自動駕駛能否識別障礙物的能力與環(huán)境感知同等重要，如何安全有效的規(guī)劃行駛路線，是自動駕駛汽車需解決的最大的難題之一。事實上，路徑規(guī)劃技術(shù)，現(xiàn)階段是一個非常活躍的研究領(lǐng)域。路徑規(guī)劃之所以如此復(fù)雜，是因為其涵蓋了自動駕駛的所有技術(shù)領(lǐng)域，從最基礎(chǔ)的制動器，到感知周圍環(huán)境的傳感器，再到定位及預(yù)測模型等等。準(zhǔn)確的路徑規(guī)劃，要求汽車要理解我們所處的位置以及周邊的物體（其他車輛、行人、動物等）會在接下來的幾秒鐘內(nèi)采取什么樣的行為。

首先來說一下三個名詞：路徑規(guī)劃、避障規(guī)劃、軌跡規(guī)劃

路徑規(guī)劃通常指全局的路徑規(guī)劃，也可以叫全局導(dǎo)航規(guī)劃，從出發(fā)點到目標(biāo)點之間的純幾何路徑規(guī)劃，無關(guān)時間序列，無關(guān)車輛動力學(xué)。

避障規(guī)劃又叫局部路徑規(guī)劃，又可叫動態(tài)路徑規(guī)劃，也可以叫即時導(dǎo)航規(guī)劃。 主要是探測障礙物，并對障礙物的移動軌跡跟蹤（ Moving Object Detection and Tracking ，一般縮寫為MODAT）做出下一步可能位置的推算，最終繪制出一幅包含現(xiàn)存碰撞風(fēng)險和潛在碰撞風(fēng)險的障礙物地圖，這個潛在的風(fēng)險提示是100毫秒級，未來需要進一步提高，這對傳感器、算法的效率和處理器的運算能力都是極大的挑戰(zhàn)，避障規(guī)劃不僅考慮空間還考慮時間序列，在復(fù)雜的市區(qū)運算量驚人，可能超過30TFLOPS，這是無人車難度最高的環(huán)節(jié)。未來還要加入V2X地圖，避障規(guī)劃會更復(fù)雜，加入V2X地圖，基本可確保無人車不會發(fā)生任何形式的主動碰撞。

軌跡規(guī)劃則源自機器人研究，通常是說機械臂的路徑規(guī)劃。 在無人車領(lǐng)域，軌跡規(guī)劃的定義感覺不統(tǒng)一。有人將避障規(guī)劃與軌跡規(guī)劃混淆了。軌跡規(guī)劃應(yīng)該是在路徑規(guī)劃和避障規(guī)劃的基礎(chǔ)上，考慮時間序列和車輛動力學(xué)對車輛運行軌跡的規(guī)劃，主要是車縱向加速度和車橫向角速度的設(shè)定。將設(shè)定交給執(zhí)行系統(tǒng)，轉(zhuǎn)向、油門、剎車。如果有主動懸掛，那么軌跡規(guī)劃可能還要考慮地形因素。

三大規(guī)劃是無人車最復(fù)雜的部分，算法多不勝數(shù)，讓人眼花繚亂，這也是百度、谷歌和蘋果科技巨頭要切入無人車領(lǐng)域的主要原因，這些科技巨頭最擅長的就是算法的優(yōu)化整合。當(dāng)然傳統(tǒng)車廠如福特和豐田，擁有對車輛動力學(xué)的絕對優(yōu)勢，在此領(lǐng)域?qū)嵙Σ⒉槐瓤萍季揞^要差，尤其是豐田，從開源 SLAM到KITTI，軟件實力絲毫不次于谷歌。

對于全局型路徑規(guī)劃不算復(fù)雜，前提是有拓?fù)浼壍貓D，這對地圖廠家來說很容易的。對于非地圖廠家是有點麻煩的，不過只能算小麻煩。

今天我們重點了解一下避障規(guī)劃，避障規(guī)劃的前提是對周圍環(huán)境有深刻的理解，有一個非常完善實時的環(huán)境理解。

在此之前不得不先要理解無人駕駛避障的含義，很明顯我們根據(jù)無人駕駛避障的過程，可以將無人駕駛避障分成三個方面：

1．運動障礙物檢測：對運動過程中環(huán)境中的運動障礙物進行檢測，主要由車載環(huán)境感知系統(tǒng)完成。

2．運動障礙物碰撞軌跡預(yù)測：對運動過程中可能遇到的障礙物進行可能性評級與預(yù)測，判斷與無人駕駛車輛的碰撞關(guān)系。（當(dāng)你檢測到障礙物后，你就得讓機器判斷是否會與汽車相撞）

3．運動障礙物避障：通過智能決策和路徑規(guī)劃，使無人駕駛車輛安全避障，由車輛路徑?jīng)Q策系統(tǒng)執(zhí)行。（判斷了可能會與汽車發(fā)生碰撞的障礙物后，你就得去讓機器做出決策來避障了）

運動障礙物檢測方法

運動障礙物檢測根據(jù)他們的sensor主要分成兩類：

一種是基于激光雷達和毫米波雷達的

一種是基于立體視覺的

運動障礙物碰撞軌跡預(yù)測

這一部分與障礙物的檢測識別分不開的。無人車的感知系統(tǒng)需要實時識別和追蹤多個運動目標(biāo)（Multi－ObjectTracking，MOT），例如車輛和行人。

物體識別是計算機視覺的核心問題之一，最近幾年由于深度學(xué)習(xí)的革命性發(fā)展，計算機視覺領(lǐng)域大量使用CNN，物體識別的準(zhǔn)確率和速度得到了很大提升，但總的來說物體識別算法的輸出一般是有噪音的：物體的識別有可能不穩(wěn)定，物體可能被遮擋，可能有短暫誤識別等。自然地，MOT問題中流行的Tracking－by－detection方法就要解決這樣一個難點：如何基于有噪音的識別結(jié)果獲得魯棒的物體運動軌跡。

運動障礙物的避障本質(zhì)上它是一個路徑規(guī)劃的過程：在路段上有未知障礙物的情況下，按照一定的評價標(biāo)準(zhǔn)，尋找一條從起始狀態(tài)到目標(biāo)狀態(tài)的無碰撞路徑。

預(yù)測

預(yù)測模塊的作用是對感知所探測到的物體進行行為預(yù)測，并且將預(yù)測的結(jié)果具體化為時間空間維度的軌跡傳遞給下游模塊：行為決策模塊。然后行為決策模塊結(jié)合路由尋徑模塊從而進行行為決策。

這些選擇就是結(jié)合高精地圖的全局規(guī)劃，然后再通過汽車周邊傳感器感知的信息進行局部規(guī)劃，從而判斷汽車是否右轉(zhuǎn)、直行or并道。