)駕駛汽車的軌跡規(guī)劃中最常見(jiàn)的基于內(nèi)插曲線的技術(shù)是回旋曲線。回旋曲線允許定義具有線性可變曲率的軌跡，以便直線段到彎曲段之間的過(guò)渡是平滑的。然而，由于通過(guò)積分方法來(lái)定義，因此回旋曲線具有高計(jì)算成本，并且它取決于全局航路點(diǎn)。使用回旋觸角進(jìn)行軌跡規(guī)劃。從汽車的重心開(kāi)始，采用回旋曲線的形式，根據(jù)不同的速度和不同的初始轉(zhuǎn)向角來(lái)計(jì)算出觸角。可使用占據(jù)柵格圖將觸角分類為可導(dǎo)航或不可導(dǎo)航。在可通航的觸角中，最好的觸手是根據(jù)幾個(gè)標(biāo)準(zhǔn)選擇的。使用馬爾可夫決策過(guò)程啟發(fā)的方法來(lái)選擇最佳觸手。2.2.2.4基于數(shù)值優(yōu)化的方法基于數(shù)值優(yōu)化的方法是將約束變量的函數(shù)最小化或最大化的過(guò)程。在自動(dòng)駕駛汽車軌跡規(guī)劃中，最常見(jiàn)的基于數(shù)值優(yōu)化的技術(shù)是函數(shù)優(yōu)化和模型預(yù)測(cè)方法。函數(shù)優(yōu)化方法是在考慮軌跡約束(如位置，速度，加速度和加加速度）下最小化成本函數(shù)來(lái)找到軌跡。該類方法可以很容易將汽車的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束以及環(huán)境的約束考慮到成本函數(shù)中。然而，由于在每個(gè)運(yùn)動(dòng)狀態(tài)中都需要進(jìn)行優(yōu)化，并且取決于全局航路點(diǎn)，因此這種方法具有高計(jì)算成本。（1）一種使用功能優(yōu)化方法對(duì)自動(dòng)駕駛汽車“Bertha”進(jìn)行軌跡規(guī)劃。他們通過(guò)在軌跡約束內(nèi)最小化成本函數(shù)得到最佳軌跡。成本函數(shù)組成如下：使軌跡以指定的速度駕駛通道的中間行駛，對(duì)強(qiáng)加速度進(jìn)行懲罰，抑制加速度的快速變化，并衰減高偏航率。用于軌跡規(guī)劃的模型預(yù)測(cè)方法是通過(guò)對(duì)汽車從當(dāng)前狀態(tài)和下一個(gè)目標(biāo)狀態(tài)之間產(chǎn)生動(dòng)態(tài)可行的控制命令。它們可用于解決生成滿足狀態(tài)約束的參數(shù)化控制命令的問(wèn)題，其中動(dòng)態(tài)可由微分方程表示。（2）一種使用模型預(yù)測(cè)方法對(duì)自動(dòng)駕駛汽車“Boss”進(jìn)行軌跡規(guī)劃。該方法可以生成到從中心線路徑導(dǎo)出的一組目標(biāo)狀態(tài)的軌跡。為了計(jì)算每個(gè)軌跡，他們使用優(yōu)化算法逐漸修改軌跡控制參數(shù)的初始近似，直到軌跡終點(diǎn)誤差在可接受的界限內(nèi)。軌跡控制參數(shù)包括軌跡長(zhǎng)度以及定義曲率輪廓的樣條曲線的三個(gè)結(jié)點(diǎn)?；谌舾梢蛩兀ㄈ纾?dāng)前道路的速度極限，最大可行速度和目標(biāo)狀態(tài)速度）為每個(gè)軌跡生成的速度分布。并根據(jù)它們與障礙物的距離、到中心線路徑的距離、平滑度、終點(diǎn)誤差和速度誤差來(lái)選擇最佳軌跡。