自動駕駛汽車架構詳解

--關注、星標、回復“自主泊車”--

編輯語：文章篇幅較長，建議先收藏再閱讀！

自動駕駛汽車的自主系統的架構通常被分為感知系統、決策系統和控制系統。感知系統通常被劃分為許多子系統，負責自動駕駛汽車定位、靜態障礙物繪制、移動障礙物檢測和跟蹤、道路映射、交通信號檢測和識別等任務。決策系統通常也被劃分為許多子系統，負責路線規劃、路徑規劃、運動規劃和控制等任務。底盤控制系統主要包括線控驅動、線控制動、線控轉向等系統，執行決策與規劃系統得出的底盤控制指令。本文詳細介紹了有關感知系統和決策系統的各種方法。

圖1展示了自動駕駛汽車自動化系統的典型分層架構的框圖，其中感知和決策系統顯示為不同顏色的模塊的集合。感知系統負責使用車載傳感器（例如LIDAR，RADAR，攝像機，GPS，IMU，里程表等）捕獲的數據來估計汽車的狀態和創建外部環境的內部（對自動駕駛系統而言）表示，以及有關傳感器模型，道路網絡，交通規則，汽車動力學等的先驗信息。決策系統則負責將汽車從初始出發位置導航到用戶定義的最終目的地，在此期間要考慮汽車狀態和（感知到的）環境的內部展示，以及交通規則和乘客的舒適度。

為了在整個環境中駕駛汽車，決策系統需要知道汽車在哪里。如圖1中，定位模塊負責估算與環境靜態地圖相關的汽車狀態（姿勢，線速度，角速度等）。盡管可以手動注釋（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物體），這些靜態地圖（或離線地圖）是在自主操作之前自動計算的，通常使用的是自動駕駛汽車本身的傳感器。自動駕駛汽車可以使用一個或多個不同的離線地圖（如占據柵格地圖，remission地圖或地標地圖）用于本地離線化。

圖1? 自動駕駛汽車的典型分層架構

定位模塊接收離線地圖，傳感器數據和平臺的里程表作為輸入，并生成自動駕駛汽車狀態的輸出（圖1）。值得注意的是，雖然GPS可能有助于定位過程，但由于高大的樹木，建筑物，隧道等造成的干擾，GPS單獨在城市環境中的正確定位是不夠的，這也使得GPS定位不可靠。

道路繪制模塊接收離線地圖和狀態作為輸入，并生成在線地圖的輸出。該在線地圖通常是結合離線地圖中存在的信息以及使用傳感器數據和當前狀態在線計算的占據柵格地圖。

自動駕駛汽車必須識別和遵守水平（車道標記）和垂直（即速度限制，交通信號燈等）交通信號。如圖1，TSD（交通信號檢測模塊）負責交通信號的檢測和識別。

路線規劃模塊是在給定離線地圖中定義的最終目的地的情況下，在離線地圖中計算從當前狀態到最終目標的路線。路徑是一系列路徑點，其中每個路徑點是離線地圖中的坐標對。

軌跡規劃模塊是在給定路徑情況下，考慮汽車狀態和環境的內部表示以及交通規則，計算出單條路徑的多個組合。路徑是一系列姿態，其中每個姿勢是離線地圖中的坐標對，以及在此定義的位置處所需的汽車方向的坐標對。

行為決策模塊負責選擇當前的駕駛行為，例如車道保持，交叉路口處理，交通燈信號處理等。該模塊用來選擇在當前狀態（決策范圍）前幾秒鐘（大概是5秒時間）在路徑中以及此姿勢狀態下的所需速度。姿勢和相關的速度組成一對稱為Goal，行為決策模塊需要在考慮當前的駕駛行為，并避免在決策時間范圍內與環境中的靜態和移動障礙物發生碰撞下選擇一個Goal。

運動規劃模塊負責計算從當前汽車狀態到當前Goal的軌跡，該目標遵循行為決策模塊定義的路徑，并滿足汽車的運動和動態約束，和乘客的舒適感。一個軌跡需要將汽車從當前狀態平穩地、安全地帶到目標位置。

避障模塊接收由運動規劃模塊計算的軌跡并在必要時更改它（通常降低速度）以避免碰撞。

最后，控制模塊接收運動規劃模塊得到軌跡以及經由避障模塊修改后的軌跡（通常是是降低速度），并計算并發送有作用效果的命令到方向盤，油門和制動器的執行器，以使汽車最好地在真實物理環境下修改軌跡。

下面是一些有關以上模塊形成的方法。

感知系統

在該系統中，包含了汽車定位、靜態障礙物繪制、道路映射、移動障礙物跟蹤以及交通信號檢測和識別幾大模塊。

1.1汽車定位

定位模塊負責估計相對于地圖或道路（例如，由路緣或道路標記表示）的自動駕駛汽車姿態（位置和方向）。大多數通用定位子系統都基于GPS的。然而，總的來說，它們不適用于城市自動駕駛汽車，因為GPS信號在閉塞區域無法保證，例如在樹下、城市峽谷（被大型建筑物包圍的道路）或隧道中。文獻中提出了各種不依賴GPS的定位方法。它們主要可分為三類：基于激光雷達的、基于激光雷達加相機的和基于相機的。僅依賴于LIDAR傳感器的基于激光雷達的定位方法可提供測量精度和得到數據易于處理。然而，盡管LIDAR行業努力降低生產成本，但是其與相機相比仍然具有較高的價格。在典型的LIDAR加上攝像機的定位方法中，LIDAR數據僅用于構建地圖，并且通過攝像機數據估計車輛相對于地圖的位置。這樣的做法降低了成本。基于相機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基于激光雷達的汽車定位

（1）一種在LIDAR激光射線的環境反射率（激光反射網格圖，如圖2）使用概率分布的離線網格圖用來定位的方法。該方法使用了HDL-64E-Velodyne激光雷達并通過無監督校準方法來校準HDL-64E-Velodyne激光束。這使得激光雷達對具有相同亮度的物體的響應類似。使用二維直方圖濾波器估計自動駕駛汽車的位置。通常，濾波器由兩部分組成：運動更新（或預測）：用來減少基于運動的估計的置信度；以及測量更新（或校正）：用來增加基于傳感器數據的估計的置信度。

在運動更新過程中，汽車運動以高斯分布噪聲隨機“游走”，從通過航位推算坐標系（使用Applanix LV-420導航系統的慣性更新計算）漂移到離線地圖的全局坐標系。在測量步驟中，對于不同的位移，它們使用在線計算的反射圖與離線計算的反射圖之間的相似性。其中，每個位移對應于直方圖濾波器中的直方圖的一個單元。為了將直方圖概括為單個姿勢估計，它們使用由直方圖建模的概率分布的質心。然而，該方法沒有描述他們如何估計方向。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。

圖2? Remission地圖

（2）一種蒙特卡洛（MCL）定位方法，該方法將衛星地圖與反射得到的地圖進行比較。衛星地圖從互聯網上離線下載，如OpenStreetMap，并且通過LIDAR接受反射強度數據實時構建反射的地圖。MCL算法用于通過使用歸一化互信息（NMI）度量將反射得到地圖與航衛星地圖匹配從而來估計汽車姿態以計算粒子可能性。該方法在機器人汽車“IARA”收集的6.5 km數據集上進行評估，并獲得0.89 m的位置估計精度。該方法的一個優點是它不需要專門為該方法構建地圖。

（3）一種基于道路特征檢測的定位方法。他們的路緣檢測算法使用環壓縮分析和最小修剪方塊來分析由多層LIDAR（HDL-32E-Velodyne）掃描形成的連續同心測量（或環）之間的距離。道路標記檢測算法使用Otsu閾值來分析LIDAR反射強度數據。路緣和道路標記功能存儲在網格地圖中。蒙特卡洛定位（MCL）算法用于通過將從多層激光雷達測量中提取的道路特征與網格圖匹配來估計汽車姿態。該方法在自主車輛“CARINA”上進行了評估，并且顯示出橫向和縱向定位估計誤差小于0.30 m。

（4）一種多層自適應蒙特卡羅定位（ML-AMCL）方法，流程如圖3所示，該方法與3D點配準算法結合使用。為了估計汽車姿勢，該方法從3D LIDAR測量中提取水平層，并且使用單獨的自適應蒙特卡羅方法來對準具有使用3D點配準算法構建的3D點云圖的2D投影的層。對于每個姿勢估計，執行針對一系列測距測量的一致性檢查，并將一致的姿勢估計與最終姿勢估計融合。該方法在現實世界數據上進行評估，并獲得相對于GPS參考的0.25米的位置估計誤差。

圖3? 多層自適應蒙特卡洛定位方法示意圖

（5）一種基于蒙特卡羅算法的定位方法，該方法通過2D占據柵格地圖和2D離線占據柵格地圖之間的地圖匹配來校正粒子的姿態，如圖4所示。對兩個地圖匹配距離函數（兩個網格圖之間的傳統似然場的距離的改進版本，以及兩個高維向量之間的自適應標準余弦距離）進行了評估。其中在IARA自動駕駛汽車的實驗評估表明，定位方法能夠使用余弦距離函數在約100Hz下工作，并且橫向和縱向誤差分別為0.13 m和0.26 m。

圖4? 占據柵格地圖匹配定位方法

（6）一種概率定位方法。該方法將世界建模為高斯混合的多分辨率圖（如圖5所示）。其中，高斯混合圖由多層LIDAR掃描儀（HDL-32E-Velodyne）測量的場景下的高度和反射強度（remission）分布辨識。擴展卡爾曼濾波器（EKF）定位算法用于通過高斯混合多分辨率圖的3D點云來估計汽車的姿態。該方法在惡劣天氣條件下對兩輛無人駕駛汽車進行了評估，結果顯示了該方法定位估算誤差約0.15米。

圖5? 概率定位方法

1.1.2基于激光雷達加攝像頭的汽車定位

一些方法通過使用LIDAR數據來構建地圖以及攝像頭獲取的數據，估計自動駕駛車相對于該地圖的位置。

（1）一種將立體圖像與3D點云圖匹配的定位方法。該地圖由地圖公司生成（http://www.whatmms.com），地圖由幾何數據（緯度，經度和高度）以及里程表，RTK-GPS和2D LIDAR掃描儀獲得的反射的數據組成。該算法可用于解決使用立體相機的基于三維（3D）點云地圖（PCL）的定位問題。該3D點云圖由密集的3D幾何信息和基于3D光檢測和測距（LIDAR）掃描儀的映射系統生成的表面反射率值的強度度量組成。盡管已經提出了一些基于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，且精度能達到厘米級的定位算法。

