智能車避障路徑規(guī)劃建模方法概述

郭泉成

廣州鐵路職業(yè)技術學院 機車車輛學院，廣東廣州，510430

0 引言

在對智能車的研究中，避障路徑規(guī)劃一直都是研究的重點，也是解決汽車交通安全問題的有效方法[1]。美、法、日、德等一些世界發(fā)達國家的研究機構相繼在該研究方向做了一定程度的研究，并取得了許多有價值的研究成果。在中國，智能汽車技術迅速發(fā)展，蔚來汽車、小鵬汽車等造車新勢力，以及搭載華為智能汽車解決方案的北汽極狐，在商用智能汽車避障路徑規(guī)劃技術方面，達到世界先進水平[2]。根據(jù)不同的建模方法，避障路徑規(guī)劃可以分為以神經(jīng)網(wǎng)絡為代表的黑箱建模方法、以模糊邏輯為代表的灰箱建模方法和以最優(yōu)控制理論為代表的白箱建模方法。本文將根據(jù)建模思想的不同進行分類，來闡述智能汽車避障路徑規(guī)劃建模的一些方法。

1 神經(jīng)網(wǎng)絡法為代表的黑箱建模

智能汽車運用在復雜的交通系統(tǒng)中，具有高度的不確定性，智能汽車本身會因為系統(tǒng)的非線性和時變性，導致獲得精準的智能車數(shù)學模型和環(huán)境障礙物模型的可能性基本為零，在理論上來說是不可能完成的事情。研究人員為了建模的便利，在研究時往往提出一些脫離真實工況的線性化假設，以簡化汽車模型，然而當智能汽車工作在非線性區(qū)域時，路徑規(guī)劃時常會失效。

人腦的決策機制，一直以來都是科研的一個重要領域，然而神奇的大腦，卻難以使用精準的數(shù)學模型表達。當智能車使用模仿人類開車決策的技術路線進行智能駕駛技術的開發(fā)時，本質上是模仿人類的駕駛決策，因此，尋找一個能夠盡量逼近人腦的模型，成了重要的研究方向。當我們將人腦在駕駛車輛進行路徑規(guī)劃時視為一個黑箱模型，可以用神經(jīng)網(wǎng)絡的方法進行刻畫。神經(jīng)網(wǎng)絡正是研究人員嘗試對大腦功能進行模擬而提出的一種非線性模型，這個非線性模型是復雜的網(wǎng)絡，由大量的、多層的簡單非線性單元構成。神經(jīng)網(wǎng)絡需要足夠的樣本數(shù)據(jù)，即需要足夠的輸入信號和輸出信號進行深度學習，不斷調整各個非線性單元的權重，本質上，它是一個不依賴模型特征的非線性函數(shù)，其中卷積神經(jīng)網(wǎng)絡是應用最為廣泛的神經(jīng)網(wǎng)絡[3]。正因為神經(jīng)網(wǎng)絡不依賴模型特征，因此對于像避障路徑規(guī)劃這樣具有復雜性、非線性和時變性的系統(tǒng)，用其建模十分合適。智能汽車避障路徑規(guī)劃處理的問題就是，根據(jù)車輛搭載的各類傳感器，獲得車輛本身如速度、加速度、方向角等狀態(tài)信息，道路狀態(tài)、交通標志、行人及其他車輛狀態(tài)等外界環(huán)境信息，在最短的時間內輸出控制車輛運行的油門、剎車、方向盤動作。從函數(shù)的角度，智能汽車避障路徑規(guī)劃可以看作一個狀態(tài)空間到動作空間的映射。因人類駕駛車輛的方法各異、水平不同、風格取向不同，人腦的這種映射關系很難用精確的數(shù)學方程來表達，而理論上可以逼近任意非線性函數(shù)的神經(jīng)網(wǎng)絡，就成了一個十分適用的選擇，然而神經(jīng)網(wǎng)絡不斷逼近人腦映射的過程，需要大量的樣本和學習過程，比較費時。

