自動駕駛車，是一種無須人工干預(yù)而能夠感知其周邊環(huán)境和導(dǎo)航的車輛。它利用了包括雷達(dá)、激光、超聲波、GPS、里程計(jì)、計(jì)算機(jī)視覺等多種技術(shù)來感知其周邊環(huán)境，通過先進(jìn)的計(jì)算和控制系統(tǒng)，來識別障礙物和各種標(biāo)識牌，規(guī)劃合適的路徑來控制車輛行駛。

美國汽車工程師協(xié)會（SAE，Society of Automotive Engineers），則將自動駕駛劃分為 0~5 共六級。

Level 0：無自動化（No Automation） 沒有任何自動駕駛功能或技術(shù)，人類駕駛員對汽車所有功能擁有絕對控制權(quán)。駕駛員需要負(fù)責(zé)轉(zhuǎn)向、加速、制動和觀察道路狀況。任何駕駛輔助技術(shù)，例如現(xiàn)有的前向碰撞預(yù)警、車道偏離預(yù)警，以及自動雨刷和自動前燈控制等，雖然有一定的智能化，但是仍需要人來控制車輛，所以都仍屬于 Level 0。

Level 1：駕駛輔助（Driver Assistance） 駕駛員仍然對行車安全負(fù)責(zé)，不過可以授權(quán)部分控制權(quán)給系統(tǒng)管理，某些功能可以自動進(jìn)行，比如常見的自適應(yīng)巡航（Adaptive Cruise Control，ACC）、應(yīng)急剎車輔助（Emergency Brake Assist，EBA）和車道保持（Lane-Keep Support，LKS）。Level 1 的特點(diǎn)是只有單一功能，駕駛員無法做到手和腳同時不操控。 Level 2：部分自動化（Partial Automation） 人類駕駛員和汽車來分享控制權(quán)，駕駛員在某些預(yù)設(shè)環(huán)境下可以不操作汽車，即手腳同時離開控制，但駕駛員仍需要隨時待命，對駕駛安全負(fù)責(zé)，并隨時準(zhǔn)備在短時間內(nèi)接管汽車駕駛權(quán)。比如結(jié)合了 ACC 和 LKS 形成的跟車功能。Level 2 的核心不在于要有兩個以上的功能，而在于駕駛員可以不再作為主要操作者。

Level 3：有條件自動化（Conditional Automation） 在有限情況下實(shí)現(xiàn)自動控制，比如在預(yù)設(shè)的路段（如高速和人流較少的城市路段），汽車自動駕駛可以完全負(fù)責(zé)整個車輛的操控，但是當(dāng)遇到緊急情況，駕駛員仍需要在某些時候接管汽車，但有足夠的預(yù)警時間，如即將進(jìn)入修路的路段（Road work ahead）。Level 3 將解放駕駛員，即對行車安全不再負(fù)責(zé)，不必監(jiān)視道路狀況。

Level 4：高度自動化（High Automation） 自動駕駛在特定的道路條件下可以高度自動化，比如封閉的園區(qū)、高速公路、城市道路或固定的行車線路等，這這些受限的條件下，人類駕駛員可以全程不用干預(yù)。

Level 5：完全自動化（Full Automation） 對行車環(huán)境不加限制，可以自動地應(yīng)對各種復(fù)雜的交通狀況和道路環(huán)境等，在無須人協(xié)助的情況下由出發(fā)地駛向目的地，僅需起點(diǎn)和終點(diǎn)信息，汽車將全程負(fù)責(zé)行車安全，并完全不依賴駕駛員干涉，且不受特定道路的限制。

注釋：DDT(Dynamic driving task):動態(tài)駕駛?cè)蝿?wù)，指汽車在道路上行駛所需的所有實(shí)時操作和策略上的功能，不包括行程安排、目的地和途徑地的選擇等戰(zhàn)略上的功能。

無人駕駛系統(tǒng)的核心可以概述為三個部分：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)知識的能力。其中，環(huán)境感知（Environmental Perception）特指對于環(huán)境的場景理解能力，例如障礙物的位置，道路標(biāo)志/標(biāo)記的檢測，行人車輛的檢測等數(shù)據(jù)的語義分類。 一般來說，定位（Localization）也是感知的一部分，定位是無人車確定其相對于環(huán)境的位置的能力。

