智能網(wǎng)聯(lián)汽車自動(dòng)駕駛行為決策方法研究

李坦

摘要：隨著新時(shí)代發(fā)展，人們生活水平不斷提高。汽車自動(dòng)駕駛技術(shù)的進(jìn)步得益于人們對(duì)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(guān)經(jīng)驗(yàn)將有助于自動(dòng)駕駛技術(shù)的發(fā)展。有限的地理?xiàng)l件和典型的使用場(chǎng)景將成為智能汽車自動(dòng)駕駛技術(shù)應(yīng)用的關(guān)鍵突破口。本文從基于視覺/激光雷達(dá)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(gè)方面，對(duì)智能網(wǎng)聯(lián)汽車自動(dòng)駕駛行為決策方法進(jìn)行了探討。

關(guān)鍵詞：智能網(wǎng)聯(lián)汽車;自動(dòng)駕駛;行為決策

引言

電子科學(xué)技術(shù)與汽車機(jī)械工業(yè)的深度結(jié)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(dòng)控制、體系結(jié)構(gòu)和人工智能等多項(xiàng)技術(shù)于一體的產(chǎn)物，是未來汽車發(fā)展的一個(gè)重要方向。近些年，有關(guān)智能汽車自動(dòng)駕駛的研究中都將智能汽車對(duì)復(fù)雜路段的適應(yīng)性和駕駛系統(tǒng)的可靠性作為重點(diǎn)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(shí)現(xiàn)的，需要高額的成本和復(fù)雜的技術(shù)。車路協(xié)同是面向未來的一種自動(dòng)駕駛方案，成本低，但需要通過5G網(wǎng)絡(luò)、高精度地圖的普及和車聯(lián)網(wǎng)、智慧道路的建設(shè)來實(shí)現(xiàn)。人機(jī)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(duì)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(duì)行駛，一個(gè)由多輛智能車組成的車隊(duì)，其中領(lǐng)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(dòng)跟隨領(lǐng)頭車行駛。智能汽車通過接收隊(duì)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(shí)現(xiàn)自動(dòng)行駛。

1智能網(wǎng)聯(lián)汽車自動(dòng)駕駛的簡(jiǎn)述

在當(dāng)前我國(guó)電子科技高速發(fā)展背景下，許多電子科技已經(jīng)應(yīng)用到眾多行業(yè)領(lǐng)域中。汽車作為當(dāng)前社會(huì)人們最重要的出行代步工具之一，對(duì)于電子科技的應(yīng)用也在逐漸完善。隨著我國(guó)人工智能技術(shù)的應(yīng)用逐漸廣泛普及于各個(gè)領(lǐng)域，人們對(duì)于智能汽車的自動(dòng)駕駛需求在不斷增加。隨著基礎(chǔ)技術(shù)的快速更新，汽車智能化水平快速提升，業(yè)界針對(duì)不同的應(yīng)用場(chǎng)景打造出不同級(jí)別（L2到L5）的自動(dòng)駕駛技術(shù)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(yīng)用場(chǎng)景來看，實(shí)現(xiàn)自動(dòng)駕駛的路徑主要有兩種：第一種是單車智能，即通過先進(jìn)的雷達(dá)、攝像頭、慣性導(dǎo)航等傳感器以及高效的算法，實(shí)現(xiàn)自動(dòng)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(shí)現(xiàn)自動(dòng)駕駛功能。在智能網(wǎng)聯(lián)汽車技術(shù)發(fā)展過程中，科研人員一方面追求通過優(yōu)化算法、長(zhǎng)距離的道路測(cè)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(dòng)駕駛方案，如人機(jī)共駕方案。

2智能網(wǎng)聯(lián)汽車自動(dòng)駕駛行為決策方法

2.1基于視覺/激光雷達(dá)的智能決策系統(tǒng)

智能汽車自動(dòng)駕駛車輛控制中，對(duì)于道路狀況的信息識(shí)別與處理是非常重要的。自動(dòng)駕駛系統(tǒng)能夠識(shí)別道路、行人、障礙物、紅綠燈等，其中的環(huán)境感知系統(tǒng)負(fù)責(zé)車輛定位、靜態(tài)/移動(dòng)障礙物檢測(cè)與跟蹤、車道線檢測(cè)與識(shí)別、交通信號(hào)檢測(cè)與識(shí)別等任務(wù)。自動(dòng)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(dá)兩種類型。