具體而言，在每個候選位置，將3D數據點從真實世界坐標系轉換到相機坐標系，并從3D PCL地圖合成虛擬深度和強度圖像。通過將這些虛擬圖像與立體深度和強度圖像相匹配來估計每幀中真實世界和車輛坐標之間的轉換，從而定位自我車輛。流程圖如下圖6所示：

圖6? 3D點云地圖定位

（2）一種將陸地的全景圖像與一年中不同季節捕獲的衛星圖像相匹配自動駕駛汽車定位方法。在該方法中，LIDAR數據被分類為地面和非地面類別。接著，使用LIDAR數據將由自動駕駛車中的全景相機捕獲的地面圖像分割成地面和非地面區域，然后變換為鳥瞰圖。其中，通過使用KMeans聚類方法將衛星圖像分割成地面/非地面區域。然后使用蒙特卡羅算法將鳥瞰圖像與衛星圖像匹配，從而估計姿勢。該方法在NavLab11自動駕駛汽車上進行了評估，并實現了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據來定位自動駕駛汽車。

（1）一種基于視覺里程計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域。然后，他們構建了這個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里程測量，他們估計相對于路線圖的汽車位移。

遞歸貝葉斯過濾算法用于通過利用其結構和汽車運動速度（通過視覺里程計測量）的模型來執行圖中的推斷。該算法通過增加當前位于汽車最新運動（直線距離以及近期曲線）圖的位置點的姿勢的可能性以及降低與之不相關點的可能性來精確定位汽車在地圖中的位置。

（2）在一些方法中，特征圖通過使用相機數據來構建。該方法中描述了自動駕駛汽車Bertha自主駕駛的定位方法。論文開發了一種基于互補視覺的定位技術：基于點特征的定位（PFL）和基于車道特征的定位（LFL）。如下圖7所示（其中a為點特征，b為車道特征），在PFL（點特征的定位）中，將當前相機的圖像同先前進行測繪過程中提取的DIRD描述符中獲取的一系列相機圖像的圖像進行比較。全局位置估計從制圖過程中獲取圖像中的全局位置恢復。在LFL（車道特征的定位）中，半自動計算的地圖提供道路標記特征（水平道路信號化）的全局幾何表征。通過檢測并關聯從相機圖像的鳥瞰視圖提取的道路標記特征與存儲在地圖中的水平道路信號，將當前相機圖像與地圖匹配。然后通過卡爾曼濾波器組合由PFL和LFL獲得的位置估計。

圖7? 視覺互補定位方法

（3）另一些方法通過使用相機數據來構建特征圖，但還是采用替代類型的特征。如一種在城市場景中使用柱狀地標作為主要特征（如下圖8所示）的方法，因為柱狀地標是獨特的、長期穩定的，并且可以通過立體攝像系統可靠地檢測到。此外，生成的地圖表示是內存高效的，允許輕松存儲和在線更新。定位由作為主傳感器的立體攝像系統實時執行，使用車輛里程計和現成的GPS作為輔助信息源。通過粒子濾波方法進行定位，結合卡爾曼濾波實現魯棒性和傳感器融合。

圖8? 利用柱狀地標實現穩定定位

（4）一些方法是使用神經網絡來定位自動駕駛汽車。這種方法通過相應的相機圖像以及相應的GPS位置。在測繪組中，神經網絡構建環境的表征。為此，神經網絡算法學習了一系列圖像和捕獲圖像的GPS位置，并將這些圖像和位置存儲在神經圖中。在定位階段，神經網絡使用由神經圖提供的先前獲得的知識來估計當前觀察到的圖像的全局位置。這些方法存在儀表尺度誤差并且難以在大面積上進行無人駕駛的定位。

VIBML是一種基于神經網絡的定位方法，VIBML是基于VG-RAM的基于圖像的全局定位方法的擴展。VIBML將全球定位和位置跟蹤集成到單個解決方案中，以提供平滑可靠的軌跡估計。VIBML包括三個主要子系統：VG-RAM基于圖像的映射（VIBM）、VG-RAM圖像的全球定位（VIBGL）和VG-RAM位置跟蹤（VIBPT）。架構如下圖9所示：

圖9? 基于神經網絡的定位

VIBML系統架構：VIBM子系統（紅色輪廓）負責映射（它使用VG-RAM來學習由圖像、全局姿態和表示一個地方的3D地標集組成的三元組）；VIBGL子系統（也呈紅色輪廓）負責系統啟動和連續全局定位（基本上從VIBM的VG-RAM恢復全局姿態）；VIBPT子系統（綠色輪廓）負責校正全局姿態估計，并隨著時間的推移跟蹤新的姿態。

1.2靜態障礙物繪制

靜態障礙物（為非地圖上顯示的物體）測繪子系統負責計算得到自動駕駛汽車的環境中的障礙物地圖。該子系統是確保無人駕駛車安全地在公共道路上導航而不與障礙物（如，路標、路緣石）碰撞的基礎，區分汽車自由（可穿越）空間。障礙物地圖則主要表示汽車可能或不能導航的地方的相關信息內容。無人駕駛車在行駛過程中必須始終處于自由空間。障礙圖是通過測繪（mapping）期間的傳感器數據得到，并存儲為結構化信息以便在以后的無人駕駛操作階段中使用。

狀態空間的表征通常區分為拓撲表示和度量表示。拓撲表示將狀態空間建模為圖形，其中通過節點標識重要位置（或特征），并且用邊緣表示它們之間的拓撲關系（如位置、方向、接近度和連通性）。這些分解的解決方案取決于環境的結構。度量表示通常將狀態空間分解為有規則間隔的單元格。此分解不依賴于要素的位置和形狀。度量空間分辨率往往高于拓撲空間分辨率。這種多功能性和效率使它們成為最常見的空間表示。

1.2.1離散空間度量表示

（1）狀態空間最常見的表現之一是占據柵格圖（OGM）。OGM將空間離散為固定大小的單元格，通常為分米級別。每個單元格包含占用與其相關的區域的概率。使用傳感器數據為每個單元獨立更新占用概率。為了簡單和高效的目的，可以將表征障礙物的3D傳感器測量投影到2D地平面上。獨立性的假設使得OGM算法變得快速而簡單。但是，它會生成稀疏狀態空間表征，因為只有傳感器到達的那些單元格才會更新。

一種在多層表面地圖上應用蒙特卡洛定位的方法來表示2D OGM中占用的不同高度范圍。該方法是一種新的技術組合，以在戶外環境中有效地定位移動機器人。該方法使用粒子過濾器，并將距離測量值與多級曲面圖進行匹配。并且提出了概率運動和觀測模型，并描述了如何在概率定位方案中使用這些模型。此外，其中還提出一種主動定位方法，該方法能夠通過僅考慮整個粒子集的聚類子集來有效地確定適當的傳感器方向。MLS地圖更準確地表示垂直結構，并可以處理機器人可以穿過的多個表面。如下圖10所示，其中左圖為普通立體圖，右圖為經過多層表面地圖（MLS）。

圖10? 多層表面地圖定位

（2）使用GPS、IMU和LIDAR數據生成高分辨率紅外地面圖（high-resolution infrared remittance ground map）。該方法將環境建模為概率網格，而不是將其作為固定的紅外匯值（infrared remittance values）的空間網格，從而將每個單元表示為其自身在紅外匯值（infrared remittance values）上的高斯分布。隨后，貝葉斯推斷能夠優先加權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重的錯誤。此外，通過使用離線SLAM對齊同一環境的多個通道（可能在時間上相隔幾天甚至幾個月）。該算法在各種動態環境中根據概率地圖定位車輛，驗證了該方法的有效性，在10cm范圍內實現RMS精度。

構建地圖的最終目標是獲得觀察環境的網格單元表示，其中每個單元存儲在該位置觀察到的平均紅外反射率以及這些值的方差。可分三個步驟生成這樣的地圖：首先，對所有軌跡進行后處理，以使重疊區域對齊；第二，我們校準每個激光束的強度返回，使光束具有相似的響應曲線；最后，將校準后的激光從對準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11? 不同紅外反射率的高分辨率概率圖

（3）另一類是基于八叉樹的地圖。該地圖用于存儲具有不同3D分辨率的信息（如圖12所示）。與具有不同3D分辨率的OGM相比，OctoMaps（基于八叉樹的地圖）僅存儲觀察到的空間，因此在存儲器消耗方面更有效。然而，OctoMaps以統一和離散的方式處理傳感器數據的更新和障礙物占用的估計。因此，它們比具有統一占用率的OGM慢。盡管OctoMaps在內存消耗方面具有顯著優勢，但是在無人駕駛車的實時場景中，強大的計算復雜性使該方法無法實現。

圖12? 基于八叉樹的地圖

1.2.2連續空間度量表示

（1）一種希爾伯特映射的新公式，其中通過逐步融合局部重疊的希爾伯特映射來構造全局占用圖。不是為整個地圖維護一個單一的監督學習模型，而是用機器人的每一次距離掃描來訓練一個新模型，并對機器人感知領域上的所有的點進行查詢。該方法將分類器的概率輸出視為傳感器，使用傳感器融合來合并局部地圖。該公式允許希爾伯特映射在傳感器觀測之間重疊的真實世界映射場景中增量使用。該方法應用于三維地圖構建，并使用真實和模擬的三維距離數據進行評估。

圖13? 基于希爾伯特映射的全局占用圖

（2）一種通過連續占用映射來表示環境的新技術，該技術在兩個基本方面改進了流行的占用夾點圖：1）它不假設將世界先驗離散為網格單元，因此可以提供任意分辨率的地圖；2）它自然地捕捉測量之間的統計關系，因此對異常值更為穩定，并具有更好的泛化性能。該技術名為希爾伯特映射，基于快速核近似的計算，將數據投影到希爾伯特空間，并且在該空間中學習邏輯回歸分類器。該方法允許有效的隨機梯度優化，其中每個測量在在線學習期間僅處理一次?？傻玫饺N近似的結果，隨機傅里葉變換（Random Fourier）、Nystr?m和一種新的稀疏投影（a novel sparse projection）。該方法還展示了如何擴展該方法以接受概率分布作為輸入，即當由于傳感器或定位誤差導致激光掃描位置存在不確定性時。實驗證明了該方法在具有數千次激光掃描的流行基準數據集中的優勢。左圖：用于訓練的數據點。右圖：用SVM和Nystr?m特征繪制的地圖。