為了確保無人車對環(huán)境的理解和把握，無人駕駛系統(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，具體來說包括：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。無人車通常是通過融合激光雷達(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)來獲取這些信息。

車載雷達(dá)傳感器功能及優(yōu)缺點(diǎn)各有不同，相關(guān)比較如下表所示：

激光雷達(dá) 是一類使用激光進(jìn)行探測和測距的設(shè)備，它能夠每秒鐘向環(huán)境發(fā)送數(shù)百萬光脈沖，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的建立起周圍環(huán)境的3維地圖。

通常來說，激光雷達(dá)以10Hz左右的速度對周圍環(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，每個點(diǎn)具備（x,y,z）信息，這個圖被稱為點(diǎn)云圖（Point Cloud Graph），如下圖所示，是使用Velodyne VLP-32c激光雷達(dá)建立的一個點(diǎn)云地圖：

激光雷達(dá)因其可靠性目前仍是無人駕駛系統(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)云過于稀疏，甚至丟失部分點(diǎn)的問題，對于不規(guī)則的物體表面，使用激光雷達(dá)很難辨別其模式，另一個比較大的挑戰(zhàn)是一個比較大的挑戰(zhàn)是激光雷達(dá)感知范圍比較近，感知范圍平均在 150m 左右，這取決于環(huán)境和障礙物的不同。激光雷達(dá)在角分辨度上也遠(yuǎn)遠(yuǎn)不及照相機(jī)。激光雷達(dá)對環(huán)境的敏感度也是比較大的，例如雨天中，車輛行駛中濺起來的水花，在激光雷達(dá)上都是有噪點(diǎn)的。

毫米波雷達(dá) 通過發(fā)射電磁波并通過檢測回波來探測目標(biāo)的有無、距離、速度和方位。由于毫米波雷達(dá)技術(shù)相對成熟，成本較低，并且在不良天氣下表現(xiàn)良好，因此成為感知設(shè)備中重要的一環(huán)。但由于其分辨率較低，因此不能作為激光雷達(dá)的替代品，而是激光雷達(dá)的重要補(bǔ)充設(shè)備。

攝像機(jī) 根據(jù)鏡頭和布置方式的不同主要有以下四種：單目攝像機(jī)、雙目攝像機(jī)、三目攝像機(jī)和環(huán)視攝像機(jī)。

單目攝像機(jī) 模組只包含一個攝像機(jī)和一個鏡頭。由于很多圖像算法的研究都是基于單目攝像機(jī)開發(fā)的，因此相對于其他類別的攝像機(jī)，單目攝像機(jī)的算法成熟度更高。但是單目有著兩個先天的缺陷。一是它的視野完全取決于鏡頭。焦距短的鏡頭，視野廣，但缺失遠(yuǎn)處的信息。反之亦然。因此單目攝像機(jī)一般選用適中焦距的鏡頭。二是單目測距的精度較低。攝像機(jī)的成像圖是透視圖，即越遠(yuǎn)的物體成像越小。近處的物體，需要用幾百甚至上千個像素點(diǎn)描述；而處于遠(yuǎn)處的同一物體，可能只需要幾個像素點(diǎn)即可描述出來。這種特性會導(dǎo)致，越遠(yuǎn)的地方，一個像素點(diǎn)代表的距離越大，因此對單目來說物體越遠(yuǎn)，測距的精度越低。

雙目攝像機(jī) 由于單目測距存在缺陷，雙目攝像機(jī)應(yīng)運(yùn)而生。相近的兩個攝像機(jī)拍攝物體時，會得到同一物體在攝像機(jī)的成像平面的像素偏移量。有了像素偏移量、相機(jī)焦距和兩個攝像機(jī)的實(shí)際距離這些信息，根據(jù)數(shù)學(xué)換算即可得到物體的距離。雖然雙目能得到較高精度的測距結(jié)果和提供圖像分割的能力，但是它與單目一樣，鏡頭的視野完全依賴于鏡頭。而且雙目測距原理對兩個鏡頭的安裝位置和距離要求較多，這就會給相機(jī)的標(biāo)定帶來麻煩。