基于視覺的智能決策系統(tǒng)當(dāng)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(jī)器學(xué)習(xí)結(jié)合起來，在預(yù)先記錄的地圖的基礎(chǔ)上，通過機(jī)器的自主學(xué)習(xí)進(jìn)行智能決策。特斯拉汽車在行駛中采集數(shù)據(jù)學(xué)習(xí)并與所有特斯拉汽車分享學(xué)習(xí)到的東西，從而實(shí)現(xiàn)類似于人眼睛的方式查看地形然后通過人工智能進(jìn)行分析指導(dǎo)自動(dòng)駕駛汽車做出決策。由于不需要昂貴的激光雷達(dá)，所以基于視覺主導(dǎo)的自動(dòng)駕駛在價(jià)格、能耗等方面占很大優(yōu)勢(shì)，但需要大量的數(shù)據(jù)處理和學(xué)習(xí)，對(duì)于AI算法要求很高。

基于激光雷達(dá)的智能決策系統(tǒng)是當(dāng)前的主流，如傳統(tǒng)主機(jī)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(yù)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(dá)的車輛捕獲繪制的。車輛在自動(dòng)駕駛過程中可以使用自己的激光雷達(dá)探測(cè)到實(shí)際路況，與預(yù)存的高精度地圖進(jìn)行比對(duì)，從而進(jìn)行精確定位和導(dǎo)航，然后在地圖區(qū)域中巡航時(shí)進(jìn)行自動(dòng)控制。這種方法提供了高度的可靠性和可預(yù)測(cè)性，但由于需要配備高精度地圖、激光雷達(dá)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(dòng)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(dǎo)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(huì)在已知環(huán)境中，給自動(dòng)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(zhǔn)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?dǎo)航”功能：輸入出發(fā)地與目的地，APP就會(huì)自動(dòng)規(guī)劃出一條最優(yōu)路徑。這種算法的優(yōu)點(diǎn)是給出的路徑是最優(yōu)的，缺點(diǎn)是計(jì)算復(fù)雜度較高，不能進(jìn)行實(shí)時(shí)校正。局部路徑規(guī)劃，又可稱之為實(shí)時(shí)路徑規(guī)劃。自動(dòng)駕駛汽車在有障礙物的環(huán)境中，會(huì)利用自身傳感器實(shí)時(shí)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(shì)是可以實(shí)時(shí)對(duì)規(guī)劃結(jié)果進(jìn)行反饋與校正，確保了自動(dòng)駕駛車輛始終處于最優(yōu)的駕駛路徑中，缺點(diǎn)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。總體而言，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(dòng)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(dòng)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(luò)：自動(dòng)駕駛汽車的決策系統(tǒng)主要采用神經(jīng)網(wǎng)絡(luò)確定具體的場(chǎng)景并做出適當(dāng)?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(shù)路線對(duì)汽車的決策系統(tǒng)進(jìn)行編程。三是混合路線：結(jié)合了以上兩種決策方式，通過集中性神經(jīng)網(wǎng)絡(luò)優(yōu)化，通過“if-then 規(guī)則”完善?；旌下肪€是最流行的技術(shù)路線。在芯片領(lǐng)域，常用的主流自動(dòng)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(jì)算平臺(tái)，另一種是英偉達(dá)提供的 NVIDIA Drive PX 系列車載計(jì)算平臺(tái)。

訓(xùn)練自動(dòng)駕駛算法主要由模擬仿真和實(shí)車測(cè)試兩種途徑。其中，模擬仿真可以進(jìn)行可重復(fù)、可評(píng)價(jià)的性能測(cè)試，快速迭代優(yōu)化算法。當(dāng)自動(dòng)駕駛控制算法在虛擬測(cè)試中運(yùn)行成熟后，便可以進(jìn)入封閉測(cè)試場(chǎng)進(jìn)行實(shí)車路測(cè)。大量的實(shí)車路測(cè)可以真實(shí)測(cè)試多種復(fù)雜交通場(chǎng)景，檢驗(yàn)和優(yōu)化控制算法，是自動(dòng)駕駛功能通過驗(yàn)證必不可少的一環(huán)。

結(jié)語

在智能汽車自動(dòng)駕駛控制技術(shù)的發(fā)展中，行為決策方法的研究尤為關(guān)鍵。目前，各大智能汽車制造商、人工智能技術(shù)企業(yè)、智能硬件制造商都非常重視相關(guān)領(lǐng)域的研究。要提升自動(dòng)駕駛汽車的行為決策能力，可以從基于視覺/激光雷達(dá)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(gè)方面進(jìn)行深入研究和優(yōu)化，從而針對(duì)不同的智能網(wǎng)聯(lián)汽車應(yīng)用場(chǎng)景和使用需求，選擇最合適的行為決策方法。

參考文獻(xiàn)：

[1]熊周兵，楊威，丁可，等.基于預(yù)瞄模糊控制的自動(dòng)泊車算法研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2020（2）：14-22.

[2]李攀，黃江，楊浩，等.基于雙勻速軌跡的自動(dòng)泊車路徑規(guī)劃研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)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(jié)構(gòu)的自動(dòng)泊徑跟蹤控制[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，31（10）：6-11，27.