|
--后臺回復(fù)“資料”，領(lǐng)取特斯拉專利技術(shù)解析報告-- 文章轉(zhuǎn)自：汽車人手記 智駕最前沿 實時，權(quán)威，專業(yè)剖析自動駕駛領(lǐng)域！ 11篇原創(chuàng)內(nèi)容 公眾號 ↓聊聊自動駕駛數(shù)據(jù)源↓
?更多精彩視頻歡迎關(guān)注視頻號? 一輛自動駕駛車輛的典型架構(gòu)如圖1所示。從圖中可以看到，自動駕駛車輛從系統(tǒng)功能上劃分，可以分為環(huán)境感知模塊、決策規(guī)劃模塊和車輛控制模塊。如果把感知模塊比作人的眼睛和耳朵，那么決策規(guī)劃就是感知信息匯聚的模塊，扮演著車輛“大腦”的角色。大腦在接收到傳感器的各類感知信息后，對當(dāng)前周邊環(huán)境態(tài)進行分析，然后對車輛控制模塊下達(dá)指令。決策規(guī)劃模塊決定了自動駕駛車輛可以適應(yīng)多么復(fù)雜的場景，能否高效安全的行駛，是評級自動駕駛能力的最核心指標(biāo)之一，具有十分重要的學(xué)術(shù)研究價值。
當(dāng)前自動駕駛汽車存在三大類典型的感知決策控制方法，如圖2所示。Behavior-awarePlanning和End-to-end Planning。圖2：當(dāng)前自動駕駛汽車存在三大類感知決策控制方法Sequential Planning是層次最簡明的一種方法，將先進的感知和決策方法生成運動規(guī)劃和控制的輸入。其作用是實時地求解出一序列連續(xù)的控制輸入或可行運動狀態(tài)使得汽車能夠安全地由初始狀態(tài)到達(dá)終止?fàn)顟B(tài)，并且求解出結(jié)果不僅要滿足汽車的運動學(xué)及動力學(xué)約束，同時還要滿足結(jié)構(gòu)化道路帶來的幾何約束以及交通法規(guī)約束。整體架構(gòu)如圖3所示[3]，可以分為全局路徑規(guī)劃層（Route Planning）、行為決策層（Behavioral Layer）和運動規(guī)劃層（Motion planning）。圖3：Sequential Planning 整體架構(gòu)全局路徑規(guī)劃在接收到行駛目的地之后，結(jié)合地圖信息，生成起點到終點的路徑尋找，也可稱為任務(wù)規(guī)劃（Mission planning）；行為決策層也可稱之為行為決策（Decision），在接收到全局路徑信息后，結(jié)合當(dāng)前交通信息和障礙物等情況，給運動規(guī)劃模塊輸入一系列的決策信息，如在十字路口通行優(yōu)先級、交通堵塞處理、車輛匯流合理判斷問題等；運動規(guī)劃層根據(jù)具體的行為決策信息，規(guī)劃生成一條滿足特定約束條件的運動軌跡，以達(dá)到某種目的，如安全避障、準(zhǔn)確進入停車位等。Behavior-aware Planning引入駕駛員與自動駕駛汽車交互、自動駕駛汽車與道路場景交互、自動駕駛汽車與周邊參與者交互，在決策規(guī)劃的過程中考慮外部環(huán)境的不確定性，從而增加安全性。目前在研究中，經(jīng)常用到的五類方法是[2]：Cooperation and Interaction (協(xié)同與交流)、Games-Theoretic Approaches（博弈論）、Probabilistic Approaches（概率方法）、Partially Observable Markov Decision Processes（隱馬爾可夫）、Learning-Based Approaches（基于學(xué)習(xí)的方法）。圖4：Behavior-aware Planning常用研究方法End-to-end Planning通過深度學(xué)習(xí)等系統(tǒng)驅(qū)動，從離線收集的真實數(shù)據(jù)中學(xué)習(xí)駕駛員駕駛行為，直接通過輸入的圖像或者視頻信息得到汽車駕駛行為的指令，包括方向盤轉(zhuǎn)角、油門大小、踩剎車的程度等。