圖14? 連續占用映射建圖方法

1.3道路繪制

道路映射子系統負責收集自動駕駛汽車周圍道路和車道的信息，并在具有幾何和拓撲屬性（包括互連和限制）的地圖中表示這些信息。道路繪制子系統的主要是路線圖表示和拓撲表示。

1.3.1地圖表示

路線圖通常也是分為度量圖和拓撲圖。

1.3.1.1度量表示

道路地圖的簡單度量表示是通過柵格地圖表示。柵格地圖是將環境離散化為固定大小的單元的矩陣。其中固定大小矩陣中包含關于是否屬于道路的信息以及移動到其相鄰區域單元的成本。道路網格地圖簡單易懂。但是，如果在路線圖的大區域內移動成本是均勻的，那么使用網格表示可能需要浪費地存儲空間和處理時間。

路徑點（ waypoints）序列是在大型道路柵格圖中壓縮路徑描述的一種替代方案。路徑點指的是沿著道路柵格圖中的路徑的點。路徑點序列可以手動定義或從道路網格地圖中自動提取。在于2005年DARPA挑戰賽中，提出了路線數據定義文件（RDDF）。RDDF是一個格式化文件，包含路徑點坐標和無人駕駛車的運行路徑，指定的其他相關信息（緯度、經度、橫向邊界偏移和航向速度）。

（1）一種路線圖用于推斷無人駕駛車IARA在城市道路上的車道位置和相關屬性（柵格地圖和RDDF路徑），如圖15所示。IARA的道路柵格地圖包含方形單元格0.2×0.2米。通道的每個單元都被分配上編碼。編碼從1到16表示了從單元到車道中心的相對距離以及單元中存在的車道標記（損壞、固定或無）的類型。IARA的RDDF路徑包含0.5米間隔的航路點，并通過一種算法從道路網格圖中自動提取，該算法獎勵更靠近車道中心的單元。

圖15? 道路柵格地圖

1.3.1.2拓撲表示

路面圖的更復雜的表示是通過拓撲圖。拓撲圖將環境描繪為圖形模型，其中頂點表示位置，連線表示位置之間的拓撲關系。拓撲圖可以包含更復雜的信息，包括多個車道，車道交叉點和車道合并。

（1）2007年DARPA城市挑戰賽中提出了路網描述文件（RNDF），這是一個拓撲圖，定義為格式化文件，用來指定無人駕駛車操作的路段。根據該文件，道路網絡包括一個或多個段，其中每個段包括一個或多個通道。段主要用來表示車道數、街道名稱和速度限制。車道用以表示車道寬度、車道標記和一組路徑點。車道之間的連接以出口和入口路徑點表示。

RNDF定義無人駕駛車輛可以訪問的道路信息，其中點的信息包括路點（道路上帶有二維坐標信息的點）和特征點（指無人駕駛車輛完成指定比賽任務必須識別的交通信號標志所在的點，這些點可以是位于道路上的路點，也可以是位于路邊的點，用三維坐標表示）；線的信息包括標志線的寬度、顏色、條數、道路的寬度和車道數；面的信息包括特定的區域（如自由行駛區域和自主泊車區域等）因此，路網文件包含描述路段和描述區域兩個方面的信息內容。

路網文件包含一段或多段道路，其中每段道路又包含一條或者多條車道。在路網文件中，“segment”表示與路段有關的信息（如路段名稱、路段包含的車道數等），“lane”表示與車道有關的信息（如車道名稱、寬度和車道上路點的順序集合），路點在路網文件中位于車道的內部。路點、車道和路段的表示方法如圖16所示，其中紅色圓點為路點，并以“M.N.P”表示，其中M、N和P分別表示路段號、車道號和該路點序號，而車道和路段分別以“M.N”和“M”的方式表示。

圖16? 路網描述

如果兩條道路相連，在車道的銜接處分別用“Entry Way Point”和“Exit Way Point”表示車道連接處的入口點和出口點。一個出口點可能對應一個或者多個入口點，出口點和入口點可以設定在車道的開始、中間或者末端位置，這取決于實際測試任務的需要。圖17表示交叉路口處的一種路點連接情況，其中出口點D在車道2.2的末端，它與入口點A和E（分別位于車道1.1和1.2）相連，表示無人駕駛車輛可以有兩個選擇；出口點B和F分別位于車道1.2和車道1.1的中間，與車道2.1的入口點C相連。

此外，還有兩種特殊情況：1）當一條道路是環形道路時，它的入口點和出口點可能在同一條車道上；2）當遇到一條死路時，這條車道上的最后一個路點可能指向臨近車道上的第一個最近的路點，表明無人駕駛車輛須反方向行駛，即執行U-Turn。在路網文件中停止點用“Stop”來描述。如圖17所示，相應的路點D附近有一條停止線，它垂直于無人駕駛車輛的行進路線。

圖17? T型路口

（2）一種用于從校準的視頻圖像和移動車輛獲取的激光測距數據中檢測和估計城市道路網絡中多車道特性的系統。該系統在多個處理器上分幾個階段實時運行，將檢測到的道路標記、障礙物和路緣融合為附近車道的穩定非參數估計。該系統結合了所提供的分段線性道路網絡的元素作為弱先驗。

該方法在幾個方面都是值得注意的：它檢測和估計多條車道；它融合了異步、異構的傳感器流；它處理高曲率道路；并且它不假設車輛相對于道路的位置或方向。

尋道方法包括三個階段。在第一階段，該系統通過激光雷達的數據，檢測并定位每幀視頻中所繪制的道路標記，以降低誤報率。第二階段處理道路檢測到的車道線以及激光雷達檢測到的路緣，來估計附近車道的中心線。最后，在產生一個或多個非參數車道輸出之前，對任何檢測到的中心線進行濾波、跟蹤和融合。該方法的數據流如圖所示。

圖18? 車道線融合

對于每幀視頻，根據從實時IMU數據推斷的地平面的投影，沿著每行的像素網格對內核進行采樣。然后將核與來自每行的圖像數據卷積以產生匹配濾波器的輸出。當核寬度小于1像素時，卷積計算被抑制。如下圖19所示，此操作成功地丟棄了場景中的大部分雜波，并可以對線狀特征強烈的響應。這是對垂直和水平內核分別進行的，給出兩個輸出圖像（圖19b、c）。

接下來，通過對水平濾波器輸出的每一行和垂直濾波器輸出的每個列的數值進行迭代，以構建一維局部最大值列表，這些最大值將作為特征。理想情況下，這些最大值出現在所有線的中心。

圖19? 車道線檢測

（2）一種拓撲圖表示為OpenStreetMap（OSM），它使用三個基元（即點（Nodes）、路（Ways）和關系（Relations））用拓撲圖對環境進行建模?！包c”表示地理點，“路”表示節點列表（折線），“關系”由任意數量的成員組成，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量）作為要素的屬性給出。

（3）一個非常詳細的拓撲路線圖，稱為車道片段圖(lanelet)。lanelet圖內包括道路的幾何和拓撲特征，如道路、車道和交叉口。其中使用原子互連的可驅動路段，稱為車道片段，如圖20所示。車道片段的幾何形狀由左側和右側定義綁定，每一個對應一個點列表（折線）。該特征隱含地定義了每個車道的寬度和形狀及其行駛方向。車道片段的鄰邊由加權有向圖構成。在加權有向圖中，其中每個車道片段用邊和長度表示，其中長度代表著向外標遠的權重。其他要素描述了條件限制，如速度限制和交通規則（如交叉和合并權利）。

圖20? lanelet地圖

（4）高清地圖（HD maps）是為無人駕駛汽車提供動力的新一代拓撲地圖。高清地圖的精度可達到厘米級，并包含豐富的信息，如車道位置、道路邊界和道路曲率的信息。由于創建高清地圖的成本很高，因此通過使用平臺將高清地圖作為服務提供。

1.3.2地圖創建

創建道路地圖的最簡單方法是對航空影像中提取的道路形狀進行手動注釋。然而，大型城市道路網絡所需的非常高成本的注釋，這可能會使手動注釋變得不可行。為此，提出了用于從航拍圖像自動生成道路地圖的方法。

1.3.2.1手動注釋

(1)使用從航拍圖像中提取的道路形狀的手動注釋，以便為自動駕駛汽車創建路線圖。獲得的局部道路形狀是準確的，然而，由于圖像分辨率和全球注冊，位置全局地理信息并不那么準確。為此，他們的定位方法使用位置過濾處理道路模型中的錯誤地方。

(2)采用了無人駕駛車Bertha的車道片段地圖的所有元素和屬性的手動注釋。虛擬頂視圖圖像被用作使用OSM格式和Java OSM編輯器手動注釋車道片段圖作為基礎。

1.3.2.2智能生成

(1)一種使用高階條件隨機場（CRF）通過將圖像分割成超像素并添加連接這些超像素的路徑來對道路網絡的結構進行建模。從航空圖像中提取城市道路并對其進行網絡結構的概率表示。道路看起來像一個細長的、部分彎曲的結構，形成的一個環狀的圖形，如下圖21所示，這種復雜的布局需要一個超越標準平滑度和共現假設的先驗。在所提出的模型中，網絡被表示為連接遠距離（超）像素的一維路徑的并集。通過在前景（道路）可能性中搜索最小成本路徑，構建一大組假定的候選路徑，使其盡可能包含真實網絡。選擇候選路徑的最優子集被提出為高階條件隨機場中的MAP推斷。該方法還導出了一個魯棒的PN-Potts模型，對于該模型，可以通過圖切割有效地找到全局MAP解。用兩個道路數據集進行的實驗表明，所提出的模型相對于多個基線顯著提高了每像素精度以及總體拓撲網絡質量。

圖21? 道路建模

(2)一種使用卷積神經網絡（CNN）來獲得路段。道路分割的補充任務是從頂視圖或前向圖像檢測車道。使用具有數百萬可訓練權重的神經網絡來檢測道路，該網絡查看的上下文比之前學習任務時使用的上下文大得多。該網絡使用消費級GPU對大量數據進行訓練。并且通過使用最近開發的無監督學習方法初始化特征檢測器以及利用輸出標簽的局部空間相關性，可以顯著提高預測性能。

(3)一種使用地面柵格地圖的方法，結合車輛里程計、GPS和基于傳感器的道路模型識別，可獲得的位置的精確度可以達到厘米級，如下圖22所示。一旦定位在地圖中，包含在地圖中的先驗信息使駕駛策略能夠做出關于變道機動和導航的決策，其中一些僅使用基于傳感器的道路模型識別方法是不可能的。此外，基于地圖的方法增加了魯棒性和前瞻性，這兩個都是考慮到HAD的需求所必需的，因為HAD的驅動程序可能不在循環中。