三目攝像機(jī) 由于單目和雙目都存在某些缺陷，因此廣泛應(yīng)用于無人駕駛的攝像機(jī)方案為三目攝像機(jī)。三目攝像機(jī)其實(shí)就是三個不同焦距單目攝像機(jī)的組合。根據(jù)焦距不同，每個攝像機(jī)所感知的范圍也不盡相同。對攝像機(jī)來說，感知的范圍要么損失視野，要么損失距離。三目攝像機(jī)能較好地彌補(bǔ)感知范圍的問題。因此在業(yè)界被廣泛應(yīng)用。正是由于三目攝像機(jī)每個相機(jī)的視野不同，因此近處的測距交給寬視野攝像頭，中距離的測距交給主視野攝像頭，更遠(yuǎn)的測距交給窄視野攝像頭。這樣一來每個攝像機(jī)都能發(fā)揮其最大優(yōu)勢。三目的缺點(diǎn)是需要同時標(biāo)定三個攝像機(jī)，因而工作量更大。其次軟件部分需要關(guān)聯(lián)三個攝像機(jī)的數(shù)據(jù)，對算法要求也很高。

環(huán)視攝像機(jī)， 之前提到的三款攝像機(jī)它們所用的鏡頭都是非魚眼的，環(huán)視攝像機(jī)的鏡頭是魚眼鏡頭，而且安裝位置是朝向地面的。某些高配車型上會有“360°全景顯示”功能，所用到的就是環(huán)視攝像機(jī)。安裝于車輛前方、車輛左右后視鏡下和車輛后方的四個魚眼鏡頭采集圖像，魚眼攝像機(jī)為了獲取足夠大的視野，代價是圖像的畸變嚴(yán)重。環(huán)視攝像機(jī)的感知范圍并不大，主要用于車身5~10米內(nèi)的障礙物檢測、自主泊車時的庫位線識別等。

為了理解點(diǎn)云信息，通常來說，我們對點(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)聚類成若干個整體，而分類則是區(qū)分出這些整體屬于哪一個類別（比如說行人，車輛以及障礙物）。分割算法可以被分類如下幾類：

在完成了點(diǎn)云的目標(biāo)分割以后，分割出來的目標(biāo)需要被正確的分類，在這個環(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)界開始使用特別設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對三維的點(diǎn)云聚類進(jìn)行分類。

實(shí)踐中不論是提取特征-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，對于反射點(diǎn)稀疏的目標(biāo)（比如說行人），基于點(diǎn)云的分類并不可靠，所以在實(shí)踐中，我們往往融合雷達(dá)和相機(jī)傳感器，利用相機(jī)的高分辨率來對目標(biāo)進(jìn)行分類，利用Lidar的可靠性對障礙物檢測和測距，融合兩者的優(yōu)點(diǎn)完成環(huán)境感知。

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

車道線的檢測涉及兩個方面： 第一是識別出車道線，對于彎曲的車道線，能夠計(jì)算出其曲率，第二是確定車輛自身相對于車道線的偏移（即無人車自身在車道線的哪個位置） 。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于車道的偏離。

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

交通參與者的檢測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：

傳感器層將數(shù)據(jù)以一幀幀、固定頻率發(fā)送給下游，但下游是無法拿每幀的數(shù)據(jù)去進(jìn)行決策或者融合的。因?yàn)閭鞲衅鞯臓顟B(tài)不是100%有效的，如果僅根據(jù)某一幀的信號去判定前方是否有障礙物(有可能是傳感器誤檢了)，對下游決策來說是極不負(fù)責(zé)任的。因此上游需要對信息做預(yù)處理，以保證車輛前方的障得物在時間維度上是一直存在的， 而不是一閃而過。 這里就會使用到智能駕駛領(lǐng)域經(jīng)常使用到的一個算法 卡爾曼濾波。