英偉達(dá)[4]使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）將從前向攝像機得到的原始圖像映射成自動駕駛汽車的駕駛命令，如圖5所示。三架攝像機安裝在數(shù)據(jù)采集汽車的擋風(fēng)玻璃后面，而來自攝像機的時間戳視頻是與人類駕駛員的轉(zhuǎn)向角度同時被捕獲的。圖像被送入一個卷積神經(jīng)網(wǎng)絡(luò)，然后計算一個被推薦的轉(zhuǎn)向命令。這個被推薦的轉(zhuǎn)向命令會與該圖像的期望命令相比較，卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重就會被調(diào)整以使其實際輸出更接近期望輸出。圖5：End-to-end Planning系統(tǒng)框圖本文將主要介紹Sequential Planning的分層架構(gòu)和常見算法。全局路徑規(guī)劃就是指在給定車輛當(dāng)前位置與終點目標(biāo)后，通過搜索選擇一條最優(yōu)的路徑。這里的“最優(yōu)”通常包括時間最短或者路程最短等。通俗意義上講，這一過程和我們生活中用到的“導(dǎo)航”功能類似，區(qū)別在于自動駕駛的全局路徑規(guī)劃使用高精度地圖，里面包括更多的路段和車道信息。最基礎(chǔ)和普適的全局路徑規(guī)劃算法是Dijkstra算法和A*算法。Dijkstra算法是由計算機科學(xué)家Edsger W. Dijkstra在1956年提出的。Dijkstra算法用來尋找圖形中節(jié)點之間的最短路徑。在Dijkstra算法中，需要計算每一個節(jié)點距離起點的總移動代價。同時，還需要一個優(yōu)先隊列結(jié)構(gòu)。對于所有待遍歷的節(jié)點，放入優(yōu)先隊列中會按照代價進行排序。在算法運行的過程中，每次都從優(yōu)先隊列中選出代價最小的作為下一個遍歷的節(jié)點，直到到達(dá)終點為止。簡單說，就是從起點開始向外擴展，直至達(dá)到目標(biāo)，從中找到一條最短路徑。如下圖中[5]，粉紅色的方塊是起點，藍(lán)色的方塊是目標(biāo)，而藍(lán)綠色區(qū)域顯示了Dijkstra算法掃描的區(qū)域。圖a表示在地圖沒有障礙物；圖b表示地圖存在凹形障礙物。在理解A*算法之前，除了Dijkstra算法，還需要理解最佳優(yōu)先搜索算法。貪婪的最佳優(yōu)先搜索算法以與Dijkstra類似的方式工作，但是使用的是以每個節(jié)點到達(dá)終點的距離作為優(yōu)先級。最佳優(yōu)先搜索算法比Dijkstra算法運行更快。圖7中，黃色表示具有較高啟發(fā)式值（達(dá)到目標(biāo)的成本較高）的那些節(jié)點，而黑色表示具有較低啟發(fā)式值（達(dá)到目標(biāo)的成本較低）的那些節(jié)點。在地圖中存在障礙物時，最佳優(yōu)先搜索是“貪婪的”，即使不是正確的道路，它也會嘗試朝目標(biāo)邁進。由于它只考慮達(dá)到目標(biāo)的成本，而忽略了到目前為止的成本，因此即使它所走的路徑已經(jīng)很長，它也會繼續(xù)前進，如圖7中b所示。結(jié)合最佳優(yōu)先搜索算法和Dijkstra算法的優(yōu)點不好嗎？A*最初發(fā)表于1968年，由Stanford研究院的Peter Hart、Nils Nilsson以及Bertram Raphael發(fā)表。它結(jié)合了Dijkstra算法的特點（靠近起點的最佳點）和貪婪的“最佳優(yōu)先搜索”使用的特點（靠近目標(biāo)的最佳點），A*算法通過下面這個函數(shù)來計算每個節(jié)點的優(yōu)先級。f(n)是節(jié)點n的綜合優(yōu)先級。當(dāng)我們選擇下一個要遍歷的節(jié)點時，我們總會選取綜合優(yōu)先級最高（值最小）的節(jié)點。h(n)是節(jié)點n距離終點的預(yù)計代價，同時也是A*算法的啟發(fā)函數(shù)。