李坦

摘要：隨著新時代發(fā)展，人們生活水平不斷提高。汽車自動駕駛技術的進步得益于人們對減少車輛碰撞事故所做的持續(xù)努力，人類駕駛員安全駕駛積累的相關經(jīng)驗將有助于自動駕駛技術的發(fā)展。有限的地理條件和典型的使用場景將成為智能汽車自動駕駛技術應用的關鍵突破口。本文從基于視覺/激光雷達的智能決策系統(tǒng)、全局/局部路徑規(guī)劃、芯片和算法等幾個方面，對智能網(wǎng)聯(lián)汽車自動駕駛行為決策方法進行了探討。

關鍵詞：智能網(wǎng)聯(lián)汽車;自動駕駛;行為決策

引言

電子科學技術與汽車機械工業(yè)的深度結合，給汽車發(fā)展帶來了無限可能。無人駕駛汽車正是集自動控制、體系結構和人工智能等多項技術于一體的產(chǎn)物，是未來汽車發(fā)展的一個重要方向。近些年，有關智能汽車自動駕駛的研究中都將智能汽車對復雜路段的適應性和駕駛系統(tǒng)的可靠性作為重點研究方向。其中大多數(shù)理論都是通過提高單一車輛的智能化來實現(xiàn)的，需要高額的成本和復雜的技術。車路協(xié)同是面向未來的一種自動駕駛方案，成本低，但需要通過5G網(wǎng)絡、高精度地圖的普及和車聯(lián)網(wǎng)、智慧道路的建設來實現(xiàn)。人機共駕作為第三種方案，是一種低成本而有效的智能汽車無人駕駛的控制方法，既可以降低對單車智能的依賴，又不受制于車聯(lián)網(wǎng)、智慧道路等因素的制約，越來越受到研究者的重視。比如商用車輛編隊行駛，一個由多輛智能車組成的車隊，其中領頭車輛由駕駛員正常操作，其余車輛在不需要人操控的狀態(tài)下自動跟隨領頭車行駛。智能汽車通過接收隊列中前方車輛的行駛信息推理出路徑和任意車速的后車跟隨模型，完成跟隨行駛，以而實現(xiàn)自動行駛。

1智能網(wǎng)聯(lián)汽車自動駕駛的簡述

在當前我國電子科技高速發(fā)展背景下，許多電子科技已經(jīng)應用到眾多行業(yè)領域中。汽車作為當前社會人們最重要的出行代步工具之一，對于電子科技的應用也在逐漸完善。隨著我國人工智能技術的應用逐漸廣泛普及于各個領域，人們對于智能汽車的自動駕駛需求在不斷增加。隨著基礎技術的快速更新，汽車智能化水平快速提升，業(yè)界針對不同的應用場景打造出不同級別（L2到L5）的自動駕駛技術和產(chǎn)品體系，使得智能網(wǎng)聯(lián)汽車的落地速度大為提升。目前，從商業(yè)應用場景來看，實現(xiàn)自動駕駛的路徑主要有兩種：第一種是單車智能，即通過先進的雷達、攝像頭、慣性導航等傳感器以及高效的算法，實現(xiàn)自動駕駛功能;第二種是車路協(xié)同，即主要通過5G、高精度地圖來感知路況從而實現(xiàn)自動駕駛功能。在智能網(wǎng)聯(lián)汽車技術發(fā)展過程中，科研人員一方面追求通過優(yōu)化算法、長距離的道路測試等方式來提升單車智能的可靠性，如谷歌Waymo、Uber等;另一方面追求低成本、能夠快速落地的自動駕駛方案，如人機共駕方案。

2智能網(wǎng)聯(lián)汽車自動駕駛行為決策方法

2.1基于視覺/激光雷達的智能決策系統(tǒng)

智能汽車自動駕駛車輛控制中，對于道路狀況的信息識別與處理是非常重要的。自動駕駛系統(tǒng)能夠識別道路、行人、障礙物、紅綠燈等，其中的環(huán)境感知系統(tǒng)負責車輛定位、靜態(tài)/移動障礙物檢測與跟蹤、車道線檢測與識別、交通信號檢測與識別等任務。自動駕駛汽車的智能決策系統(tǒng)根據(jù)主要依據(jù)的環(huán)境感知傳感器不同可以分為基于視覺和基于激光雷達兩種類型。

基于視覺的智能決策系統(tǒng)當前主要以特斯拉為代表，特斯拉通過所有特斯拉汽車的攝像頭采集環(huán)境數(shù)據(jù)，將圖像處理和機器學習結合起來，在預先記錄的地圖的基礎上，通過機器的自主學習進行智能決策。特斯拉汽車在行駛中采集數(shù)據(jù)學習并與所有特斯拉汽車分享學習到的東西，從而實現(xiàn)類似于人眼睛的方式查看地形然后通過人工智能進行分析指導自動駕駛汽車做出決策。由于不需要昂貴的激光雷達，所以基于視覺主導的自動駕駛在價格、能耗等方面占很大優(yōu)勢，但需要大量的數(shù)據(jù)處理和學習，對于AI算法要求很高。