圖22? 多傳感器融合的地圖描述方法

地圖主要由兩層組成：語義層、幾何層和定位層。語義或幾何層包含車道模型幾何結構和高級語義信息，如車道連通性，這是路徑規劃和決策所需的。定位層包含在地圖內定位車輛所需的數據。在本項目中，定位層主要由車道標記和道路邊界數據組成，這些數據可由傳感器檢測，然后與GPS和車輛里程計一起用于將車輛匹配到地圖上。

使用先驗地圖，并且用卡爾曼濾波器估計地圖中車輛的位置。使用GPS數據和檢測到的地標（例如車道標記）更新過濾器，以便持續更新定位假設。車輛的位置也可以使用車輛控制所需的較高速率的里程計數據進行預測。

(4)一種使用LIDAR數據來檢測車道標記和相機圖像，方法中對LiDAR的每個垂直層分別應用了二次擬合。由于車道傾向于平緩的曲線，因此在道路橫截面中使用二次方程進行曲線擬合。檢測車道時，用于車道標記的獨特油漆比路面反射激光的效果要好得多。因此該過程通過僅在視覺系統的脆弱情況下（例如，背光、低光）運行基于攝像頭的車道檢測技術來減少誤報。然后將確認的基于攝像機的車道再次投影到地面上并轉換為3D坐標系。車道檢測過程的結果如圖23所示。

圖23? 車道檢測

(5)一種使用深度神經網絡（DNN）來推斷自動車輛IARA水平信號差或缺乏的車道的位置和相關屬性，如下圖24所示。DNN執行將LIDAR的remission柵格地圖分段到道路柵格地圖，將代碼（從1到16）分配到屬于車道的地圖單元格。這些代碼用來表示單元內車道中心的相對距離以及車道標記的類型。通過使用數十公里標記道路車道的數據集來訓練DNN，使其達到足以實現IARA實際自動駕駛的準確性。道路分割不直接提供道路地圖，但是道路分割定義地圖單元是否是道路的一部分。

圖24? 深度神經網絡建圖

（6）一種從航空圖像自動構建精確道路網絡地圖的新方法。RoadTracer（航空影像自動生成路網）使用基于CNN的決策函數指導的迭代搜索過程，直接從CNN的輸出，導出道路網絡圖。該方法試圖直接從CNN產生路線圖，而不是依賴于中間圖像表示。并且該方法使用迭代得到的圖構建過程，一次添加一個單獨的路段，并使用CNN決定要添加的下一個段。

1.4移動障礙物檢測與跟蹤

移動物體跟蹤（MOT）子系統（也稱為檢測和跟蹤多個物體）負責檢測和跟蹤自動駕駛汽車周圍環境中移動障礙物的姿態。該子系統對于自動駕駛車輛做出決策并避免與潛在移動物體（例如，其他車輛和行人）碰撞至關重要。移動障礙物隨時間的位置通常是根據測距傳感器（如激光雷達和雷達）或立體相機捕獲的數據來估計的。來自單眼相機的圖像有助于提供豐富的外觀信息，以確定移動障礙物類型。為了應對傳感器測量的不確定性，采用貝葉斯濾波器（例如卡爾曼濾波器和粒子濾波器）進行狀態預測，下面是各種移動障礙物的檢測與跟蹤方法：

1.4.1基于物理的運動模型（Physics-based motion models）

基于物理的運動預測模型認為車輛的運動只取決于物理定律，將車輛表示為受物理定律支配的動態實體。使用一些控制輸入（例如轉向、加速度）、汽車特性（例如重量）和外部條件（例如路面的摩擦系數）與車輛狀態的演變（例如位置、航向、速度）之間的關系，對車輛運動軌跡進行預測。在這種基于物理的車輛運動模型方面已經做了大量的工作，它們仍然是道路安全背景下用于軌跡預測和碰撞風險估計的最常用的運動模型。這些模型或多或少復雜，取決于車輛動力學和運動學的表示的精細程度、如何處理不確定性、是否考慮了道路的幾何形狀等。

1）預測車輛未來軌跡的一種簡單方法是將車輛動力學模型（車輛二，三自由度動力學模型等）或運動學模型（CV，CA，CTRV，CTRA等）應用于車輛的當前狀態，假設當前狀態完全已知，且選擇的動力學模型或運動學模型可以將車輛的運動表示出來，然后得到預測的運動，如下圖25所示。

圖25? 軌跡預測

2）基于貝葉斯濾波器的車輛未來軌跡預測最流行的是基于卡爾曼濾波器的車輛軌跡預測，如下圖26所示，在預測步驟中，將時間t處的估計狀態饋送到車輛動力學模型或運動學模型，從而得到時間t+1的預測狀態，該預測狀態采用高斯分布的形式。在更新步驟中，將時間t+1處的傳感器測量值與預測狀態組合形成時間t+1的估計狀態，該狀態的估計也服從高斯分布的。循環預測和更新，可以得到每個未來的時間步的車輛狀態的平均值和協方差矩陣，該矩陣可以轉換為具有相關不確定性的平均軌跡。而該預測方式因模型的不準確，造成軌跡預測較大的誤差，因此出現了切換卡爾曼濾波器（SKF），他們依靠一組卡爾曼濾波器來表示車輛的可能演化的動力學模型或 運動學模型，并在它們之間切換。SKF的另一種選擇是根據具體情況使用啟發式在不同的運動學模型之間切換。

圖26? 基于貝葉斯濾波器的軌跡預測

3）基于蒙特卡洛的車輛未來軌跡預測在一般情況下，即當沒有對模型的線性或不確定性的高斯性做出假設時，預測狀態分布的解析表達式通常是未知的，而蒙特卡羅方法提供了近似這種分布的工具。從模型的輸入變量中隨機采樣，以生成潛在的未來軌跡。為了考慮道路拓撲，將權重應用于基于卡爾曼濾波生成的軌跡預測中，然后得到預測的軌跡，如下圖27所示。

圖27? 基于蒙特卡洛的軌跡預測

局限性：由于它們僅依賴于運動的低級別屬性（動力學和運動學屬性），基于物理的運動模型僅限于短期（小于一秒）運動預測。通常，他們無法預測由執行特定功能（例如減速、勻速轉彎，然后加速以在交叉路口轉彎）引起的汽車運動變化，或由外部因素引起的變化（例如由于前方車輛減速）。

1.4.2基于動機的運動模型（Maneuver-based motion models）

基于機動的運動模型將車輛表示為獨立的機動實體，即它們假設車輛在道路網絡上的運動對應于獨立于其他車輛執行的一系列機動。車輛的未來運動取決于駕駛員的意圖。將車輛表示為獨立的機動實體，即它們假設車輛在路網上的運動對應于獨立于其他車輛執行的一系列駕駛員打算執行的操作。如果能夠識別駕駛員的機動意圖，則可以假設車輛的未來運動將與該機動相匹配。

1.4.2.1基于原型軌跡的運動模型

基于原型軌跡的運動模型的主要思想是將道路網絡上車輛的軌跡可以被分組為有限的一組簇，每簇對應于一種典型的運動模式，如下圖28所示。運動模式使用原型軌跡表示，原型軌跡是在訓練階段從數據中學習的。之后，通過找到最可能的運動模式并將原型軌跡用作未來運動的模型，可以在給定部分軌跡的情況下在線進行預測。因為道路網絡是一個結構化的環境，通常假設可以預先識別運動模式（例如，可以通過識別給定位置處的所有可能機動，從數字地圖中提取運動模式）。

圖28? 軌跡簇示意圖

可以通過計算樣本軌跡的平均值和標準偏差來導出運動模式的隨機表示。

（1）一種新的基于聚類的技術，該技術使用成對聚類來學習典型的運動模式。文中引入了一個相異性度量，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，我們獲得了對應于不同運動模式的多個簇。然后，我們計算每個簇的平均值，我們將其進一步用于預測部分觀測軌跡的運動。

（2）一種基于組合軌跡分類和粒子濾波框架的長期預測方法。軌跡由徑向基函數（RBF）分類器進行分類，該分類器具有能夠處理任意非均勻長度的軌跡的結構。作為軌跡之間相似性的度量，我們引入了基于四元數的旋轉不變最長公共子序列（QRLCS）度量。粒子過濾器框架同時跟蹤和評估大量運動假設，其中RBF分類器估計的類特定概率用作粒子過濾器假設的先驗概率。假設用均值移位技術進行聚類，并分配一個似然值。

（3）一種可以增量學習運動模式并與預測并行的方法。基于對隱馬爾可夫模型的一種新擴展——稱為增長隱馬爾可夫模型。

高斯過程（GP）非常適合于表示道路交通背景下的運動模式。GP可以看作是高斯概率分布的推廣。他們將過程建模為函數上的高斯分布。當將其應用于車輛軌跡時，假設學習數據集中的軌跡是高斯過程的樣本函數。因此，學習包括在這些函數上擬合高斯分布。GP的主要優點是其對觀測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動模式執行中的變化的能力。

總結：

首先，先得到原型軌跡，從車輛執行的部分軌跡開始，通過將其與學習到的運動模式進行比較，選擇最可能的運動模式，并使用原型軌跡作為模型進行預測。然后需要定義度量來測量部分軌跡到運動模式的距離。

當運動模式由高斯過程表示時，通過對軌跡的可能未來進行積分，將距離計算為部分軌跡對應于GP的概率。

當運動模式由有限組原型軌跡表示時，部分軌跡到運動模式的距離通過其與原型軌跡的相似性來測量。已經定義了許多度量來測量兩條軌跡之間的相似性，包括軌跡點之間的平均歐幾里得距離、修正的豪斯多夫（the modified Hausdorff）、最長公共子序列（LCS）及其平移和旋轉不變版本——基于四元數的旋轉不變LCS。計算到每個運動模式的距離后預測未來運動的最簡單解決方案是選擇最可能的運動模式，并將其用作唯一模型。

考慮運動模式的混合：計算不同運動模式上的概率分布，然后將不同運動模型組合（加權）為一個，或者生成一組具有相關權重的潛在未來軌跡。最近提出的另一種解決方案是使用專家分層混合（HME），其優點是可以處理分類變量（例如轉向燈、道路布局類別）

局限性：在很長一段時間里，原型軌跡的主要限制是它們對時間的嚴格確定性表示。事實上，當使用一組有限的軌跡來表示運動模式時，需要大量的原型來模擬運動模式執行過程中的巨大變化。例如，為了識別涉及停車線等待時間的機動，必須使用硬閾值來識別等待間隔，并在計算兩條軌跡之間的距離時忽略它們。對于此類模型來說，處理更細微的速度變化，如交通擁擠引起的速度變化仍然是一個問題。在一定程度上，高斯過程的引入通過允許運動模式的時間無關表示來解決了這個問題。然而，其也有其他限制。除了繁重的計算負擔外，它們還缺乏考慮車輛物理限制的能力，因此可能生成不現實的樣本軌跡。使用原型軌跡時的另一個困難是它們不適應不同的道路布局，特別是適用于道路交叉口時。因為每個運動模型都是針對特定的交叉幾何和進行訓練的，因此它只適用于和其類似的交叉口。

1.4.2.2基于機動意圖估計的運動模型

匹配駕駛員的機動意圖（例如，在停車線等待、跟隨另一輛車、執行左轉），然后預測連續的物理狀態，以便它們對應于所識別機動的可能執行。與軌跡原型相比，一個主要優點是不需要將部分軌跡與先前觀察到的軌跡相匹配。相反，提取更高級別的特征并用于識別機動，這使得將學習的模型推廣到任意布局更容易.