有研究者在研究人類駕駛行為時，將人類駕駛?cè)蝿?wù)分為了3個不同層次：導(dǎo)航任務(wù)、引導(dǎo)任務(wù)與穩(wěn)定任務(wù)。與之對應(yīng)的是在順序規(guī)劃中，自動駕駛車輛根據(jù)任務(wù)進行分層，分別執(zhí)行全局路徑規(guī)劃、行為決策、軌跡生成任務(wù)。行為決策層在道路行駛過程中根據(jù)周邊交通環(huán)境，做出車道保持、換道、超車、駛過路口等決定。- 真實的駕駛環(huán)境中，交通場景和道路是復(fù)雜的，如何能夠在任意場景下做出正確決策。
- 自動駕駛車輛在環(huán)境中面臨無法預(yù)測的突發(fā)情況時，如何能夠做出正確的決策。
- 自動駕駛車輛在無法完全感知周圍交通環(huán)境的情況下，如何進行正確決定。
行為決策是自動駕駛車輛技術(shù)的一項關(guān)鍵技術(shù)，提高自動駕駛車輛在城區(qū)復(fù)雜、不確定環(huán)境下的行為決策規(guī)劃水平，可以提高自動駕駛車輛的智能化水平。當(dāng)前，主要存在三種主要的行為決策模型。有限狀態(tài)機（Finite State Machine, FSM）表示有限個狀態(tài)及在這些狀態(tài)之間的轉(zhuǎn)移和動作等行為的數(shù)學(xué)模型。在自動駕駛中，車輛根據(jù)交通場景和交通規(guī)則選擇合適的駕駛行為，如車道保持、前車跟隨、停車等待等模式，狀態(tài)機模型通過構(gòu)建有限的有向連通圖來描述不同的駕駛狀態(tài)以及狀態(tài)之間的轉(zhuǎn)移關(guān)系，從而生成駕駛動作。經(jīng)典的有限狀態(tài)機：“Junior”是斯坦福大學(xué)在2007年參加DARPA城市挑戰(zhàn)賽時的無人車，它是第二名完成該比賽的無人車，Junior的行為規(guī)劃系統(tǒng)就是通有限狀態(tài)機實現(xiàn)的，如圖8。圖8：“Junior”行為決策有限狀態(tài)機LOCATE_VEHICLE: 表示Junior的初始狀態(tài)，確定無人車在地圖中的位置。FORWARD_DRIVE: 表示在普通道路上的行駛狀態(tài)，包含車輛直行、車道保持和障礙物避障等。PARKING_NAVIGATE：表示停車場內(nèi)的普通駕駛模式。UTURN_STOP: 表示U型掉頭前的停止?fàn)顟B(tài)。STOP_SIGN_WAIT: 表示當(dāng)無人車在十字路口等待時，進入此狀態(tài)。CROSS_INTERSECTION：表示在這個狀態(tài)下無人車處理十字路口通過這一場景，無人車會等待直到確認(rèn)能夠安全通過。UTURN_DRIVE: 表明在U型掉頭時調(diào)用的狀態(tài)。TRAFFIC_JAM和ESCAPE：處理交通阻塞時的兩個狀態(tài)。BAD_RNDF: 表示如果當(dāng)前道路和預(yù)先做的路網(wǎng)圖不同的時候，即進入該狀態(tài)，在這個狀態(tài)下，無人車會采用混合A*算法完成車輛的路徑規(guī)劃。MISSION_COMPLETE: 當(dāng)挑戰(zhàn)賽（DARPA）結(jié)束，無人車進入該狀態(tài)，即整個狀態(tài)機的結(jié)束狀態(tài)。有限狀態(tài)機結(jié)構(gòu)簡單，控制邏輯明確，是無人駕駛領(lǐng)域使用比較廣泛的行為決策模型，但是當(dāng)駕駛狀態(tài)和模式過多的時候，有限狀態(tài)機的修改和更新變得非常繁瑣。決策樹模型[7]和有限狀態(tài)機模型類似，被廣泛應(yīng)用到自動駕駛車輛行為規(guī)劃中。決策樹（Decision Tree）由一個決策圖和可能的結(jié)果組成，用來創(chuàng)建到達(dá)目標(biāo)的規(guī)劃。在自動駕駛行為規(guī)劃算法中將駕駛狀態(tài)和控制邏輯轉(zhuǎn)化為樹形結(jié)構(gòu)，通過自頂向下的“輪詢”機制進行駕駛策略的搜索和選擇。