自动驾驶系统是集环境感知、决策控制和动作执行于一体的综合系统。系统的重要组成部分。本文着重分析了自动驾驶决策控制的相关技术，并探讨了未来的发展方向。自动驾驶系统简介一般来说，自动驾驶系统可以分为感知层、决策层和执行层。感知层感知层定义为对环境信息和车内信息的采集和处理，涉及道路边界检测、车辆检测、行人检测等多项技术，可以认为是一种先进的传感器技术，使用的传感器包括激光雷达、摄像头、毫米波雷达、超声波雷达、速度和加速度传感器等，由于单个传感器的感知能力有限，无法满足各种工况下的精准感知。要实现自动驾驶汽车在各种环境下的平稳运行，需要使用多传感器融合技术，这也是感知层的关键技术。决策层决策层可以理解为根据感知信息进行决策和判断，确定合适的工作模式，制定相应的控制策略，代替人类驾驶员进行驾驶决策。这部分的作用类似于给自动驾驶汽车分配相应的任务。例如，在车道保持、车道偏离预警、车距保持、障碍物预警等系统中，需要预测本车及未来遇到的其他车辆、车道、行人等的状态。高级决策理论包括模糊推理、强化学习、神经网络和贝叶斯网络技术等。由于人类在驾驶过程中面临的路况和场景多种多样，并且不同的人针对不同的情况有不同的驾驶策略，因此优化人-像驾驶决策算法需要非常完整和高效的人工智能模型和大量的有效数据。这些数据需要尽可能涵盖各种罕见的路况，这也是发展驾驶决策的最大瓶颈。执行层执行层是指系统在做出决策后，根据决策结果对车辆进行控制。车辆的各个控制系统需要能够通过总线与决策系统相连接，能够根据总线发出的指令准确控制加速、制动、转向范围、灯光控制等驾驶动作。决策系统，从而实现车辆的自主驾驶。图1自动驾驶系统简介决策控制系统介绍传统上，自动驾驶系统的决策控制软件系统包括环境预测、行为决策、行动规划、路径规划等功能模块。环境预测模块环境预测模块是决策规划控制模块上游的直接数据之一。其主要功能是预测感知层识别出的物体的行为，并将预测结果转化为时空维度的轨迹传递给后续模块。.通常，感知层输出的物体信息包括位置、速度、方向等物理属性。使用这些输出的物理特性，可以对物体进行“瞬时预测”。环境预测模块并不局限于结合物理规律对物体进行预测，而是可以结合物体与周围环境以及积累的历史数据信息，对感知物体进行更“宏观”的行为预测。例如图2，通过识别行人在人行道上的历史运动，预测行人可能在人行道上过路口，通过车辆的历史轨迹可以判断在路口右转.图2环境预测示意图行为决策模块行为决策模块在整个自动驾驶决策规划控制软件系统中扮演着“副驾驶”的角色。这一层汇集了车辆所有重要的周边信息，不仅包括自动驾驶汽车自身的实时位置、速度和方向，还包括车辆周围一定距离内的所有相关障碍物信息和预测轨迹.行为决策层需要解决的问题是在知道这些信息的基础上，决定自动驾驶汽车的行驶策略。由于需要考虑多种不同类型的信息，行为决策问题往往难以用单一的数学模型来解决，而应利用软件工程的一些先进概念来设计规则引擎系统。例如在DARPA的挑战赛中，斯坦福的无人车系统采用了一系列成本设计和有限状态机来设计无人车的轨迹和控制指令。现阶段，马尔可夫决策过程的模型也开始越来越多地应用于自动驾驶系统行为层面的决策算法实现中。总之，行为决策层需要结合环境预测模块的结果输出宏观决策指令，供后续规划模块更具体地执行。行动规划模块自动驾驶车辆规划模块包括两部分：行动规划和路径规划。动作规划模块主要是规划短期甚至是瞬间的动作，比如转弯、避障、超车等动作；而路径规划模块则是对车辆的行驶路径进行长时间的规划，比如从起点到终点。路线设计或选择。自动驾驶系统的设计思路是建立几种驾驶状态，通过不同的条件触发驾驶状态的切换。这种设计思路在切换过程中存在着平滑性差的问题。在实际系统设计过程中，主要采用将道路上真实和非真实物体描述为虚拟粒子的方法来增强车辆的平顺性。其中，真实目标主要指车辆、行人等因素；非真实目标包括限速、红灯、停车位、道路曲率、天气状况等。基于虚拟粒子模型的方法的优点是算法模型统一，有效避免了车辆加速和传统控制算法中由目标或控制模式切换引起的减速跳跃。路径规划模块自动驾驶汽车的路径规划模块是指在给定自动驾驶汽车的起点和目标点的基础上，根据性能指标规划一条无碰撞且安全到达目标点的有效路径。环境模型。路径规划主要包括两个步骤：建立包括障碍区和自由区的环境地图，在环境地图中选择合适的路径搜索算法，实时快速搜索可行驶路径。路径规划的结果对车辆起到导航作用，引导车辆从当前位置到达目标位置。