許多狀態可用于對駕駛員的機動意圖的估計，例如車輛的物理狀態（位置、速度、航向、加速度、橫擺率、轉向信號等）、關于道路網絡的信息（道路的幾何結構和拓撲結構、速度限制、交通規則等）、駕駛員行為（頭部移動、駕駛風格等）。機動意圖估計已經被許多工作所研究。本調查側重于道路交叉口的機動意圖估計，但本文介紹的大多數方法可應用于其他交通情況。

環境和試探法可用于確定在一段時間后可能以確定性的方式執行哪些功能。對于在更復雜的場景中對機動進行分類，判別式的學習算法非常流行，例如多層感知機（MLP）、Logistic回歸、關聯向量機（RVM）或支持向量機（SVM）。同樣流行的替代方法是將每個動作分解為一系列連續的事件，并使用隱馬爾可夫模型（HMM）表示這一系列事件。不同事件之間的轉移概率可以從數據以及觀測模型（即不可觀測事件和可用觀測之間的關系）中獲知。對于新的觀測序列，通過比較每個HMM的觀測可能性來估計機動意圖。

圖29? 道路交叉口交互行為意圖識別常用方法的對比

對軌跡進行預測，使其與識別的機動相匹配。這可以以確定性的方式完成，方法是導出與識別的機動相對應的輸入控制，然后根據運動學運動模型生成單個軌跡。這種嚴格確定性方法的一個問題是，它不能考慮當前車輛狀態、正在執行的機動或執行機動的不確定性。為了以概率方式探索機動的潛在執行空間，可以使用GP或RRT，如下圖30所示：

使用GP的方法探索機動的潛在執行空間：可以從訓練數據中學習每個機動的GP，并以生成方式使用GP來創建每個機動的樣本軌跡。

使用RRT的方法探索機動的潛在執行空間：可以通過在車輛演化模型的輸入空間中采樣點，根據估計的機動意圖在采樣中應用偏差來生成RRT樹。這種方法的優點是它總是為機動生成動態可行的軌跡，作為軌跡的替代。

圖30? 三種不同方法對比

局限性：

實際上，車輛相互獨立移動的假設不成立。車輛與其他車輛共用道路，一輛車的機動動作必然會影響其他車輛的機動動作。在道路交叉口，車輛間的依賴性特別強，優先權規則迫使車輛考慮其他車輛的機動。忽視這些相關性可能導致對情況的錯誤解釋，并影響風險評估。

1.4.2.3基于交互感知的運動模型（Interaction-aware motion models）

交互感知運動模型考慮了車輛機動之間的相互依賴性，是迄今為止文獻中提出的最全面的模型。與基于物理的運動模型相比，它們允許更長期的預測，并且比基于機動的運動模型更可靠，因為它們考慮了車輛之間的相關性。但文獻中很少有交互感知運動模型。它們一般有兩種方法：一種是基于原型軌跡，一種是基于動態貝葉斯網絡。

基于軌跡原型的方法，在學習階段不能考慮車輛間的影響，因為由此產生的運動模式數很快就會變得難以處理。然而，可以通過假設駕駛員在能夠避免碰撞時有強烈的傾向來考慮匹配階段的相互影響。導致不可避免碰撞的成對軌跡在匹配過程中會受到懲罰，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題仍然存在，因為一輛車對另一輛車軌跡的影響無法直接建模。

基于動態貝葉斯網絡的模型的方法：大多數交互感知運動模型都是基于動態貝葉斯網絡（DBN）的。多個移動實體之間的成對依賴關系用耦合HMM（CHMM）建模。

然而，由于可能的成對依賴關系的數量隨著實體的數量呈二次增長，因此在復雜的交通情況下，復雜性是不可管理的。簡化模型的一種解決方案是通過假設周圍交通影響感興趣的車輛而使CHMM不對稱，但反之亦然。不對稱依賴的假設大大降低了問題的計算復雜性。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。

利用交通規則調節車輛相互作用的方法。多主體影響被分解為成對依賴的對數線性組合，如：成對依賴類型為“支路上的車輛對主道上車輛的讓路”。

圖31? 基于行為交互運動模型的軌跡預測

一種通過使用因子狀態解釋了相互影響：一種能夠同時估計交通參與者行為并預測其未來軌跡的濾波器。該濾波器被建模為動態貝葉斯網絡。因子化狀態空間對因果依賴進行建模，允許以緊湊的方式描述模型，并降低推理過程的計算復雜性。

一種來模擬道路交叉口處車輛的聯合運動的類似的方法。該方法引入了一個稱為“預期機動”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系。在所提出的模型中，情景影響了駕駛員的預期行為，進而影響駕駛員的意圖。

局限性：

交互感知運動模型是迄今為止文獻中提出的最全面的模型。與基于物理的運動模型相比，它們允許更長期的預測，并且比基于機動的運動模型更可靠，因為它們考慮了車輛之間的相關性。然而，這種窮盡性有一些缺點：使用這些模型計算車輛的所有潛在軌跡在計算上很昂貴，并且與實時風險評估不兼容。

1.4.3風險評估

大部分的風險評估都具有以下兩個步驟：1)預測場景中所有移動實體的潛在未來軌跡。2)檢測每對可能的軌跡之間的碰撞，并基于碰撞的總體概率得出風險估計。然后有以下幾種分類。

1.4.3.1二進制碰撞檢測

在基于線性物理的運動模型的特殊情況下，通過求解運動模型的線性微分方程，可以容易地導出特定時間車輛狀態的解析解。

碰撞風險的計算可以是二進制的。在基于線性物理的運動模型的特殊情況下，通過求解運動模型的線性微分方程，可以容易地導出特定時間車輛狀態的解析解。因此，以有效的方式。然而，在一般情況下，運動方程過于復雜，無法推導出閉合解。一種解決方案是通過分段直線軌跡來近似每個軌跡。更常見的方法是離散化軌跡，并在每個離散時間步迭代檢查碰撞。根據這一推理，可以通過定義兩點之間距離的閾值（來自同一時間步的兩條軌跡），以簡單的方式檢測碰撞。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測試點表示。如果有關于車輛狀態不確定性的信息，并且該不確定性是高斯的，則可以通過對標準偏差應用閾值來使用橢圓代替多邊形。為了簡化相交面積的計算，可以用一組圓或一組點來近似橢圓。

一些駕駛員輔助系統專注于檢測不可避免的碰撞。該計算是二元碰撞預測的一種特殊情況，根據駕駛員是否能夠執行無碰撞機動，將風險分配為0或1。確定是否存在這種機動可以通過兩種方式進行。

第一個是計算逃生機動（即車輛應如何轉向、制動或加速來避免碰撞），并檢查這些操作是否可行（“可行”意味著轉向、制動或加速不超過車輛的物理限制）。第二個是考慮組合轉向、制動和加速機動的整個空間，并對無碰撞軌跡進行優化搜索。這一概念與機器人技術中使用的不可避免碰撞狀態（ICS）概念密切相關。

1.4.3.2概率碰撞檢測

考慮到車輛未來運動的不確定性，可以用概率方式計算碰撞風險。概率可以通過計算兩輛車的中心位于同一個單元的概率，在離散位置空間上計算，對于所有可能的單元組合。碰撞概率可以測量為表示車輛未來運動的幾何形狀之間重疊的百分比。對于當前狀態的正態分布不確定性，已經提出了一種基于無跡變換的隨機線性化的解決方案。

當車輛的未來運動由樣本軌跡上的概率分布表示時（這通常是依賴于蒙特卡羅模擬或高斯過程的方法的情況），通過對所有可能的未來軌跡進行積分并檢測每個可能的軌跡對之間的碰撞，可以將風險計算為“未來碰撞的概率”。這種方法在處理不確定性方面提供了很大的靈活性。例如，對于基于機動的運動模型，計算可以對機動及其執行進行求和，或者假設機動是已知的，并且只對可能的執行求和。此外，根據最終應用，可以計算與特定車輛碰撞的風險或所有車輛的總和，并獲得全局碰撞風險。

1.4.3.3其他風險檢測方法

通過進一步分析預測的軌跡及其相交點，有可能得出一些指標，這些指標提供了有關潛在碰撞的更多信息。潛在碰撞危險性的流行指標是車輛的速度、代表車輛的形狀之間的重疊量、兩輛車同時占用沖突區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確定減輕或避免潛在沖突的最佳方式。

其他流行的風險指標是基于“time-to-X”（或TTX）的度量，其中X對應于碰撞過程中的相關事件，如碰撞時間(TTC)和反應時間 (TTR)。

TTC：其中標準的風險指標是碰撞時間，它對應于碰撞發生前的剩余時間。它可以用來指示應該采取什么行動。例如，當TTC仍然較大時，最好通知或警告駕駛員，而不是應用制動器。對于自動緊急制動應用，可以將TTC與車輛完全停止所需的時間進行比較，以決定何時應用制動。對于駕駛員警告應用，需要將駕駛員反應時間添加到停止車輛的時間中。通過假設自動駕駛車輛執行特定軌跡的風險與最早的TTC成反比（TTC是針對場景中其他車輛的所有可能軌跡計算的），TTC也可以用作識別自動駕駛車輛最小危險機動的工具。

TTR：一個密切相關的風險指標是反應時間，它對應于駕駛員在碰撞不可避免之前可采取行動的時間。其目的是模擬不同的駕駛員動作（如剎車、加速、轉向），并確定其中一種動作能夠避免碰撞的最晚時刻。