決策樹由非葉節(jié)點和葉節(jié)點組成，非葉節(jié)點對應(yīng)駕駛狀態(tài)，葉節(jié)點對應(yīng)駕駛動作。這類決策模型具備可視化的控制邏輯，并且控制節(jié)點可復(fù)用，但需要針對每個駕駛場景離線定義決策網(wǎng)路，當(dāng)狀態(tài)空間、行為空間較大時，控制邏輯將比較復(fù)雜。另外，該類模型同樣無法考慮交通環(huán)境中存在的不確定性因素。基于知識的推理決策模型由“場景特征-駕駛動作”的映射關(guān)系來模仿人類駕駛員的行為決策過程，該類模型通過識別當(dāng)前場景，查詢存儲在知識庫或者神經(jīng)網(wǎng)絡(luò)中駕駛知識，然后推理出對應(yīng)的駕駛動作。采集了人類駕駛員的行為數(shù)據(jù)，按照場景的不同分類存儲，形成行為庫。通過基于信息論、粒子計算的知識獲取表達(dá)，形成相應(yīng)的知識庫。這里的知識既包括數(shù)據(jù)統(tǒng)計分析得到的數(shù)學(xué)模型，也包括通過機器學(xué)習(xí)得到“黑箱”。根據(jù)感知系統(tǒng)實時信息，利用知識庫進行行為決策。通過不同的仿真場景和實車實驗對知識庫進行反復(fù)驗證，迭代更新，逐漸完善。運動規(guī)劃是無人駕駛順序規(guī)劃中的最后一步，輸入是車輛當(dāng)前的狀態(tài)（車輛當(dāng)前位置、感知障礙物位置速度、地圖信息等）和具體的駕駛行為，目標(biāo)輸出是一系列運動軌跡和控制信息（速度等）。運動規(guī)劃要做的就是生成當(dāng)前狀態(tài)和目標(biāo)的一系列映射，實現(xiàn)車輛按照規(guī)劃軌跡進行安全駕駛。從機器人領(lǐng)域的角度看，運動規(guī)劃的本質(zhì)是一個搜索問題，將交通環(huán)境以確定的方法離散成一個圖，然后利用各種搜索算法尋找最短路徑或者安全路徑。從數(shù)學(xué)角度看，運動規(guī)劃的本質(zhì)是一個優(yōu)化問題。在確定的狀態(tài)空間中，尋找一個滿足一定約束條件的映射。這些約束包括：- 微分約束問題：要考慮曲線的曲率大小是否合適，曲率是否連續(xù)。
- 車輛的動力學(xué)約束問題：要考慮是否滿足車輛橫縱向動力學(xué)。
在自動駕駛場景中，駕駛環(huán)境是動態(tài)變化的，因此在運動規(guī)劃中需要加入時間約束，為動態(tài)的行駛過程提供有效解。時間約束的增加給自動駕駛的運動規(guī)劃帶來了新的挑戰(zhàn)。目前，常用的自動駕駛算法有基于圖搜索的方法、基于隨機采樣的方法、基于曲線插值的方法、基于直接優(yōu)化的方法等。在實際應(yīng)用中，運動規(guī)劃往往需要上述幾種方法進行結(jié)合，才能達(dá)到比較好的規(guī)劃效果。解決運動規(guī)劃的一大類算法是啟發(fā)性搜索算法，其基本思想是將狀態(tài)空間通過確定的方式離散成一個圖，然后利用各種啟發(fā)式搜索算法搜索可行解甚至是最優(yōu)解。其中包含兩個過程，狀態(tài)空間建模和啟發(fā)式搜索兩個過程。在離散搜索思路下，狀態(tài)空間通過被建模為占據(jù)柵格(Occupancy Grid)或狀態(tài)晶格(State Lattice)。占據(jù)柵格法將空間建模為離散柵格，根據(jù)障礙物的分布確定柵格是否被占據(jù)。與占據(jù)柵格不同，狀態(tài)晶格法將規(guī)劃區(qū)域劃分為表征狀態(tài)的柵格，兩個柵格的連接則表征了它們之間的狀態(tài)轉(zhuǎn)移。在狀態(tài)空間建模后，利用圖搜索算法得到從初始狀態(tài)到終止?fàn)顟B(tài)的軌跡。圖搜索算法包括Dijkstra算法和A*算法等，以及A*算法的變種。與占據(jù)柵格法相比，狀態(tài)晶格法搜索得到的任意兩柵格之間的路徑可以用預(yù)先計算的晶格表示。