卡爾曼濾波（Kalman filter） 是一種高效率的遞歸濾波器（自回歸濾波器），它能夠從一系列的不完全及包含噪聲的測量中，估計(jì)動態(tài)系統(tǒng)的狀態(tài)?？柭鼮V波會根據(jù)各測量量在不同時間下的值，考慮各時間下的聯(lián)合分布，再產(chǎn)生對未知變數(shù)的估計(jì)，因此會比只以單一測量量為基礎(chǔ)的估計(jì)方式要準(zhǔn)。 卡爾曼濾波在技術(shù)領(lǐng)域有許多的應(yīng)用。常見的有飛機(jī)及太空船的導(dǎo)引、導(dǎo)航及控制。卡爾曼濾波也廣為使用在時間序列的分析中，例如信號處理及計(jì)量經(jīng)濟(jì)學(xué)中?？柭鼮V波也是機(jī)器人運(yùn)動規(guī)劃及控制的重要主題之一，有時也包括在軌跡最佳化。卡爾曼濾波也用在中軸神經(jīng)系統(tǒng)運(yùn)動控制的建模中。因?yàn)閺慕o與運(yùn)動命令到收到感覺神經(jīng)的回授之間有時間差，使用卡爾曼濾波有助于建立符合實(shí)際的系統(tǒng)，估計(jì)運(yùn)動系統(tǒng)的目前狀態(tài)，并且更新命令。

信息融合是指把相同屬性的信息進(jìn)行多合一操作。 比如攝像機(jī)檢測到了車輛正前方有一個障礙物，毫米波也檢測到車輛前方有一個障礙物，激光雷達(dá)也檢測到前方有一個障礙物，而實(shí)際上前方只有一個障礙物，所以我們要做的是把多傳感器下這輛車的信息進(jìn)行一次融合，以此告訴下游，前面有輛車，而不是三輛車。

坐標(biāo)轉(zhuǎn)換在自動駕駛領(lǐng)域十分重要。 傳感器是安裝在不同地方的比如超聲波雷達(dá)(假如當(dāng)車輛右方有一個障礙物，距離這個超聲波雷達(dá)有3米，那么我們就認(rèn)為這個障礙物距離車有3米嗎?并不一定，因?yàn)闆Q策控制層做車輛運(yùn)動規(guī)劃時，是在車體坐標(biāo)系下做的(車體坐標(biāo)系-般以后軸中心為O點(diǎn))所以最終所有傳感器的信息，都是需要轉(zhuǎn)移到自車坐標(biāo)系下的。因此感知層拿到3m的障礙物位置信息后，必須將該章礙物的位置信息轉(zhuǎn)移到自車坐標(biāo)系下，才能供規(guī)劃決策使用。 同理，攝像機(jī)一般安裝在擋風(fēng)玻璃下面，拿到的數(shù)據(jù)也是基于攝像機(jī)坐標(biāo)系的，給下游的數(shù)據(jù)，同樣需要轉(zhuǎn)換到自車坐標(biāo)系下。

在無人車感知層面，定位的重要性不言而喻，無人車需要知道自己相對于環(huán)境的一個確切位置，這里的定位不能存在超過10cm的誤差，試想一下，如果我們的無人車定位誤差在30厘米，那么這將是一輛非常危險(xiǎn)的無人車（無論是對行人還是乘客而言），因?yàn)闊o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)的前提來做出決策和控制，那么對某些情況作出的決策就是錯的，從而造成事故。由此可見，無人車需要高精度的定位。

目前使用最廣泛的無人車定位方法當(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)十米到厘米級別之間，高精度的GPS傳感器價格也就相對昂貴。融合GPS/IMU的定位方法在GPS信號缺失，微弱的情況下無法做到高精度定位，如地下停車場，周圍均為高樓的市區(qū)等，因此只能適用于部分場景的無人駕駛?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)建地圖的同時使用該地圖進(jìn)行定位，SLAM通過利用已經(jīng)觀測到的環(huán)境特征確定當(dāng)前車輛的位置以及當(dāng)前觀測特征的位置。這是一個利用以往的先驗(yàn)和當(dāng)前的觀測來估計(jì)當(dāng)前位置的過程，實(shí)踐上我們通常使用貝葉斯濾波器（Bayesian filter）來完成，具體來說包括卡爾曼濾波（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)際無人車開發(fā)過程中使用SLAM定位卻存在問題，不同于機(jī)器人，無人車的運(yùn)動是長距離的，大開放環(huán)境的。在長距離的運(yùn)動中，隨著距離的增大，SLAM定位的偏差也會逐漸增大，從而造成定位失敗。