一些深度學習方法已經(jīng)被應用到自主駕駛任務中，而端到端的深度神經(jīng)網(wǎng)絡可以大大簡化自主駕駛算法的設計，這已經(jīng)引起了學術界和工業(yè)界越來越多的關注。文獻[4]使用NVIDIA DevBox和Torch 7來訓練一種端到端的卷積神經(jīng)網(wǎng)絡（CNN）。前端為前置攝像頭，攝像頭采集的像素信號作為神經(jīng)網(wǎng)絡的輸入端。后端通過神經(jīng)網(wǎng)絡直接輸出控制指令。實驗表明，這種端到端的方法非常有效，經(jīng)過一定的訓練，不僅可以在有標線的車道上行駛，還可以在沒有車道線的高速公路上行駛。常見的端到端神經(jīng)網(wǎng)絡是單模任務，為了克服這個缺點，文獻[5]介紹了一種使用多模式任務的學習方法。與單模神經(jīng)網(wǎng)絡相比，用MTL（Multi-Modal Multi Task Learning）訓練的模型具有更好的駕駛性能。為了驗證實驗算法，作者建立了一個1/10比例的模型車，并通過模型車試驗訓練了幾個模擬人腦的神經(jīng)網(wǎng)絡來控制汽車的轉向角和行駛速度。實驗結果表明，在各種工況下，參數(shù)較少的多模態(tài)多任務學習（MTL）訓練模型都能與單任務訓練的網(wǎng)絡相匹配，甚至超過單任務訓練的網(wǎng)絡。

文獻[6]設計了一種基于視覺特征提取的強化學習自動駕駛系統(tǒng)，在提取關鍵信息的基礎上，采用強化學習算法進行自動駕駛訓練。基于仿真平臺的測試結果表明，該文設計的自動駕駛系統(tǒng)不僅能夠完成車道保持任務，而且具有良好的泛化能力，改變路況后，車輛仍能正常行駛。文獻[7]提出了一種結合神經(jīng)網(wǎng)絡和模糊邏輯的路徑規(guī)劃算法，該算法充分發(fā)揮了神經(jīng)網(wǎng)絡和模糊理論的優(yōu)點，一方面可以像神經(jīng)網(wǎng)絡一樣映射，另一方面可以處理模糊信息。

然而，在神經(jīng)網(wǎng)絡學習和訓練過程中，逼近人腦模型需要大量的樣本和較長的時間。同時，它高度依賴于計算機的計算速度，對硬件平臺有很高的要求。

2 模糊邏輯算法為代表的灰箱模型

模糊邏輯算法將人腦建模為灰箱模型，與神經(jīng)網(wǎng)絡算法相比，模糊邏輯算法對人腦進行了一定程度的描述，這種描述是基于專家經(jīng)驗的模糊推理規(guī)則表。模糊邏輯與布爾邏輯相比，通過引入隸屬度的概念改變非此即彼的二元布爾邏輯，在一定程度上接近于人腦的決策機制。與精確地將路徑規(guī)劃作為數(shù)學模型進行建模的方法不同，模糊邏輯不需要依賴于精確的傳感器信息，因此可以大大提高算法的適應能力。模糊語言核心內容是模糊規(guī)則[8]，將模糊邏輯算法運用在智能車局部路徑規(guī)劃，其核心是根據(jù)人的駕駛經(jīng)驗得出符合實際需求的模糊控制規(guī)則表；根據(jù)傳感器收集到的環(huán)境信息和車輛狀態(tài)信息，經(jīng)過模糊化處理，根據(jù)模糊控制規(guī)則表，做出模糊決策，即可輸出可行的規(guī)劃路徑。因為模糊邏輯算法本身就會對傳感器信息進行模糊化處理，因此傳感器的精度不再是限制算法的指標，擺脫了車輛定位精度、環(huán)境信息和傳感器精度的依賴。不過在障礙物較多的時候，模糊邏輯算法存在計算量較大的問題，會影響規(guī)劃速度和實時性。