State Lattice圖9所示[8]。將網(wǎng)格稱為狀態(tài)晶格，在其上應(yīng)用了運動規(guī)劃搜索，路徑搜索基于包含所有可行特征的一組格子或圖元的局部查詢，從而使車輛從初始狀態(tài)行駛到其他狀態(tài)。在一個環(huán)境下先計算出來車輛所有可能的路徑曲線，然后根據(jù)碰撞檢測、交通規(guī)則等判斷計算可行的路徑，利用成本函數(shù)決定之間的最佳路徑。成本函數(shù)可以是：任務(wù)到達(dá)cost、橫向偏移cost、碰撞cost、縱向沖擊度 cost、橫向加速度cost、向心加速度cost等。通過對連續(xù)的狀態(tài)空間進行采樣，從而將原問題近似成一個離散序列的優(yōu)化問題，從中篩選出目標(biāo)樣本點序列作為路徑計算結(jié)果。最為常見的是概率路線圖方法（PRM，Probabilistic Roadmap Method）以及快速擴展隨機樹方法（RRT，Rapidly exploring Random Tree）。PRM 算法首先在可行使空間中進行離線采樣，構(gòu)造出路線網(wǎng)絡(luò)圖（Roadmap），隨后根據(jù)起始點與目標(biāo)點在路線網(wǎng)絡(luò)圖中進行查詢，得到可行的行駛路徑。整個過程分為預(yù)處理階段和查詢階段。- 預(yù)處理階段：對狀態(tài)空間內(nèi)的安全區(qū)域均勻隨機采樣ｎ個點，每個采樣點分別與一定距離內(nèi)的鄰近采樣點連接，并丟棄掉與障礙物發(fā)生碰撞的軌跡，最終得到一個連通圖。
- 查詢階段：對于給定的一對初始和目標(biāo)狀態(tài)，分別將其連接到已經(jīng)構(gòu)建的圖中，再使用搜索算法尋找滿足要求的軌跡。
RRT采樣過程中并不關(guān)心整個完整的空間，而是通過一個稠密的采樣序列的引導(dǎo)，在每個擴張周期中對空間進行一次采樣從而逐步遞增的向整個空間擴張。隨著采樣次數(shù)的增加，搜索樹逐步的覆蓋整個搜索空間，如圖10所示。初始狀態(tài)為根節(jié)點構(gòu)建快速搜索樹。每一個擴張周期算法通過隨機采樣序列的引導(dǎo)在狀態(tài)空間中得到一個采樣節(jié)點；隨后，遍歷搜索樹，通過一個度量函數(shù)找到搜索樹上距離采樣節(jié)點最近的節(jié)點；連接兩節(jié)點并選擇合適的控制輸入使得規(guī)劃對象由搜索樹節(jié)點向采樣點運動擴張，得到擴張節(jié)點；最后將擴張節(jié)點添加到搜索樹上完成該周期的搜索。重復(fù)上述周期性擴張，直到目標(biāo)節(jié)點添加到搜索樹上或到達(dá)最大循環(huán)迭代次數(shù)為止。曲線插值的軌跡規(guī)劃方法的主要思想是基于預(yù)設(shè)的目標(biāo)軌跡點（waypoint）序列，重構(gòu)出滿足連續(xù)性、舒適性以及車輛動力學(xué)約束的路徑。常用的曲線插值算法包括 Clothoid 曲線擬合、多項式曲線擬合、樣條曲線擬合、貝塞爾曲線擬合等。Clothoid 曲線是指曲率連續(xù)線性變化的一類曲線，因此 Clothoid 曲線生成的路徑曲率是連續(xù)的，經(jīng)常被用來連接直線路徑與圓弧路徑。實際上，許多行車道路的設(shè)計均是按照 Clothoid 曲線設(shè)計的。Polynomial Curves（多項式擬合）[10]：基于多項式軌跡規(guī)劃方法的設(shè)計思想為根據(jù)車輛的初始狀態(tài)和目標(biāo)狀態(tài)對變道軌跡進行規(guī)劃，使車輛在指定的時間到達(dá)相鄰車道。采樣函數(shù)是函數(shù)f(x,y,t)，從描述的函數(shù)族類中尋找一條軌跡，能充分描述車輛從起始位置過渡到目標(biāo)位置過程的動態(tài)特性。隨著多項式次數(shù)的變大，曲線的擬合效果越好，但次數(shù)的增也會導(dǎo)致參數(shù)求解的運算量指數(shù)增長，通常選用五次多項式進行變道軌跡的規(guī)劃。