（3）一種使用基于狀態(tài)采樣的軌跡規(guī)劃方案，該方案在全局參考路徑中對(duì)目標(biāo)狀態(tài)進(jìn)行采樣，并應(yīng)用模型預(yù)測(cè)路徑規(guī)劃方法來(lái)產(chǎn)生將汽車從當(dāng)前狀態(tài)連接到采樣目標(biāo)狀態(tài)的路徑。速度曲線用于為生成路徑的每個(gè)狀態(tài)進(jìn)行分配速度?？紤]安全性和舒適性的成本函數(shù)用于選擇最佳軌跡。（4）一種使用模型預(yù)測(cè)方法進(jìn)行自動(dòng)駕駛車輛“IARA”的軌跡規(guī)劃。為了計(jì)算軌跡，他們使用優(yōu)化算法來(lái)找到軌跡控制參數(shù)，該軌跡控制參數(shù)在到目標(biāo)狀態(tài)的距離，到中心線路徑的距離以及與障礙物的接近度進(jìn)行最小化優(yōu)化。其中軌跡控制參數(shù)包括軌跡時(shí)間和四個(gè)結(jié)點(diǎn)（指定轉(zhuǎn)向角輪廓的樣條曲線）。上述方法的優(yōu)缺點(diǎn)總結(jié)和參考文獻(xiàn)如下圖34，35所示。
圖34? 常見(jiàn)路徑規(guī)劃方法對(duì)比
圖35? 常見(jiàn)路徑規(guī)劃方法對(duì)比2.3控制在自動(dòng)駕駛汽車領(lǐng)域，控制指的是工程領(lǐng)域自動(dòng)控制背后的理論，該理論涵蓋了在無(wú)需持續(xù)直接人為干預(yù)的情況下應(yīng)用機(jī)制來(lái)操作和調(diào)節(jié)過(guò)程。在最簡(jiǎn)單的自動(dòng)控制類型中，控制子系統(tǒng)將過(guò)程的輸出與期望的輸入進(jìn)行比較，并使用誤差（過(guò)程的輸出和期望的輸入之間的差異）來(lái)改變過(guò)程的輸入，從而使過(guò)程在受到干擾的情況下仍保持在其設(shè)定點(diǎn)。在自動(dòng)駕駛車輛中，自動(dòng)控制理論通常具有路徑跟蹤和底盤控制兩種方法。路徑跟蹤方法的作用是在汽車模型存在不準(zhǔn)確的情況下穩(wěn)定運(yùn)動(dòng)計(jì)劃的執(zhí)行。底盤控制的作用是計(jì)算在執(zhí)行器模型和其他方面存在不準(zhǔn)確的情況下執(zhí)行運(yùn)動(dòng)計(jì)劃的轉(zhuǎn)向、油門和制動(dòng)執(zhí)行器輸入。路徑跟蹤方法也稱為控制技術(shù)，因?yàn)樗鼈儾捎米詣?dòng)控制理論，并將路徑視為要控制的信號(hào)。然而，在自動(dòng)駕駛汽車領(lǐng)域，更適合將其稱為路徑跟蹤方法，以便將其與底盤控制方法區(qū)分開(kāi)來(lái)。2.3.1路徑跟蹤方法路徑跟蹤方法主要是執(zhí)行由運(yùn)動(dòng)規(guī)劃子系統(tǒng)計(jì)算的運(yùn)動(dòng)規(guī)劃，以減少主要由汽車運(yùn)動(dòng)模型引起的誤差。它們可以被認(rèn)為是簡(jiǎn)化的軌跡規(guī)劃技術(shù)。雖然它們不處理障礙物，但由于其可以簡(jiǎn)單得實(shí)現(xiàn)，被廣泛用于自動(dòng)駕駛汽車的路徑跟蹤。如圖36所示，它包括在距離當(dāng)前路徑一定距離的路徑中找到一個(gè)點(diǎn)，并轉(zhuǎn)動(dòng)前輪，以使一條圓弧將后軸中心與路徑中的點(diǎn)連接起來(lái)。
圖37?? Stanley控制算法示意圖
編輯：黃飛
工商網(wǎng)監(jiān)
評(píng)論