文獻[9]提出的模糊邏輯路徑規(guī)劃方法，主要解決了傳感器限制下，未知環(huán)境下的路徑規(guī)劃問題，模糊邏輯路徑規(guī)劃器由避障行為，目標導向行為和模糊行為監(jiān)督器組成，實驗表明，算法能夠在未知環(huán)境下規(guī)劃路徑。常規(guī)的模糊邏輯算法可能出現(xiàn)死鎖的情況，文獻[10]提出的基于模糊邏輯的智能車局部路徑規(guī)劃算法，改進了常規(guī)針對模糊邏輯在智能車局部路徑規(guī)劃中存在的問題，巧妙設計多次轉動避障的策略，避免智能車出現(xiàn)死鎖的情況，優(yōu)化智能車的路徑規(guī)劃；文獻[11]選擇合理的隸屬度函數(shù)，進一步模糊處理傳感器信息，再結合人的駕駛經(jīng)驗，建立知識庫，形成模糊推理規(guī)則表，設計Kenblock的模糊邏輯控制器，同時給出了路徑規(guī)劃死循環(huán)的策略。文獻[12]通過使用模糊邏輯，改進粒子群算法，傳統(tǒng)的粒子群算法計算速度快，尋找解的過程簡單，但是經(jīng)常陷入局部最優(yōu)解，作者通過引入模糊邏輯防止系統(tǒng)陷入局部最優(yōu)，同時加快了算法的收斂速度。

模糊邏輯能夠一定程度上描述了人腦的決策過程，相比于神經(jīng)網(wǎng)絡黑箱建模，不需要大量的樣本收集和深度學習時間，成本較低；但模糊邏輯模糊化處理傳感器信息需要選擇合適的隸屬度函數(shù)，這個函數(shù)的選擇是否合理存在較大的可靠性驗證風險，采用人的駕駛經(jīng)驗作為重要的推理規(guī)則，若要覆蓋各種各樣的工況，需要形成大規(guī)模的知識庫，這些都是模糊邏輯算法需要解決的問題。

3 最優(yōu)控制算法為代表的白箱模型

雖然智能汽車是一個復雜的、非線性、時變的系統(tǒng)，但是在大部分的運行工況中，使用數(shù)學模型建模求解的規(guī)劃路徑能夠適用。最優(yōu)控制方法的基本思想是：在可接受的范圍內，通過一些假設和條件的理想化，使用數(shù)學模型將物理模型進行表達。具體到智能車路徑規(guī)劃問題，則是通過一定程度的假設，簡化表達為數(shù)學模型，然后根據(jù)需求和約束條件，建立最優(yōu)控制目標，進而選擇合適的方法進行求解。優(yōu)化問題的數(shù)學模型，包括兩個要素：目標函數(shù)和約束條件。使用最優(yōu)控制對路徑規(guī)劃問題進行建模時，又分為兩個部分：數(shù)學模型的建立和求解。大量的研究人員對此展開了較多的研究，不同研究人員選擇了不同的障礙物建模方法，比如人工勢場法、柵格圖法和幾何刻畫法。

（1）人工勢場法。人工勢場法是路徑規(guī)劃研究中運用較多的方法，其核心思想是將車輛所處環(huán)境要素建模為一個引力場，而不同的障礙物、道路等可視為不同的引力場，然后以過程中勢能最小為性能目標規(guī)劃最優(yōu)路徑。傳統(tǒng)人工勢場法存在兩個問題：①將智能車視為質點，沒有充分考慮車輛的動力學約束；②容易陷入局部最小值[13]。為了克服第一個問題，Amir Khajepour等人[14]導入了車輛動力學約束，提出了一種模型預測路徑規(guī)劃控制器，結合了人工勢場法和最優(yōu)控制法的優(yōu)點，取得了良好效果。為了克服陷入局部最小值的問題，不同研究人員給出了不同的解決方案，比如選擇更優(yōu)的勢場公式[15]，使用人工協(xié)調場[16]，增加隨機逃逸設計[17]，引入啟發(fā)式搜索方法[18]等方法克服。然而人工勢場法存在如何合理選擇勢場模型的問題，不同的勢場選擇會得出不同的求解結果，因此，人工勢場法的求解結果難以界定為最優(yōu)解，只能算是一個假設條件下的可行解。

