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、激光、超聲波、GPS、里程計、計算機視覺等多種技術(shù)來感知其周邊環(huán)境，通過先進的計算和控制系統(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，僅需起點和終點信息，汽車將全程負責(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（Lidar），相機（Camera），毫米波雷達（Millimeter Wave Radar）等多種傳感器的數(shù)據(jù)來獲取這些信息。

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

激光雷達 是一類使用激光進行探測和測距的設(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，激光雷達以10Hz左右的速度對周圍環(huán)境進行旋轉(zhuǎn)掃描，其掃描一次的結(jié)果為密集的點構(gòu)成的3維圖，每個點具備（x,y,z）信息，這個圖被稱為點云圖（Point Cloud Graph），如下圖所示，是使用Velodyne VLP-32c激光雷達建立的一個點云地圖：

激光雷達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)實使用中，激光雷達并不是完美的，往往存在點云過于稀疏，甚至丟失部分點的問題，對于不規(guī)則的物體表面，使用激光雷達很難辨別其模式，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。激光雷達在角分辨度上也遠遠不及照相機。激光雷達對環(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，在激光雷達上都是有噪點的。

毫米波雷達 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的替代品，而是激光雷達的重要補充設(shè)備。

攝像機 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、雙目攝像機、三目攝像機和環(huán)視攝像機。

單目攝像機 模組只包含一個攝像機和一個鏡頭。由于很多圖像算法的研究都是基于單目攝像機開發(fā)的，因此相對于其他類別的攝像機，單目攝像機的算法成熟度更高。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，但缺失遠處的信息。反之亦然。因此單目攝像機一般選用適中焦距的鏡頭。二是單目測距的精度較低。攝像機的成像圖是透視圖，即越遠的物體成像越小。近處的物體，需要用幾百甚至上千個像素點描述；而處于遠處的同一物體，可能只需要幾個像素點即可描述出來。這種特性會導(dǎo)致，越遠的地方，一個像素點代表的距離越大，因此對單目來說物體越遠，測距的精度越低。

雙目攝像機 由于單目測距存在缺陷，雙目攝像機應(yīng)運而生。相近的兩個攝像機拍攝物體時，會得到同一物體在攝像機的成像平面的像素偏移量。有了像素偏移量、相機焦距和兩個攝像機的實際距離這些信息，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，這就會給相機的標(biāo)定帶來麻煩。

三目攝像機 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方案為三目攝像機。三目攝像機其實就是三個不同焦距單目攝像機的組合。根據(jù)焦距不同，每個攝像機所感知的范圍也不盡相同。對攝像機來說，感知的范圍要么損失視野，要么損失距離。三目攝像機能較好地彌補感知范圍的問題。因此在業(yè)界被廣泛應(yīng)用。正是由于三目攝像機每個相機的視野不同，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，更遠的測距交給窄視野攝像頭。這樣一來每個攝像機都能發(fā)揮其最大優(yōu)勢。三目的缺點是需要同時標(biāo)定三個攝像機，因而工作量更大。其次軟件部分需要關(guān)聯(lián)三個攝像機的數(shù)據(jù)，對算法要求也很高。

環(huán)視攝像機， 之前提到的三款攝像機它們所用的鏡頭都是非魚眼的，環(huán)視攝像機的鏡頭是魚眼鏡頭，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。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，魚眼攝像機為了獲取足夠大的視野，代價是圖像的畸變嚴重。環(huán)視攝像機的感知范圍并不大，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。

為了理解點云信息，通常來說，我們對點云數(shù)據(jù)進行兩步操作：分割（Segmentation）和分類（Classification）。其中，分割是為了將點云圖中離散的點聚類成若干個整體，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)，一般使用機器學(xué)習(xí)中的分類算法，如支持向量機（Support Vector Machine，SVM）對聚類的特征進行分類，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)計的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對三維的點云聚類進行分類。