在實(shí)踐中，一種有效的無人車定位方法是改變原來SLAM中的掃描匹配類算法，具體來說，我們不再在定位的同時制圖，而是事先使用傳感器如激光雷達(dá)對區(qū)域構(gòu)建點(diǎn)云地圖，通過程序和人工的處理將一部分“語義”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），這個包含了語義的地圖就是我們無人駕駛車的 高精度地圖（HD Map） 。實(shí)際定位的時候，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)能夠給出無人車相對于地圖的全局定位，但是這類方法過于依賴事先構(gòu)建的高精度地圖，并且在開放的路段下仍然需要配合GPS定位使用，在場景相對單一的路段（如高速公路），使用GPS加點(diǎn)云匹配的方法相對來說成本過高。

拓展閱讀： L4 自動駕駛中感知系統(tǒng)遇到的挑戰(zhàn)及解決方案

淺析自動駕駛的重要一環(huán)：感知系統(tǒng)發(fā)展現(xiàn)狀與方向

無人車的規(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“語義”部分，這個有向網(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)圖中的每一個有向邊都是帶權(quán)重的，那么，無人車的路徑規(guī)劃問題，就變成了在路網(wǎng)圖中，為了讓車輛達(dá)到某個目標(biāo)（通常來說是從A地到B地），基于某種方法選取最優(yōu)（即損失最?。┑穆窂降倪^程，那么問題就變成了一個有向圖搜索問題，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)劃有時也被稱為決策制定（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，是停車等行人通過還是繞過行人等等。

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

如上圖所示，每個狀態(tài)都是對車輛動作的決策，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)沒有考慮過的狀態(tài)；如果有限狀態(tài)機(jī)沒有設(shè)計(jì)死鎖保護(hù)，車輛甚至可能陷入某種死鎖。

通過規(guī)劃一系列的動作以達(dá)到某種目的（比如說規(guī)避障礙物）的處理過程被稱為動作規(guī)劃。通常來說，考量動作規(guī)劃算法的性能通常使用兩個指標(biāo)：計(jì)算效率（Computational Efficiency）和完整性（Completeness），所謂計(jì)算效率，即完成一次動作規(guī)劃的處理效率，動作規(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），如果一個動作規(guī)劃算法能夠在問題有解的情況下在有限時間內(nèi)返回一個解，并且能夠在無解的情況下返回?zé)o解，那么我們稱該動作規(guī)劃算法是完整的。

配置空間：一個定義了機(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)動的維度，最簡單的二維離散問題，那么配置空間就是[x, y]，無人車的配置空間可以非常復(fù)雜，這取決于所使用的運(yùn)動規(guī)劃算法。

在引入了配置空間的概念以后，那么無人車的動作規(guī)劃就變成了：在給定一個初始配置（Start Configuration），一個目標(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作到達(dá)目標(biāo)配置，這些動作的執(zhí)行結(jié)果就是將無人車從初始配置轉(zhuǎn)移至目標(biāo)配置，同時滿足約束條件。在無人車這個應(yīng)用場景中，初始配置通常是無人車的當(dāng)前狀態(tài)（當(dāng)前的位置，速度和角速度等），目標(biāo)配置則來源于動作規(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動作規(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)動作規(guī)劃中的“維度災(zāi)難”問題。目前動作規(guī)劃中解決該問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)動規(guī)劃的組合方法通過連續(xù)的配置空間找到路徑，而無需借助近似值。由于這個屬性，它們可以被稱為精確算法。組合方法通過對規(guī)劃問題建立離散表示來找到完整的解，如在Darpa城市挑戰(zhàn)賽（Darpa Urban Challenge）中，CMU的無人車BOSS所使用的動作規(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)事融合動力學(xué)可達(dá)的），然后通過優(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，最常見的算法如PRM（Probabilistic Roadmaps），RRT（Rapidly-Exploring Random Tree），F(xiàn)MT（Fast-Marching Trees），在無人車的應(yīng)用中，狀態(tài)采樣方法需要考慮兩個狀態(tài)的控制約束，同時還需要一個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。

自動駕駛汽車的車輛控制技術(shù)旨在環(huán)境感知技術(shù)的基礎(chǔ)之上，根據(jù)決策規(guī)劃出目標(biāo)軌跡，通過縱向和橫向控制系統(tǒng)的配合使汽車能夠按照跟蹤目標(biāo)軌跡準(zhǔn)確穩(wěn)定行駛，同時使汽車在行駛過程中能夠?qū)崿F(xiàn)車速調(diào)節(jié)、車距保持、換道、超車等基本操作。