（2）柵格圖法。柵格圖法的本質是柵格化的地圖。根據(jù)傳感器檢測到的車道線、靜態(tài)障礙物、動態(tài)障礙物等，賦予這些元素所在位置一個值，最簡單的柵格法，便是對這些柵格賦值為0或1?？蛇x擇0作為可通行區(qū)域，1作為障礙物占領的區(qū)域，將路徑規(guī)劃問題轉化為尋找最短的起點到終點的連續(xù)0值柵格組合。復雜一點的柵格圖，每個柵格的權重不一定是二元的，可以是0～1之內的連續(xù)量，最優(yōu)路徑即為所有經(jīng)過的柵格權重值之和最小的路徑。比如虛線道路就是盡量不能侵占的柵格，但是這并不意味著虛線不能跨越，因此簡單地對道路虛線柵格賦值0或1都是不可行的，因此尋找一個合適的中間值，關乎求解的優(yōu)化程度。除了柵格圖的權重之外，柵格圖的像素也是一個重要的指標。每一個柵格的尺寸越細，柵格的像素越高，對環(huán)境信息的建模能力越強，但這也會帶來一個隱患，那就是增加了存儲空間，降低調用速度；相應地，每一個柵格的尺寸越大，柵格的像素越低，對環(huán)境的建模能力越弱，犧牲精度，但是帶來了一個好處，那就是能夠降低存儲空間，提高運算速度。

文獻[19]在采用柵格圖建模環(huán)境信息的基礎上，模擬螞蟻行為規(guī)則，搜索可行道路，完成路徑規(guī)劃。文獻[20]為了解決路徑規(guī)劃問題中的障礙物陷阱，以柵格圖為基礎，合成對變形對障礙物進行建模。對于柵格圖的優(yōu)化方法眾多，文獻[21]結合柵格圖、勢場法和蟻群算法，可以克服傳統(tǒng)蟻群算法收斂較慢的問題，又能夠避免單純人工勢場法帶來的局部最優(yōu)解問題。

（3）幾何刻畫法。幾何刻畫法是最樸素的建模思想。道路類型眾多，障礙物形狀各異，幾何刻畫法通過幾何圖形對其建模，選擇不同的幾何模型帶來不同的適應性和復雜性。比如有研究人員選擇使用面積法[22]，有選擇P準則建模多邊形的方法[23-24]、基于雙曲函數(shù)的車庫幾何近似法[25]等。通過幾何刻畫法對障礙物和道路建模，實際上表達的是邊界，邊界之內是不可行區(qū)域，邊界之外則是可行區(qū)域，因此這種建模方法會產(chǎn)生大量的數(shù)學不等式模型，在優(yōu)化問題中屬于約束范疇。文獻[25]使用栓曲線函數(shù)表達車庫，統(tǒng)一了側方位停車和垂直車位停車的求解；而基于P準則的函數(shù)，理論上講，可以近似大多數(shù)封閉圖形，具有廣闊的運用前景和適應能力，但函數(shù)參數(shù)中包含了高次冪和高次開方，使用其對障礙物進行模型建立可能導致更為困難的數(shù)值求解過程。

4 結語

智能車避障路徑規(guī)劃是自動駕駛技術的重要環(huán)節(jié)，選擇合適的建模方法關系到路徑規(guī)劃器的速度和適應能力。本文嘗試總結不同的建模思想，分別整理了將路徑規(guī)劃視為黑箱的神經(jīng)網(wǎng)絡方法、灰箱的模糊邏輯方法以及白箱的最優(yōu)控制算法。最優(yōu)控制算法求解精準，但在復雜時變系統(tǒng)中可能失效；模糊邏輯算法可以降低傳感器精度要求，但在障礙物較多時存在實時性不強的問題；展望未來，神經(jīng)網(wǎng)絡若能優(yōu)化機器學習方法，減少學習時間，將成為最具潛力的解決方案。