1.5交通信號檢測與識別

交通信號檢測和識別子系統主要負責檢測和識別交通規則中定義的標志。該系統是用來幫助汽車根據交通法則做出正確的決定。在交通信號檢測和識別中，有許多與交通信號相關的任務。這里主要探討了三個主要交通信號檢測和識別的方向：交通信號燈、交通標志和自動駕駛汽車周圍環境中的路面標記。

1.5.1交通燈檢測和識別

交通燈檢測和識別涉及檢測汽車周圍環境中的一個或多個交通燈的位置（如，在圖像中表示）并識別它們的狀態（紅燈、綠燈和黃燈）。

交通燈檢測和識別的方法主要可分為兩類：基于模型和基于學習。交通信號燈在顏色和形狀信息方面具有明確的結構：常見的交通信號燈有三個燈泡（每個狀態一個：紅色，綠色和黃色）以及明確定義的形式。因此，早些時候，交通燈檢測和識別的大多數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于對象的顏色和形狀的信息來構建能夠檢測和/或識別它的模型。當沒有嚴格遵守假設時，通過使用顏色和形狀信息的方法魯棒性并不好。為了增強其魯棒性性，提出了使用不同特征（例如，顏色，形狀和結構）的組合。一種結合了顏色（使用顏色分割），形狀/結構（使用黑盒檢測）和地理信息（僅當已知交通信號燈使用時才使用系統）預期。然而，他們的系統受到基于模型的方法常見的問題：需要大量超參數調整，這也就意味著在某些情況下需要重新校準。實驗過程中，在過曝、遮擋、交通信號燈的非標準安裝以及其他一些在實際情況下并不罕見的情況下基本模型的方法容易出現失敗。在基于模型的方法的背景下，這種組合顯示還不夠。因此，研究人員開始引入基于學習的方法。

在基于學習的方法中，功能仍然是手工制作的，但檢測和識別過程是從基于規則的變為基于學習的。級聯分類器可能是第一次嘗試基于學習的方法。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）優于大多數基于模型的方法。一種將GPS數據和交通燈位置數據庫用于識別圖像中的感興趣區域，并且采用卷積神經網絡（CNN）來識別交通燈狀態。此外，最先進的通用物體檢測方法已成功應用于交通信號燈的檢測（通常無需識別其狀態）。

全面地來說，這些通用深度物體檢測方法（或簡稱深度學習檢測方法）不提供交通燈檢測和識別任務的性能細分。盡管與基于模型的方法不同，然而這些深度學習檢測方法往往對過度曝光，顏色失真，遮擋等具有更強的魯棒性?；趯W習的方法，尤其是那些使用深度學習的方法，需要大量帶注釋的數據。直到最近，帶有注釋紅綠燈的大型數據庫才能公開發布，為基于學習的方法提供支持和支持。如今，最常見的數據庫是LaRA（11,179幀），LISA，博世小交通燈（13,427幀），BDD（100,000幀）和Udacity（13,063）幀?！?/span>

盡管在交通燈檢測和識別研究方面取得了進展，但對于研究自動駕駛汽車所使用的內容知之甚少?？赡苤饕蚴?007年DARPA城市挑戰中沒有紅綠燈。

1.5.2交通標志檢測和識別

交通標志檢測和識別涉及檢測環境中的交通標志的位置并識別它們的類別（如，限速、停止信號和普通讓行）。

早些時候，大多數用于交通標志檢測和識別的方法都是基于模型的并使用了簡單的特征（如，顏色、形狀和邊緣）來檢測識別的。后來，基于學習的方法（如SVM，級聯分類器和LogitBoost）開始利用其簡單的功能，但演變為更復雜的功能（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幾個超參數進行微調。此外，一些方法可能由于數據的缺乏，僅用于識別而不用于檢測。只有在大型數據庫可用之后（如，眾所周知的德國交通標志識別（GTSRB）和檢測（GTSDB）基準數據，數據分別為51,839和900幀），基于學習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對更少的例子。隨著更大型數據庫的發布（如超過20,000幀的STSD，6,610幀的LISA，用于檢測的25,634幀和用于分類的7,125幀的BTS，以及10萬幀數據的清華-騰訊100K）,相比于基于模型的方法，基于學習的方法得到了改進，并取得了更好的結果。上述一些數據集的幀數包括僅具有背景的幀。隨著一般計算機視覺任務中深度學習的興起，卷積神經網絡是交通標志檢測和識別中最先進技術（SOTA）。深度學習方法已經分別在GTSRB和和BTS的識別任務中實現了高達99.71％和98.86％的F1得分。

1.5.3路面標記檢測和識別

路面標記檢測和識別涉及檢測路面標記的位置并識別其類型（如，車道標記、道路標記、消息和人行橫道）。大多數研究一次只處理一種類型的路面標記，而不是同時處理所有類型的路面標記。一個重要的路面標記是道路中的車道定義。早些時候，大多數用于車道標記檢測的方法都是基于模型或學習的。形狀和顏色是最常見的特征：直線和曲線（例如，拋物線和樣條）是最常見的車道表示。深度學習是另一種最近流行的流行方法，像這樣的方法已經顯示出非常好的結果。一種使用兩個橫向安裝的向下攝像機和將橫向距離估計建模為分類問題，并且通過使用CNN來完成任務。

許多用于車道標記檢測的方法也被嘗試用于道路標記檢測。它們通常使用幾何和光度特征。此外，用于道路標記檢測和識別的各種方法使用了逆透視映射（IPM）來減少了透視效果，以此讓問題更容易解決并提高結果的準確性。最近，幾種方法采用最大穩定極值區域（MSER）來檢測感興趣區域（即可能包含道路標記的區域）和用卷積網絡來識別道路標記。一種基于IPM、MSER和DBSCAN的算法的融合來執行道路標記的檢測以及PCANet（一種簡單的圖像分類的深度學習基線）與SVM或線性回歸的組合以進行分類。

在道路標記的背景下，道路消息通常是單獨處理的。一些用于道路消息檢測和識別的方法將不同的消息視為不同的類別（即，算法首先檢測場景中消息的位置，然后識別它們的類別），而大多數方法使用基于OCR的方法識別字母。

在道路標記的環境中，人行橫道仍經常被單獨檢測。大多數人行橫道檢測方法利用人行橫道通常呈現的規則形狀和黑白圖案來進行識別。因此，在許多實際應用中，這項任務不進行，因為強大的行人檢測算法的支持。

決策與規劃系統

無人駕駛汽車行為決策系統指無人車通過傳感器感知得到交通環境信息，考慮周邊環境、動靜態障礙物、車輛匯入以及讓行規則等，與無人駕駛庫中的經驗知識等進行匹配，進而選擇適合當前交通環境之下的駕駛行為。

行為決策的目標主要是保證車輛可以像人類一樣產生安全的駕駛行為，滿足車輛安全性能、遵守交通法規等原則。該部分包括路線規劃、運動規劃和控制三個子系統。

2.1路線規劃

路線規劃子系統負責計算從自動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道路網絡的路線。

道路網絡中的路線規劃方法在查詢時間、預處理時間、空間使用和對輸入變化的魯棒性等方面提供了不同的權衡。它們主要可分為四類：基于目標導向的、基于分隔符、基于分層技術的、有界跳躍和多種算法組合。

2.1.1基于目標導向

基于目標導向的路線規劃通過避免掃描不在目標點方向上的頂點來引導從起點到目標點的搜索。

(1)ALT（A*+landmark+triangle inequality）算法:

使用A??結合基于界標和三角形不等式的新圖論下界技術進行搜索。通過選取一組頂點作為界標來增強A*。在預處理階段，計算所有地標和所有頂點之間的距離。在查詢階段，使用涉及界標的三角形不等式來估計任意頂點的有效下界距離。搜索的性能和正確性取決于界標選擇的正確性。如下圖為ALT算法與其他算法的對比，下圖32主要是Dijkstra算法，加入曼哈頓下限的A?算法和ALT算法的對比（Dijkstra算法訪問的頂點（左），A??在同一輸入上使用曼哈頓下限（中間）和ALT算法（右側）進行搜索）。

圖32? Dijkstra搜索算法

(2)Arc Flag算法:

Arc Flag算法通過對路網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。設置導航信息時,如果將圖中每個點都作為目的點進行預處理,則在標記指示信息時占用太大內存,需對圖的數據進行劃分,以更大范圍地表示目的地,減少預處理消耗。

Arc-flags算法主要分為2部分：①預處理階段的圖劃分和設置標志位算法，該算法為路網數據中每條邊設置導航信息，即標志位；②在線查詢算法,使用改造的 Dijkstra算法提供在線查詢服務。

2.1.2分割法

分割法是基于頂點或邊緣分隔符的。頂點（或邊緣）的分隔是頂點（或邊）的一部分，這些定點（或邊）的移除可以將圖分解為若干平衡單元?；陧旤c分隔符的算法使用頂點的分隔來計算疊加圖。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頂點之間的距離。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，高性能多級路由）

HPML（High Performance multivel Routing，高性能多級路由）算法是分割法的一個變種，它顯著減少了查詢時間，但代價是增加了空間使用量和預處理時間，在不同的級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算。在聯機階段，使用這些預先計算的數據可以減少搜索空間，從而縮短查詢時間。該方法最大限度地開發了預處理：其的新變體外包了計算到預處理階段的最短路徑所需的幾乎所有工作。因此，它最適合于查詢時間非常寶貴但預處理時間較長（以及大量預計算數據）的環境

(2)CRP算法（可定制路線規劃算法）

該算法的主要創新點為區分網絡的拓撲性質和度量性質。拓撲是網絡的圖形結構，以及每個路段或轉彎的一組靜態屬性，例如物理長度、車道數、道路類別、速度限制、單向或雙向以及轉彎類型。該度量生成了穿越路段或轉彎的實際成本。它通?？梢院啙嵉孛枋鰹橐粋€函數，將電弧/轉彎的靜態特性映射（在恒定時間內）為成本。例如，在所用時間度量中（假設自由流動的交通），弧的成本可以是其長度除以其速度限制。該算法假設拓撲由度量共享，很少改變，而度量可能經常改變，甚至可能是用戶特定的。

該算法具有三個階段的現實路線規劃算法。,第一個獨立于度量的預處理可能相對較慢，因為它很少運行。它只將圖形拓撲作為輸入，并可能產生相當數量的輔助數據（與輸入大小相當）。第二個階段，即度量定制，針對每個度量運行一次，并且必須更快（幾秒鐘），并且只生成少量數據（原始圖的一部分）。最后，查詢階段使用前兩個階段的輸出，并且對于實時應用程序必須足夠快。

