智能網(wǎng)聯(lián)汽車概論-領(lǐng)域四 智能網(wǎng)聯(lián)汽車路徑規(guī)劃與行為決策

智能網(wǎng)聯(lián)汽車概論智能網(wǎng)聯(lián)汽車路徑

規(guī)劃與行為決策PART4在全球化的時代背景下，人工智能技術(shù)的發(fā)展和應(yīng)用，不僅是科技創(chuàng)新的必然趨勢，也是國家競爭力的重要標(biāo)志。隨著人工智能技術(shù)的興起，以自動駕駛車輛為研究對象的運動路徑規(guī)劃問題越來越受到重視。而避障路徑規(guī)劃是自動駕駛車輛的關(guān)鍵部分，對自動駕駛車輛的研究具有重大意義。在自動駕駛汽車行駛過程中，準(zhǔn)確地避開障礙物是智能車輛的基本要求。一個好的避障路徑規(guī)劃算法可以安全實時地避開障礙物，且具有較高的乘坐舒適性，從而提高出行效率。如何安全有效的規(guī)劃行駛路線，是自動駕駛汽車需解決的最大的難題之一。路徑規(guī)劃之所以如此復(fù)雜，是因為其涵蓋了自動駕駛的所有技術(shù)領(lǐng)域，從最基礎(chǔ)的制動器，到感知周圍環(huán)境的傳感器，再到定位及預(yù)測模型等等。情景導(dǎo)入學(xué)習(xí)單元一路徑規(guī)劃

無人駕駛汽車路徑規(guī)劃是指在一定的環(huán)境模型基礎(chǔ)上，給定無人駕駛汽車起始點和目標(biāo)點后，按照性能指標(biāo)規(guī)劃出一條無碰撞、能安全到達(dá)目標(biāo)點的有效路徑。行為決策模塊相當(dāng)于無人駕駛系統(tǒng)的大腦，保障無人車的行車安全，同時也要理解和遵守交通規(guī)則。一、智能網(wǎng)聯(lián)汽車路徑規(guī)劃一般來說，自動駕駛汽車的路徑規(guī)劃按照層級劃分為全局路徑規(guī)劃和局部路徑規(guī)劃兩種。全局路徑規(guī)劃很好理解，即根據(jù)起點和終點信息，生成一條導(dǎo)航路徑，屬于道路級別的規(guī)劃。局部路徑規(guī)劃則是自車根據(jù)實時環(huán)境信息，生成具有局部行車及避讓等功能的路徑便于控制模塊進(jìn)行跟蹤。圖4-1展示了全局路徑規(guī)劃和局部路徑規(guī)劃之前的區(qū)別和聯(lián)系。1.基于采樣的路徑規(guī)劃算法基于采樣的路徑規(guī)劃算法很早便開始用于車輛的路徑規(guī)劃中，比較常見的基于采樣的規(guī)劃算法有概率圖算法（ProbabilisticRoadMap，PRM）和快速隨機擴展樹算法（Rapidly-exploringRandomTree，RRT）。（1）概率圖算法是在規(guī)劃空間內(nèi)隨機選取N個節(jié)點，之后連接各節(jié)點，并去除與障礙物接觸的連線，由此得到一個可行路徑。顯然，當(dāng)采樣點太少，或者分布不合理時，PRM算法是不完備的，但可以增加采樣點使該算法達(dá)到完備，所以PRM是概率完備但不是最優(yōu)的，如圖4-3所示。

（2）快速隨機擴展樹最初主要用于解決含有運動學(xué)約束的路徑規(guī)劃問題。2.基于搜索的路徑規(guī)劃算法

基于搜索的路徑規(guī)劃算法通過搜索表示環(huán)境信息的環(huán)境地圖來獲得最終的路徑。比較有代表性的算法有Dijkstra算法和A*算法。（1）Dijkstra算法是典型的廣度優(yōu)先搜索算法。它是一個按路徑長度遞增的次序產(chǎn)生的最短路徑的方法，是求解最短路徑的經(jīng)典算法之一，如圖4-6。Dijkstra算法是一種貪心算法，它在每一步都選擇局部最優(yōu)解，以產(chǎn)生一個最優(yōu)解。這也會導(dǎo)致該算法的時間復(fù)雜度較高，在圖規(guī)模較大時，該算法的計算速度慢，很難滿足路徑規(guī)劃實時性的要求。（2）A*算法是經(jīng)典的啟發(fā)式搜索算法，它是由Dijkstra算法改進(jìn)而來的。3.智能仿生學(xué)算法