基于激光雷達的智能決策系統(tǒng)是當前的主流，如傳統(tǒng)主機廠通用、奔馳、福特以及眾多高科技公司包括谷歌、Uber等均采用該種方式。這些車輛裝有預先記錄周圍環(huán)境的高精度地圖，該地圖是使用配備激光雷達的車輛捕獲繪制的。車輛在自動駕駛過程中可以使用自己的激光雷達探測到實際路況，與預存的高精度地圖進行比對，從而進行精確定位和導航，然后在地圖區(qū)域中巡航時進行自動控制。這種方法提供了高度的可靠性和可預測性，但由于需要配備高精度地圖、激光雷達以及高算力的芯片，因此成本明顯高于基于視覺的方案。

2.2全局/局部路徑規(guī)劃

自動駕駛汽車的行為決策與路徑規(guī)劃是指依據(jù)環(huán)境感知和導航子系統(tǒng)輸出信息，通過一些特定的約束條件規(guī)劃出給定多條可選安全路徑，并從中選取一條最優(yōu)路徑作為車輛行駛軌跡的過程。

全局路徑規(guī)劃，主要內(nèi)容為行駛路徑范圍的全局規(guī)劃。全局路徑規(guī)劃會在已知環(huán)境中，給自動駕駛汽車規(guī)劃出一條理想路徑，路徑規(guī)劃的精度取決于環(huán)境感知系統(tǒng)感知的準確度。這是一種事前規(guī)劃，類似于我們?nèi)粘Ｉ钪谐Ｓ玫摹皩Ш健惫δ埽狠斎氤霭l(fā)地與目的地，APP就會自動規(guī)劃出一條最優(yōu)路徑。這種算法的優(yōu)點是給出的路徑是最優(yōu)的，缺點是計算復雜度較高，不能進行實時校正。局部路徑規(guī)劃，又可稱之為實時路徑規(guī)劃。自動駕駛汽車在有障礙物的環(huán)境中，會利用自身傳感器實時感知周邊環(huán)境，尋找出一條最優(yōu)的局部行駛路徑。局部路徑規(guī)劃的優(yōu)勢是可以實時對規(guī)劃結果進行反饋與校正，確保了自動駕駛車輛始終處于最優(yōu)的駕駛路徑中，缺點是缺乏全局環(huán)境信息，可能發(fā)生找不到正確路徑或完整路徑的情況?？傮w而言，全局路徑規(guī)劃和局部路徑規(guī)劃并沒有本質(zhì)上的區(qū)別。兩者協(xié)同工作，自動駕駛車輛可以更好地規(guī)劃出最優(yōu)路徑。

2.3芯片與算法

目前，自動駕駛汽車常用的行為決策算法主要有三種類型。一是基于神經(jīng)網(wǎng)絡：自動駕駛汽車的決策系統(tǒng)主要采用神經(jīng)網(wǎng)絡確定具體的場景并做出適當?shù)男袨闆Q策。二是基于規(guī)則：工程師想出所有可能的“if-then 規(guī)則”的組合，然后再用基于規(guī)則的技術路線對汽車的決策系統(tǒng)進行編程。三是混合路線：結合了以上兩種決策方式，通過集中性神經(jīng)網(wǎng)絡優(yōu)化，通過“if-then 規(guī)則”完善?；旌下肪€是最流行的技術路線。在芯片領域，常用的主流自動駕駛芯片主要有兩種，一種是英特爾-Mobileye 開發(fā)的Mobileye EyeQX系列車載計算平臺，另一種是英偉達提供的 NVIDIA Drive PX 系列車載計算平臺。

訓練自動駕駛算法主要由模擬仿真和實車測試兩種途徑。其中，模擬仿真可以進行可重復、可評價的性能測試，快速迭代優(yōu)化算法。當自動駕駛控制算法在虛擬測試中運行成熟后，便可以進入封閉測試場進行實車路測。大量的實車路測可以真實測試多種復雜交通場景，檢驗和優(yōu)化控制算法，是自動駕駛功能通過驗證必不可少的一環(huán)。

結語

在智能汽車自動駕駛控制技術的發(fā)展中，行為決策方法的研究尤為關鍵。目前，各大智能汽車制造商、人工智能技術企業(yè)、智能硬件制造商都非常重視相關領域的研究。要提升自動駕駛汽車的行為決策能力，可以從基于視覺/激光雷達的智能決策系統(tǒng)、全局/局部路徑規(guī)劃、芯片和算法等幾個方面進行深入研究和優(yōu)化，從而針對不同的智能網(wǎng)聯(lián)汽車應用場景和使用需求，選擇最合適的行為決策方法。

參考文獻：

[1]熊周兵，楊威，丁可，等.基于預瞄模糊控制的自動泊車算法研究[J].重慶理工大學學報（自然科學版），2020（2）：14-22.

[2]李攀，黃江，楊浩，等.基于雙勻速軌跡的自動泊車路徑規(guī)劃研究[J].重慶理工大學學報（自然科學版），2019，31（9）：36-24.

[3]江浩斌，沈崢楠，馬世典.基于雙閉環(huán)滑模結構的自動泊徑跟蹤控制[J].重慶理工大學學報（自然科學版），2019，31（10）：6-11，27.