互聯(lián)網(wǎng)科技公司主要做軟件，以工程機(jī)上層為主；而車廠其實(shí)以下層的組裝為主，也就是OEM，也不是那么懂車。像制動、油門和轉(zhuǎn)向等這些領(lǐng)域，話語權(quán)依然集中在博世、大陸這樣的Tier 1身上。

自動駕駛控制的核心技術(shù)是車輛的縱向控制和橫向控制技術(shù)?？v向控制，即車輛的驅(qū)動與制動控制；橫向控制，即方向盤角度的調(diào)整以及輪胎力的控制。實(shí)現(xiàn)了縱向和橫向自動控制，就可以按給定目標(biāo)和約束自動控制車運(yùn)行。所以，從車本身來說，自動駕駛就是綜合縱向和橫向控制。

車輛縱向控制是在行車速度方向上的控制，即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結(jié)為對電機(jī)驅(qū)動、發(fā)動機(jī)、傳動和制動系統(tǒng)的控制。各種電機(jī)-發(fā)動機(jī)-傳動模型、汽車運(yùn)行模型和剎車過程模型與不同的控制器算法結(jié)合，構(gòu)成了各種各樣的縱向控制模式，典型結(jié)構(gòu)如圖所示。

此外，針對輪胎作用力的 滑移率控制 是縱向穩(wěn)定控制中的關(guān)鍵部分?；坡士刂葡到y(tǒng)通過控制車輪滑移率調(diào)節(jié)車輛的縱向動力學(xué)特性來防止車輛發(fā)生過度驅(qū)動滑移或者制動抱死，從而提高車輛的穩(wěn)定性和操縱性能。制動防抱死系統(tǒng)（antilock brake system）簡稱 ABS，在汽車制動時，自動控制制動器制動力的大小，使車輪不被抱死，處于邊滾邊滑（滑移率在 20%左右）的狀態(tài)，以保證地面能夠給車輪提供最大的制動作用力值。一些智能滑移率控制策略利用充足的環(huán)境感知信息設(shè)計(jì)了隨道路環(huán)境變化的車輪最有滑移率調(diào)節(jié)器，從而提升輪胎力作用效果。

智能控制策略，如模糊控制、神經(jīng)網(wǎng)絡(luò)控制、滾動時域優(yōu)化控制等，在縱向控制中也得到廣泛研究和應(yīng)用，并取得了較好的效果，被認(rèn)為是最有效的方法。

而傳統(tǒng)控制的方法， 如PID控制和前饋開環(huán)控制 ，一般是建立發(fā)動機(jī)和汽車運(yùn)動過程的近似線形模型，在此基礎(chǔ)上設(shè)計(jì)控制器，這種方法實(shí)現(xiàn)的控制，由于對模型依賴性大及模型誤差較大，所以精度差、適應(yīng)性差。從目前的論文和研究的項(xiàng)目看，尋求簡單而準(zhǔn)確的電機(jī)-發(fā)動機(jī)-傳動、剎車過程和汽車運(yùn)動模型，以及對隨機(jī)擾動有魯棒性和對汽車本身性能變化有適應(yīng)性的控制器仍是研究的主要內(nèi)容。

車輛橫向控制指垂直于運(yùn)動方向上的控制，對于汽車也就是轉(zhuǎn)向控制。目標(biāo)是控制汽車自動保持期望的行車路線，并在不同的車速、載荷、風(fēng)阻、路況下有很好的乘坐舒適性和穩(wěn)定性。

車輛橫向控制主要有兩種基本設(shè)計(jì)方法，一種是基于駕駛員模擬的方法；另一種是給予汽車橫向運(yùn)動力學(xué)模型的控制方法?；隈{駛員模擬的方法，一種策略是使用較簡單的運(yùn)動力學(xué)模型和駕駛員操縱規(guī)則設(shè)計(jì)控制器；另一策略是用駕駛員操縱過程的數(shù)據(jù)訓(xùn)練控制器獲取控制算法。基于運(yùn)動力學(xué)模型的方法要建立較精確的汽車橫向運(yùn)動模型。典型模型是所謂單軌模型，或稱為自行車模型，也就是認(rèn)為汽車左右兩側(cè)特性相同。橫向控制系統(tǒng)基本結(jié)構(gòu)如下圖?？刂颇繕?biāo)一般是車中心與路中心線間的偏移量，同時受舒適性等指標(biāo)約束。