智能仿生學(xué)是源自于對自然界的研究，從自然的發(fā)展規(guī)律出發(fā)進(jìn)行仿生學(xué)研究，發(fā)現(xiàn)了蟻群算法、神經(jīng)網(wǎng)絡(luò)算法、遺傳算法等一系列算法。（1）蟻群算法（AntColonyAlgorithm，簡稱ACA）是對蟻群覓食行為的學(xué)習(xí)，螞蟻在覓食時的路上會留下一定的信息，后到來的螞蟻就會沿著這條含有信息的道路繼續(xù)前進(jìn)，再次留下自己的信息，逐漸地通向目的地的路徑會成為含有信息量最高的路徑，這個過程體現(xiàn)在算法中就是迭代的過程，如圖4-7所示。（2）神經(jīng)網(wǎng)絡(luò)算法是對動物神經(jīng)網(wǎng)絡(luò)行為的學(xué)習(xí)，類似于動物的學(xué)習(xí)過程。（3）遺傳算法（GeneticAlgorithms，簡稱GA）是對自然界生物優(yōu)勝劣汰的進(jìn)化過程的學(xué)習(xí)。二、傳感器的局限性與高精度地圖的互補性1.傳感器的局限性（1）檢測范圍受限傳感器的探測距離如表3-3所示。特斯拉采用的是視覺為主的環(huán)境方案，其檢測距離如表3-4所示。（2）感知缺陷（3）先驗信息缺失2.高精度地圖的互補性（1）更好的輔助自動駕駛（2）提升感知算法效率（3）靜態(tài)對象識別學(xué)習(xí)小結(jié)1.自動駕駛汽車的路徑規(guī)劃按照層級劃分為全局路徑規(guī)劃和局部路徑規(guī)劃兩種。2.與普通導(dǎo)航單純提供指引的性質(zhì)不同，智能網(wǎng)聯(lián)汽車的路徑規(guī)劃模塊需要提供能夠引導(dǎo)車輛正確駛向目的地的軌跡。3.智能網(wǎng)聯(lián)汽車路徑規(guī)劃問題可以分為兩類。一類是基于環(huán)境先驗信息的全局路徑規(guī)劃，主要方法有基于采樣的算法、圖搜索算法、智能仿生學(xué)算法；另一類是基于傳感器信息的局部路徑規(guī)劃，常用的方法有柵格法、人工勢場法、遺傳算法、空間搜索法、層次法、動作行為法、Dijkstra算法、Lee算法、Floyd算法等。學(xué)習(xí)小結(jié)4.基于采樣的路徑規(guī)劃算法很早便開始用于車輛的路徑規(guī)劃中，比較常見的基于采樣的規(guī)劃算法有概率圖算法（ProbabilisticRoadMap，PRM）和快速隨機擴展樹算法（Rapidly-exploringRandomTree，RRT）。5.基于搜索的路徑規(guī)劃算法通過搜索表示環(huán)境信息的環(huán)境地圖來獲得最終的路徑。比較有代表性的算法有Dijkstra算法和A*算法。6.智能仿生學(xué)是源自于對自然界的研究，從自然的發(fā)展規(guī)律出發(fā)進(jìn)行仿生學(xué)研究，發(fā)現(xiàn)了蟻群算法、神經(jīng)網(wǎng)絡(luò)算法、遺傳算法等一系列算法。知識鞏固知識鞏固行為決策模塊相當(dāng)于無人駕駛系統(tǒng)的大腦，保障無人車的行車安全，同時也要理解和遵守交通規(guī)則。一、智能網(wǎng)聯(lián)汽車軌跡預(yù)測

自動駕駛中，軌跡預(yù)測一般位于感知模塊的后端，規(guī)控的前端，為承上啟下的模塊，如圖4-9和4-10所示。輸入為感知模塊提供的目標(biāo)軌跡的狀態(tài)信息、道路結(jié)構(gòu)信息，綜合考量高精地圖信息、目標(biāo)之間的交互信息，環(huán)境的語義信息及目標(biāo)的意圖信息，對感知到的各類目標(biāo)做出意圖預(yù)測(cutin/out、直行)以及未來一段時間的軌跡預(yù)測(0-5s不等)。學(xué)習(xí)單元二行為決策1.行人軌跡預(yù)測

行人作為現(xiàn)代交通的易受傷害道路使用群體，車輛前部碰撞行人頭部又往往是造成行人死亡的主要原因，每年死亡27.5萬人，占所有道路交通死亡人數(shù)的22%。在我國較為復(fù)雜的道路交通環(huán)境中，怎樣降低發(fā)生交通事故并且確保行人的生命安全是當(dāng)下智能網(wǎng)聯(lián)汽車的重要課題。目前最先進(jìn)的論文方法中，對行人軌跡的預(yù)測會出現(xiàn)預(yù)測結(jié)果不準(zhǔn)確的現(xiàn)象。結(jié)合論文進(jìn)行分析可知，造成行人軌跡預(yù)測不準(zhǔn)確的難點主要包括以下兩個方面：（1）行人運動方式靈活多變，預(yù)測其軌跡難度較大（2）行人之間的交互關(guān)系復(fù)雜且抽象，很難精確的進(jìn)行建模2.車輛軌跡預(yù)測