實踐中不論是提取特征-SVM的方法還是原始點云-CNN的方法，由于激光雷達點云本身解析度低的原因，對于反射點稀疏的目標(biāo)（比如說行人），基于點云的分類并不可靠，所以在實踐中，我們往往融合雷達和相機傳感器，利用相機的高分辨率來對目標(biāo)進行分類，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，使用多項式擬合我們認為可能是車道線的像素，然后基于多項式以及當(dāng)前相機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)去進行決策或者融合的。因為傳感器的狀態(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，因此會比只以單一測量量為基礎(chǔ)的估計方式要準(zhǔn)。 卡爾曼濾波在技術(shù)領(lǐng)域有許多的應(yīng)用。常見的有飛機及太空船的導(dǎo)引、導(dǎo)航及控制?？柭鼮V波也廣為使用在時間序列的分析中，例如信號處理及計量經(jīng)濟學(xué)中?？柭鼮V波也是機器人運動規(guī)劃及控制的重要主題之一，有時也包括在軌跡最佳化?？柭鼮V波也用在中軸神經(jīng)系統(tǒng)運動控制的建模中。因為從給與運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際的系統(tǒng)，估計運動系統(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行多合一操作。 比如攝像機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，激光雷達也檢測到前方有一個障礙物，而實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(假如當(dāng)車輛右方有一個障礙物，距離這個超聲波雷達有3米，那么我們就認為這個障礙物距離車有3米嗎?并不一定，因為決策控制層做車輛運動規(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)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的無人車（無論是對行人還是乘客而言），因為無人駕駛的規(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和當(dāng)前的觀測來估計當(dāng)前位置的過程，實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），擴展卡爾曼濾波（Extended Kalman Filter）以及粒子濾波（Particle Filter）。SLAM雖然是機器人定位領(lǐng)域的研究熱點，但是在實際無人車開發(fā)過程中使用SLAM定位卻存在問題，不同于機器人，無人車的運動是長距離的，大開放環(huán)境的。在長距離的運動中，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對區(qū)域構(gòu)建點云地圖，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） 。實際定位的時候，使用當(dāng)前激光雷達的掃描和事先構(gòu)建的高精度地圖進行點云匹配，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云配準(zhǔn)。

除此以外， 正態(tài)分布變換（Normal Distributions Transform，NDT） 也是進行點云配準(zhǔn)的常用方法，它基于點云特征直方圖來實現(xiàn)配準(zhǔn)?；邳c云配準(zhǔn)的定位方法也能實現(xiàn)10厘米以內(nèi)的定位精度。雖然點云配準(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：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），其負責(zé)相對頂層的路徑規(guī)劃，例如起點到終點的路徑選擇。 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（Finite State Machine，F(xiàn)SM）來實現(xiàn)，有限狀態(tài)機從一個基礎(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：

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)機仍然存在著很大的局限性：首先，要實現(xiàn)復(fù)雜的行為決策，需要人工設(shè)計大量的狀態(tài)；車輛有可能陷入有限狀態(tài)機沒有考慮過的狀態(tài)；如果有限狀態(tài)機沒有設(shè)計死鎖保護，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)：計算效率（Computational Efficiency）和完整性（Completeness），所謂計算效率，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：一個定義了機器人所有可能配置的集合，它定義了機器人所能夠運動的維度，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（這些路徑和目標(biāo)點事融合動力學(xué)可達的），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，以工程機上層為主；而車廠其實以下層的組裝為主，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)為對電機驅(qū)動、發(fā)動機、傳動和制動系統(tǒng)的控制。各種電機-發(fā)動機-傳動模型、汽車運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。滑移率控制系統(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)動機和汽車運動過程的近似線形模型，在此基礎(chǔ)上設(shè)計控制器，這種方法實現(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目看，尋求簡單而準(zhǔn)確的電機-發(fā)動機-傳動、剎車過程和汽車運動模型，以及對隨機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動力學(xué)模型和駕駛員操縱規(guī)則設(shè)計控制器；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?；谶\動力學(xué)模型的方法要建立較精確的汽車橫向運動模型。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。控制目標(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。