該算法適用于具有任意度量的實時應用程序，包括分層方法失敗的應用程序。CRP可以快速地處理新的度量，并且度量特定的信息足夠小，可以同時將多個度量保存在內存中。該方法通過重新審視和徹底重新設計已知的加速技術，并將它們與圖形劃分的最新進展相結合來實現這一點。

2.1.3基于層次化的方法

層次化方法利用道路網絡的固有層次結構，其中諸如高速公路的主要道路復合了小的動脈子網絡。一旦源頂點和目標頂點相距很遠，查詢算法僅掃描子網的頂點。預處理階段根據實際的最短路徑結構計算頂點或邊的重要性。

(1)CH算法(Contraction Hierarchies algorithm)

CH算法是一種優化的加速方法，可以利用代表道路網絡的圖的特性。通過在預處理階段創建“shortcuts”來實現提速，然后在最短路徑查詢中使用這些“shortcuts”來跳過“不重要的”頂點。這是基于對道路網絡高度分層的觀察。與一些通向小區內部路的路口相比，某些路口（例如高速公路路口）在層次結構中“更重要”并且在層次上更高?！皊hortcuts”可用于保存兩個重要路口之間預先計算的距離，從而算法無需在查詢時考慮這些路口之間的完整路徑。CH不知道人類認為哪條道路“很重要”，但是它能夠使用啟發式方法計算出頂點的重要性。

(2)REACH算法：

REACH算法是一種層次化的方法，在預處理階段，首先計算頂點的中心度量（到達值），并在查詢階段使用這個度量來修剪基于Dijkstra的雙向搜索。設P是從源頂點s到包含頂點v的目標頂點t的最短路徑。v相對于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 的方法是通過向圖形添加虛擬shortcuts來預先計算頂點對之間的距離。由于所有頂點對之間的預計算的距離對于大型網絡而言是不允許的，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度。

(1)HL算法（Hub Labeling）

它在預處理階段計算圖形的每個頂點u的標簽L(u)，其主要由u的一組中心頂點和它們的距離組成。選擇這些標簽使得它們遵守覆蓋屬性：對于任何頂點對(s,t)，標記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頂點。在查詢階段期間，通過評估標記L(s)和L(t)的交集中存在的中心點之間的距離，可以在線性時間內確定距離(s,t）。HL在道路網絡查詢方法是最快的，但代價是空間占用率高。

(2)HL-∞算法（Customizable Route Planning algorithm）

HL-∞算法則利用了集線器標簽和頂點排序之間的關系，并開發了預處理算法來計算產生小標簽的排序。頂點排序的迭代范圍優化算法使HL-∞算法的查詢時間比HL快兩倍。它以一些頂點排序（例如，由CH給出的）開始并且在給定數量的迭代步驟中進行，每個迭代步驟按重要性的降序重新排序不同范圍的頂點。

(3)HLC算法（Hub Label Compression）

HLC算法通過組合出現在多個標簽中的常見子結構，以更高的查詢時間為代價：將空間使用減少一個數量級。

(4)TNR算法（Transit Node Routing）

它使用頂點子集上的距離表示。在預處理階段，它選擇一組頂點作為傳輸節點，并計算它們之間的所有成對距離。從傳輸節點，對于每個頂點u，它可以計算一組訪問節點。如果存在來自u的最短路徑使得v是其中的第一個傳輸節點，則傳輸節點v是u的接入節點。它還計算每個頂點與其訪問節點之間的距離。選擇傳輸節點集的一種自然方法是選擇弧分隔符的頂點分隔符或邊界頂點作為傳輸節點。在查詢階段，距離表用于選擇從源頂點s到目標頂點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)是接入節點。如果最短路徑不包含傳輸節點，則執行本地查詢（通常為CH）。

2.1.5多種算法組合

可以將各個方法進行組形成不同圖形屬性的混合算法。以上各種技術方法進行組合可形成不同圖形屬性的混合算法。REAL算法結合了REACH和ALT。ReachFlags算法是結合了REACH和Arc Flags邊標記法）。SHARC算法將shortcut的計算與多級的Arc Flags（邊標記法）相結合。CHASE算法將CH與Arc Flags相結合。TNR + AF算法結合了TNR和Arc Flags（邊標記法）。PHAST算法可以將若干技術進行組合，以便通過利用多核CPU和GPU的并行性進行加速。

2.2運動規劃

運動規劃子系統負責計算從自動駕駛汽車的當前狀態到由行為選擇子系統定義的下一個局部目標狀態的路徑或軌跡。運動計劃執行局部駕駛行為，滿足汽車的運動學和動力學約束，為乘客提供舒適度，并避免與環境中的靜態和移動障礙物發生碰撞。

運動計劃可以是路徑或軌跡。路徑是汽車狀態的序列，并沒有定義汽車狀態如何隨時間演變。該任務可以委托給其他子系統（例如，行為選擇子系統），或者速度分布可以定義為曲率和接近障礙物的函數。而軌跡是一條指定汽車狀態隨時間演變的路徑。

2.2.1路徑規劃

路徑規劃涉及生成從汽車當前狀態到下一目標狀態的一系列狀態，這并不定義汽車狀態隨時間的演變。路徑規劃通常分為全局路徑規劃和局部路徑規劃。在全局路徑規劃中，在汽車開始移動之前，使用環境的離線全局地圖計算全局路徑。在局部路徑規劃中，當汽車移動時，使用周圍環境的在線局部地圖生成局部路徑，這允許汽車處理移動障礙物。路徑規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算法是通過找到圖的初始節點和目標節點之間的最短路徑。Dijkstra算法通過重復檢查最近尚未檢查的節點，將其鄰點添加到要檢查的節點集，并在達到目標節點時停止。Dijkstra算法適用于全局路徑規劃。然而，由于檢查的節點數量很多，它在大面積地區的計算成本很高，并且有時候結果不連續。

（2）A*算法是Dijkstra的擴展，其主要通過基于對目標節點的啟發式估計成本向節點分配權重來執行快速圖搜索。然而，這種算法找到解決方案并不容易。一種局部路徑規劃方法，該方法將A*算法與兩種不同的啟發式成本函數相結合，即（RTR）度量和Voronoi。其中第一個考慮了汽車的運動學約束，而第二個考慮了障礙物的形狀和位置的常識。

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使用插值處理。該方法通過插值處理：在已知的點集內插入新的點集。方法采用之前已知的一組點（如，描述路線圖的航點）并生成描繪更平滑路徑的新點集。用于自動駕駛汽車的路徑規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式參數曲線，這些曲線可以將其定義為多項式曲線。每個子段之間的連接稱為結（或控制點），其通常具有高度平滑約束。這種曲線具有較低的計算成本，因為其行為是由結來定義的。然而，這種方法的結果可能不是最優的，因為它更側重于實現部件之間的連續性而不是滿足道路的約束，并且它取決于全局航路點。

（1）一種實時路徑規劃算法，該算法為靜態避障的越野自動駕駛提供了最優路徑。所提出的規劃算法基于一組預定義的航路點來計算路徑。預定義的路線點提供曲線坐標系的基礎框架，以生成用于自動駕駛車輛路徑規劃的路徑候選。將每個候選對象轉換為笛卡爾坐標系，并使用障礙物數據進行評估。為了選擇最優路徑，通過考慮路徑安全成本、路徑平滑度和路徑一致性來確定每條路徑的優先級。

（2）在該方法中，首先從一組預定義的路線點構建中心線，這些路線點通常是從車道級的地圖中獲得的。通過弧長和到中心線的偏移確定。然后，所有這些候選都被轉換為笛卡爾坐標?？紤]靜態安全性、舒適性和動態安全性的總成本，選擇最優路徑；同時，還確定了最佳路徑的適當加速度和速度。設計了各種類型的道路，包括具有靜態和移動障礙物的單車道道路和多車道道路，以測試所提出的方法。該方法的流程圖如下圖33所示.

圖33? 基于曲線插值的規劃方法

該方法構成了從車道地圖獲得的一組航路點的中心線，并且生成一系列三次樣條的參數。這些三次樣條參數通過使用弧長和偏移到中心線來表示可能的路徑候選。其中，最佳路徑通過基于功能成本的加權和來選擇。這兩種方法之間的區別在于：第一種方法僅避免靜態障礙，而第二種既可以避免靜態也能避免移動障礙。

2.2.2軌跡規劃

軌跡規劃涉及自動駕駛車從當前狀態到下一個目標狀態（該狀態詳細說明了汽車狀態隨時間的變化過程）生成一系列狀態。軌跡規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值優化。

2.2.2.1基于圖搜索的技術

用于軌跡規劃的基于圖搜索的技術是從用于路徑規劃的技術擴展而來，以用來詳細說明汽車狀態隨時間的變化過程。在自動駕駛汽車中，最常見的基于圖搜索的軌跡規劃方法是狀態點陣、彈性帶（EB）和A*。

（1）狀態點陣是一種搜索圖，該搜索圖的頂點表示狀態，邊表示連接滿足設備運動約束的狀態的路徑。頂點以常規方式放置，并使得相同的路徑可用于連接所有頂點。通過這種方式，到目標的路徑可能通過圖中的一系列邊來展示。僅通過表征解決方案中的可能狀態，該狀態網格必須適合于在線路徑規劃。此外，該方法必須通過添加時間和速度維度將這種“狀態晶格”擴展到動態環境。狀態格子能夠處理多個維度，例如位置，速度和加速度，并且適用于局部規劃和動態環境。但是，它們具有很高的計算成本，因為它會評估圖中的每個可能的解決方案。

（2）一種用于道路軌跡規劃的共形時空狀態格。該方法中圍繞中心線路徑構建狀態網格，在距離中心線的橫向偏移處定義道路上的節點，并使用優化算法計算節點之間的邊緣。該優化算法找到定義連接任何節點對的邊的多項式函數的參數。他們為每個節點分配一個狀態向量，其中包含姿勢、加速度曲線以及時間和速度范圍。通過時間和速度間隔的更精細離散化相比，加速度曲線以更低的成本增加軌跡多樣性。此外，時間和速度的范圍通過允許將時間和速度分配給圖搜索階段而不是圖構建階段來降低計算成本。

（3）一種迭代優化的方法，該迭代優化應用于從狀態點陣導出的合成軌跡，以用來減少規劃的時間并改善了軌跡質量。

（4）一種將狀態晶格軌跡規劃與行為選擇融合的規劃方法。該方法對一組候選軌跡進行采樣，并從中提取不同的行為。通過選擇行為并選擇與所選行為相關聯的候選軌跡來獲得最終軌跡。