當(dāng)駕駛行為意圖產(chǎn)生后，無論是直行還是換道，車輛會進(jìn)入車輛行為的執(zhí)行階段，會產(chǎn)生一段未來軌跡。而在實時的交通流中，能夠精確地預(yù)測出車輛的未來軌跡，對于提高車輛行為預(yù)先評估及規(guī)劃系統(tǒng)的安全性和高效性具有重要意義，其主要內(nèi)涵為，通過一段歷史的軌跡，通過理論或者模型學(xué)習(xí)其內(nèi)在規(guī)律，預(yù)測出未來一定時長車輛軌跡，如圖4-12所示。軌跡預(yù)測是一個極為復(fù)雜的問題，預(yù)測方法可分為基于數(shù)理模型和基于深度學(xué)習(xí)，如圖4-13。

二、汽車行為決策理論

行為決策理論是一個多學(xué)科交叉的研究領(lǐng)域。其主要內(nèi)容就是以決策者的決策行為作為出發(fā)點，研究決策者的認(rèn)知過程，揭示決策者的判斷和選擇的原理解釋，而非對決策對錯的評價；從認(rèn)知原理學(xué)的角度，研究決策者做決策過程中的信息處理機制及其所受的內(nèi)外部環(huán)境影響。簡單說來，行為決策理論是探討“人們實際是怎樣進(jìn)行決策的”及“為什么會這樣決策”的理論。1.無人駕駛行為決策

無人駕駛行為決策技術(shù)需要在環(huán)境感知技術(shù)的基礎(chǔ)之上，結(jié)合自身任務(wù)需求等合理決策出當(dāng)前車輛的行為。無人駕駛行為決策方法目前主要分為基于規(guī)則的決策方法、基于監(jiān)督學(xué)習(xí)的決策方法和基于強化學(xué)習(xí)的決策方法。（1）基于規(guī)則的行為決策（2）基于監(jiān)督學(xué)習(xí)的決策算法（3）基于強化學(xué)習(xí)的行為決策三、決策規(guī)劃模塊1.決策規(guī)劃簡述

自動駕駛系統(tǒng)作為一個涉及軟件硬件交互的復(fù)雜系統(tǒng)，如圖4-16，需要通過計算硬件、傳感器集成、感知、交通預(yù)測、運動規(guī)劃與控制等不同的模塊相互合作來保證無人駕駛的安全性和可靠性。其中的車輛規(guī)劃與控制框架中包含了一種中間狀態(tài)的預(yù)測與路徑規(guī)劃模塊，該模塊主要負(fù)責(zé)對感知模塊檢測到的周圍環(huán)境車輛及自身車輛的未來行為進(jìn)行預(yù)測，其輸出的預(yù)測軌跡是下層的規(guī)劃與控制模塊的輸入，此時的路徑規(guī)劃模塊是指基于高精度地圖道路劃分的道路級別路徑規(guī)劃，這一規(guī)劃的結(jié)果是給出了到達(dá)終點索要經(jīng)過的一系列道路在高精度地圖上的位置。2.決策規(guī)劃的挑戰(zhàn)與上下游模塊的耦合：1）與上游模塊的耦合-感知感知并不是非黑即白的，現(xiàn)實中往往有諸多干擾因素，如紅綠燈被遮擋；盲區(qū)（包括追蹤丟失）；時滯與平滑的權(quán)衡；語義理解等。2）與上游模塊的耦合-預(yù)測預(yù)測與決策規(guī)劃的本質(zhì)問題是類似的，即在給定周圍的環(huán)境的情況下，決策規(guī)劃解決自車怎么開的問題，預(yù)測解決其他車怎么開的問題3）與下游模塊的耦合-控制規(guī)劃和控制之間的接口汽車未來運動的軌跡。規(guī)劃的要求：軌跡應(yīng)當(dāng)是可實現(xiàn)的；控制的目標(biāo)：應(yīng)當(dāng)以盡可能小的誤差跟隨軌跡。學(xué)習(xí)小結(jié)1.行為決策模塊相當(dāng)于無人駕駛系統(tǒng)的大腦，保障無人車的行車安全，同時也要理解和遵守交通規(guī)則。2.無人駕駛行為決策方法目前主要分為基于規(guī)則的決策方法、基于監(jiān)督學(xué)習(xí)的決策方法和基于強化學(xué)習(xí)的決策方法。3.主動安全技術(shù)主要是指利用計算機視覺、機器視覺等技術(shù)判斷得出目前駕駛員處于高危狀況，避免事故發(fā)生車輛所