在 x 向、y 向分別選用五次多項式構(gòu)造變道軌跡的曲線簇。樣條是一種分段的多項式參數(shù)曲線，它可以被定義為多項式曲線、B樣條曲線等。樣條插值是一種工業(yè)設(shè)計中常用的、得到平滑曲線的一種插值方法。三次樣條也是其中用的較為廣泛的一種。說白了，就是通過一系列值點，根據(jù)插值連續(xù)性、微分連續(xù)性和邊界條件等構(gòu)建一條光滑曲線的過程。貝塞爾曲線有著很多特殊的性質(zhì),在圖形設(shè)計和路徑規(guī)劃中應(yīng)用都非常廣泛。貝塞爾曲線完全由其控制點決定其形狀,n個控制點對應(yīng)著n-1階的貝塞爾曲線，并且可以通過遞歸的方式來繪制。基于優(yōu)化的軌跡規(guī)劃方法根據(jù)一個需要最大或最小化的優(yōu)化指標(biāo)及一些約束決策出一條最優(yōu)軌跡。經(jīng)典的框架是KIT[11]在Frenet lattice將橫向軌跡和縱向軌跡進行分別優(yōu)化。坐標(biāo)系下的運動規(guī)劃的輸出式一個軌跡，軌跡是一個時間到位置的函數(shù)，即t->(x，y)。當(dāng)求解這個函數(shù)時，其復(fù)雜度較高且計算量大，所以將規(guī)劃分成橫向規(guī)劃和縱向規(guī)劃，會有顯著的特點。由于真實世界中的道路都是彎曲的，為了簡化求解優(yōu)化問題的參數(shù)表達(dá)，在自動駕駛中通常采用Frenet坐標(biāo)系。笛卡爾坐標(biāo)系下的主車位置以及障礙物位置被投影到Serret-Frenet坐標(biāo)系下，以車輛前進方向為Station坐標(biāo)軸，車輛前進方向的法線方向為Lateral坐標(biāo)軸，車輛路徑規(guī)劃將在Station-Lateral坐標(biāo)系（S-L）下進行。因為在公路行駛中，我們總是能夠簡單的找到道路的參考線（即道路的中心線），那么基于參考線的位置的表示就可以簡單的使用縱向距離S（即沿著道路方向的距離）和橫向距離L（即偏離參考線的距離）來描述。橫向規(guī)劃就是行車方向上的規(guī)劃，可以看成是如何打方向盤的規(guī)劃，它決定了軌跡的形狀。- 一種是無車道的場景，比如在Free Space（自由空間）中規(guī)劃或者泊車之類的場景，車輛一般處在低速行駛狀態(tài)，缺乏車道線等先驗信息，業(yè)界大多都用搜索等路徑生成的方式去處理無車道場景。
- 另一種是有車道的情況。雖然可以參考車道線信息，但是規(guī)劃上想輸出s→(x,y)函數(shù)，難度并不小。常見的做法是離線生成參考線，隨后就可以將求解s→(x,y)的問題變?yōu)榍蠼鈙→L的問題，L是指車輛在這個參考線上的橫向偏移量。確定參考線后，通過把參考線離散化，采一些點出來，那么橫向規(guī)劃問題就轉(zhuǎn)化為求解一個離參考線偏移距離的一個問題，即轉(zhuǎn)化成s→L的問題。其計算約束是車輛行駛不跨越邊界，避免碰撞，而優(yōu)化的目標(biāo)是要離參考線近，要離障礙物遠(yuǎn)，曲率不大，曲率變化率不大等。
縱向規(guī)劃本質(zhì)是對車輛在設(shè)定好的路徑上的速度規(guī)劃，決定了車輛在整個軌跡上的運動過程。求解這類優(yōu)化問題，第一個約束是遵守交規(guī)（信號燈、限速、停車讓行等），第二個約束是避免碰撞，第三個約束是乘坐舒適，也意味著車輛的速度變化率不大，加速度變化率不大，行駛速度也要盡量快一點（限速內(nèi)）等。[1] Bacha A, Bauman C, Faruque R, et al. Odin: Team victortango's entry in the darpa urban challenge[J]. Journal of field Robotics, 2008, 25(8): 467-492.