环境地图表示方法主要分为度量地图表示、拓扑地图表示等。发展趋势人工智能机器学习、深度神经网络、网络通信等技术的发展，进一步丰富了自动驾驶汽车发展的技术路径，也推动了自动驾驶技术从单一的原型车演示发展到一定的应用能力和自动驾驶。典型交通场景定向开发。人工智能人工智能是研究和开发模拟、延伸和扩展人类智能的理论、方法、技术和应用系统的一门新的技术科学。它旨在探索智能的本质，生产出一种能够以类似于人类智能的方式做出反应的新型智能机器。其重要的应用领域之一是自动驾驶。主要目标是让自动驾驶汽车具备一定的自我学习能力，对简单的交通环境形成记忆认知。现阶段，人工智能技术在自动驾驶汽车领域的应用主要体现在以下几个方面。1、实现对环境物体的识别和认知利用多眼视觉、激光雷达、毫米波雷达等传感器设备和识别算法，可以实现对实际道路环境中多曲面物体的准确识别。同时，融入深度学习技术后，可以对每个物体的三维空间大小和特征信息形成迭代分类，从而使自动驾驶汽车具备识别和识别各种环境物体的能力。2、实现可行驶区域的检测。采用先进的基于传感器的地图采集技术，可以提取详细的道路标线（路标、标线、信号灯等）和高精度位置（经度、纬度、高度等）等信息，实现自动化。驾车提取道路平面特征，同时基于深度学习，实现对道路可行驶区域和不可行驶区域的认知识别。3、实现行车路径的规划和决策。决策规划处理是人工智能技术在自动驾驶中的另一个重要应用场景。现阶段主流的人工智能方法包括状态机、决策树和贝叶斯网络。随着深度学习和增强学习技术的发展，已经实现了复杂工况的决策和在线优化学习。由于实际道路中影响行车路径规划的因素较多，必然会占用较多的计算资源。为了提高计算效率，日本研究人员提出了“安全场”的研究思路，即形成典型的交通场景作为深度学习神经网络的输入，从而提高自主驾驶的决策效率车辆，提高路径规划能力。图3.基于机器学习的非结构化道路检测框架。智能网联结合通信技术的发展，利用车与车、车与路、车与人、车与云之间的实时通信技术，可以为未来的人工智能技术提供保障。数据、计算、算法三大要素在自动驾驶技术应用过程中提供了进一步的支持，也可以针对多车型、多场景智能驾驶的需求，为协同驾驶面临的问题提供解决方案。集团智能驾驶系统。基于智能网联的车云协同自动驾驶系统具体架构如下图4所示。图4基于人工智能的车云协同自动驾驶系统建设方案示意图。架构方案分为基于AI的自动驾驶智能终端和基于大数据分析的自动驾驶云系统两部分，共同构成一个复杂的、精准感知的环境。,车云协同一体化自动驾驶系统的交通智能决策与驾驶控制优化执行。在不同的驾驶工况和应用场景下，车云协同技术可以实现准确的驾驶环境感知、智能的交通决策和优化的驾驶行为控制，实现车端与云端的信息数据交互和协同。基于智能网联的自动驾驶系统车云协同技术主要解决多源异构数据融合不充分和前端设备计算能力不足的问题，即车身传感器节点的采样数据（如GPS/INS数据、毫米波雷达数据）和多媒体数据（如摄像头图像）以一定的频率传输到云端数据库，同时进行在线处理、离线处理、溯源处理和复杂数据分析时间。并基于人工智能集成应用算法的智能驾驶控制模型，为车辆决策提供可靠、高效的协同控制方案。人工智能算法应用技术云平台是自动驾驶云系统的核心部分。它结合机器学习、数据挖掘等相关技术，对感知融合信息进行分析，为车辆控制规划提供决策依据。并利用虚拟化技术和网络技术，整合大规模可扩展的计算、存储、数据、应用等分布式计算资源，完成人工智能模型算法的学习和训练，实现人工智能模型在云端的训练，并使用将车云协同技术部署在嵌入式平台上，使人工智能算法能够在车辆自动驾驶系统中得到深度应用。目前，网络技术在自动驾驶领域的应用主要集中在信息服务和顶层监控方面。通过智能网联技术路线实现高度自动驾驶，仍需解决信息安全、传输时延、网络覆盖等难题，才能真正落地应用。智能计算平台自动驾驶汽车正逐渐从代步工具向新型移动智能终端转变。车辆功能和属性的变化导致其电气电子架构的变化，进而需要更强大的计算、数据存储和通信能力作为基础。车载智能计算平台是满足上述需求的重要解决方案。车载智能计算平台主要功能是以环境感知数据、导航定位信息、车辆实时数据、云智能计算平台数据等V2X交互数据为输入，以环境感知为核心，定位、智能规划与决策、车辆运动控制等。控制算法，输出行驶、传动、转向和制动等执行控制指令，实现车辆的自动控制，并向云端智能计算平台和V2X设备输出数据，还可以实现车辆行驶信息的人机交互通过人机交互界面。相互影响。