（5）一種使用三次多項式曲線沿全局路徑生成候選路徑，此外通過計算速度分布對所生成的路徑的點進行分配，并通過成本函數評估所生成的軌跡，并選擇最佳軌跡。

在路徑規劃方法中，基于彈性帶方法的優化是通過具有彈性節點和邊緣的圖表來表征狀態空間。通過用連接相鄰空間節點的內外邊緣對空間節點進行擴充來定義彈性節點。路徑是通過優化算法獲取。其中優化算法平衡兩種力:外部障礙產生的排斥力以及消除帶松弛的相鄰點所產生的收縮力。該方法展示了連續性和穩定性，具有非確定性的運行時間并且需要無沖突的初始路徑。

（6）一種解耦的時空軌跡規劃方法，該方法分別進行路徑規劃和軌跡規劃。軌跡規劃分為三個階段：在第一階段，考慮道路和障礙物約束來計算無碰撞路徑，并且使用純追蹤控制器和運動學汽車模型生成可行路徑；在第二階段，在幾個約束（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，通過參數路徑螺旋計算軌跡。通過模擬未來的運動，算法可以對所有靜態和移動障礙物進行軌跡評估。

（7）A*算法通常用于路徑規劃或非結構化軌跡規劃。道路軌跡規劃， A*的兩種新的節點擴展方案。第一種方案通過數值優化來試圖找到汽車從當前節點直接連接到目標節點的軌跡。第二種方案使用純追蹤控制器去在沿著全局參考路徑上，生成引導汽車的短邊（即，短運動基元）。

2.2.2.2基于抽樣的方法

基于采樣的方法是通過隨機地對狀態空間進行采樣來尋找汽車當前狀態和下一個目標狀態之間的連接。在自動駕駛汽車軌跡規劃中，最常用的基于采樣的方法是快速探索隨機樹（RRT）。

用于軌跡生成的RRT方法使用來自狀態空間的隨機樣本將汽車從當前狀態進行遞增，以用來構建搜索樹。在每個隨機狀態，控制命令應用在樹的最近頂點，以用來創建盡可能接近隨機狀態的新狀態。其中樹的每個頂點表示一個狀態，每個有向邊表示一個用于擴展狀態的命令。候選軌跡通過各種標準進行評估。RRT方法對于高維空間具有較低的計算成本，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間。然而，它的結果并不是連續而且不穩定。

（1）一種用于無人駕駛車“IARA”的軌跡規劃的RRT方法。該方法為標準RRT方法提供了新的變體，該變體方法用來將隨機狀態的位置偏向車道區域，選擇期望最高的控制命令來擴展狀態，選擇最佳軌跡，丟棄非期望狀態，并重新使用部分在之前的規劃周期內構建的軌跡。

（2）一種使用駕駛員在道路上的視覺搜索行為來指導RRT的狀態采樣。駕駛員在進行轉彎過長中會使用“近點”和“遠點”。他們利用彎道上顯示的駕駛員視覺搜索行為的這一特征來指導RRT方法。此外，他們采用基于B樣條的后處理方法來生成平滑、連續和可行的軌跡。

2.2.2.3基于曲線的插值方法

基于插值曲線的方法通過內插先前已知的一組點（如道路地圖路點）并且構建更平滑的軌跡。該軌跡同時考慮汽車的運動和動態約束、舒適度、障礙物以及其他參數。在自動駕駛汽車的軌跡規劃中最常見的基于內插曲線的技術是回旋曲線。

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渡是平滑的。然而，由于通過積分方法來定義，因此回旋曲線具有高計算成本，并且它取決于全局航路點。

使用回旋觸角進行軌跡規劃。從汽車的重心開始，采用回旋曲線的形式，根據不同的速度和不同的初始轉向角來計算出觸角?？墒褂谜紦鸥駡D將觸角分類為可導航或不可導航。在可通航的觸角中，最好的觸手是根據幾個標準選擇的。使用馬爾可夫決策過程啟發的方法來選擇最佳觸手。

2.2.2.4基于數值優化的方法

基于數值優化的方法是將約束變量的函數最小化或最大化的過程。在自動駕駛汽車軌跡規劃中，最常見的基于數值優化的技術是函數優化和模型預測方法。

函數優化方法是在考慮軌跡約束(如位置，速度，加速度和加加速度）下最小化成本函數來找到軌跡。該類方法可以很容易將汽車的運動學和動力學約束以及環境的約束考慮到成本函數中。然而，由于在每個運動狀態中都需要進行優化，并且取決于全局航路點，因此這種方法具有高計算成本。

（1）一種使用功能優化方法對自動駕駛汽車“Bertha”進行軌跡規劃。他們通過在軌跡約束內最小化成本函數得到最佳軌跡。成本函數組成如下：使軌跡以指定的速度駕駛通道的中間行駛，對強加速度進行懲罰，抑制加速度的快速變化，并衰減高偏航率。

用于軌跡規劃的模型預測方法是通過對汽車從當前狀態和下一個目標狀態之間產生動態可行的控制命令。它們可用于解決生成滿足狀態約束的參數化控制命令的問題，其中動態可由微分方程表示。

（2）一種使用模型預測方法對自動駕駛汽車“Boss”進行軌跡規劃。該方法可以生成到從中心線路徑導出的一組目標狀態的軌跡。為了計算每個軌跡，他們使用優化算法逐漸修改軌跡控制參數的初始近似，直到軌跡終點誤差在可接受的界限內。軌跡控制參數包括軌跡長度以及定義曲率輪廓的樣條曲線的三個結點?；谌舾梢蛩兀ㄈ纾斍暗缆返乃俣葮O限，最大可行速度和目標狀態速度）為每個軌跡生成的速度分布。并根據它們與障礙物的距離、到中心線路徑的距離、平滑度、終點誤差和速度誤差來選擇最佳軌跡。

（3）一種使用基于狀態采樣的軌跡規劃方案，該方案在全局參考路徑中對目標狀態進行采樣，并應用模型預測路徑規劃方法來產生將汽車從當前狀態連接到采樣目標狀態的路徑。速度曲線用于為生成路徑的每個狀態進行分配速度?？紤]安全性和舒適性的成本函數用于選擇最佳軌跡。

（4）一種使用模型預測方法進行自動駕駛車輛“IARA”的軌跡規劃。為了計算軌跡，他們使用優化算法來找到軌跡控制參數，該軌跡控制參數在到目標狀態的距離，到中心線路徑的距離以及與障礙物的接近度進行最小化優化。其中軌跡控制參數包括軌跡時間和四個結點（指定轉向角輪廓的樣條曲線）。

上述方法的優缺點總結和參考文獻如下圖34，35所示。

圖34? 常見路徑規劃方法對比

圖35? 常見路徑規劃方法對比

2.3控制

在自動駕駛汽車領域，控制指的是工程領域自動控制背后的理論，該理論涵蓋了在無需持續直接人為干預的情況下應用機制來操作和調節過程。在最簡單的自動控制類型中，控制子系統將過程的輸出與期望的輸入進行比較，并使用誤差（過程的輸出和期望的輸入之間的差異）來改變過程的輸入，從而使過程在受到干擾的情況下仍保持在其設定點。在自動駕駛車輛中，自動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確的情況下穩定運動計劃的執行。底盤控制的作用是計算在執行器模型和其他方面存在不準確的情況下執行運動計劃的轉向、油門和制動執行器輸入。

路徑跟蹤方法也稱為控制技術，因為它們采用自動控制理論，并將路徑視為要控制的信號。然而，在自動駕駛汽車領域，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分開來。

2.3.1路徑跟蹤方法

路徑跟蹤方法主要是執行由運動規劃子系統計算的運動規劃，以減少主要由汽車運動模型引起的誤差。它們可以被認為是簡化的軌跡規劃技術。雖然它們不處理障礙物，但由于其可以簡單得實現，被廣泛用于自動駕駛汽車的路徑跟蹤。如圖36所示，它包括在距離當前路徑一定距離的路徑中找到一個點，并轉動前輪，以使一條圓弧將后軸中心與路徑中的點連接起來。

圖36? 純跟蹤方法示意圖

除了純跟蹤方法，基于運動學的路徑跟蹤方法還有Stanley方法。模型預測控制（MPC）方法廣泛應用于無人駕駛汽車。它包括選擇將導致期望硬件輸出的控制命令輸入，使用汽車的運動模型在未來的預測范圍內模擬和優化輸出。

圖37?? Stanley控制算法示意圖

圖38? 模型預測控制原理框圖

2.3.2底盤控制方法

底盤控制方法計算汽車的轉向、油門和制動致動器的輸入，這些制動器執行由運動規劃子系統計算的運動計劃，并減輕主要由制動器模型引起的不精確。自動駕駛汽車最常見的底盤控制方法之一是反饋控制。它包括應用控制命令輸入，觀察硬件輸出，并調整未來輸入以糾正制動器模型中的錯誤。

1）自動駕駛汽車的一種應用極其廣泛的底盤控制方法是比例積分微分（PID）。

2）自適應PID控制方法

最小方差自適應PID控制的基本思想是：在每個采樣周期，以系統偏差的最小方差極小化為性能指標進行系統品質評價，通過引入在線辨識的最小二乘算法估計未知過程參數，依此來計算各采樣時刻的自適應PID控制量u(t)。

極點配置自適應PID控制的基本思想是：按照某種優化策略選擇期望閉環極點分布，在每個采樣周期，通過加權遞推最小二乘法顯式地估計過程參數，并結合PID控制規律，求得含未知參數q0、q1和q2的系統閉環方程，然后利用系統特征多項式與期望特征多項式的恒等關系即可在線求得PID控制參數，進而求得各時刻控制器輸出u(t)。

零極點對消自適應PID控制的基本思想是：當被控過程參數未知時，在每個采樣周期，利用加權遞推最小二乘算法顯式地辨識過程模型，在以PID控制器傳遞函數中的零極點對消被控過程傳遞函數中的部分極零點，由此計算出各時刻的PID控制量，以使得閉環系統運行于良好的工作過程。

3）MPC方法和前饋PID控制組合的方法

4）一種基于神經網絡的模型預測控制（NMPC）方法，以解決自動駕駛汽車“IARA”方向盤硬件中的延遲問題。他們使用MPC方法，通過預測控制命令輸入來減少轉向硬件延遲的影響，控制命令輸入將根據軌跡及時移動汽車。然而，由于其非線性和延遲，預測IARA轉向硬件輸出的標準技術并沒有很好地發揮作用。然后，他們使用神經網絡對IARA的線控轉向硬件進行建模，并在N-MPC轉向控制方法中使用基于神經的轉向模型。

參考文獻

1.《self-driving cars：A survey》