[2] Schwarting W, Alonso-Mora J, Rus D. Planning and Decision-Making for Autonomous Vehicles[J]. Annual Review of Control Robotics & Autonomous Systems, 2018, 1(1): annurev-control-060117-105157.[3] Paden B, Cap M, Yong S Z, et al. A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles[J]. IEEE Transactions on Intelligent Vehicles, 2016, 1(1):33-55.[4] Mariusz Bojarski, Davide Del Testa, Daniel Dworakowski, et al. End to End Learning for Self-Driving Cars. https:///abs/1604.07316.[5] Heuristics [EB/OL]. [2016-07-22].http://theory./~amitp/GameProgramming/AStarComparison.html.[6] Montemerlo M, Becker J, Bhat S, et al. Junior: The stanford entry in the urban challenge[J]. Journal of field Robotics, 2008, 25(9): 569-597.[7] Olsson M. Behavior Trees for decision-making in Autonomous Driving[M]. 2016.[8] J. Ziegler and C. Stiller, “Spatiotemporal state lattices for fast trajectory planning in dynamic on-road driving scenarios,” in Intelligent Robots and Systems, 2009. IROS 2009. IEEE/RSJ International Conference on. IEEE, 2009, pp. 1879–1884.[9] J. Funke, P. Theodosis, R. Hindiyeh, G. Stanek, K. Kritatakirana, C. Gerdes, D. Langer, M. Hernandez, B. Muller-Bessler, and B. Huhnke, “Up to the limits: Autonomous audi tts,” in Intelligent Vehicles Symposium (IV), 2012 IEEE, June 2012, pp. 541–547.[10] W. Xu, J. Wei, J. Dolan, H. Zhao, and H. Zha, “A real-time motion planner with trajectory optimization for autonomous vehicles,” in Robotics and Automation (ICRA), 2012 IEEE International Conference on, May 2012, pp. 2061–2067.[11] Werling M, Ziegler J, Kammel S, et al. Optimal Trajectory Generation for Dynamic Street Scenarios in a Frenet Frame[C]. //Robotics and Automation (ICRA), 2010 IEEE International Conference on. IEEE, 2010.轉(zhuǎn)載自汽車人手記，文中觀點僅供分享交流，不代表本公眾號立場，如涉及版權(quán)等問題，請您告知，我們將及時處理。
|
