相信大家對(duì)自動(dòng)駕駛中的感知應(yīng)該很熟悉了，今天我們花點(diǎn)時(shí)間來看看規(guī)劃和控制是怎么玩的。 當(dāng)然傳統(tǒng)的做法是感知，規(guī)劃和控制相對(duì)獨(dú)立的，但是隨著自動(dòng)駕駛的崛起，特別基于深度學(xué)習(xí)的崛起，基于數(shù)據(jù)驅(qū)動(dòng)的算法取得了很廣泛的應(yīng)用。今天我們一起大概回顧一下規(guī)劃和控制的算法設(shè)計(jì)。先來看一張自動(dòng)駕駛的主要算法模塊， 這里主要講規(guī)劃和控制部分。

首先要對(duì)汽車進(jìn)行動(dòng)力學(xué)建模， 汽車具有位置，方向，加速度還有轉(zhuǎn)向角度，當(dāng)然如果考慮摩擦力，

其中規(guī)劃分為路徑規(guī)劃，行為規(guī)劃還有運(yùn)動(dòng)規(guī)劃，參見下圖：

Route Planning：路線規(guī)劃與尋找從給定起點(diǎn)到目的地的最佳全球路線有關(guān)，偶爾會(huì)補(bǔ)充實(shí)時(shí)交通信息，典型算法包括A* 和 Dijkstras，但是他們可擴(kuò)展性不好，必須要有大規(guī)模算法擴(kuò)展算法，這也是目前研究方向之一。

Behavior Planner： 做出臨時(shí)決策以與其他特工正確互動(dòng)并遵守規(guī)則限制，從而產(chǎn)生局部目標(biāo)，例如改變車道，超車或通過交叉路口。利用有限元算法可以用得上。

Motion Planning：生成適當(dāng)?shù)穆窂胶?或動(dòng)作組以實(shí)現(xiàn)局部目標(biāo)，最典型的目標(biāo)是在避免障礙物碰撞的同時(shí)達(dá)到目標(biāo)區(qū)域。

當(dāng)然motion Planing 又可以分為三類：

complete planing：完整的計(jì)劃-在配置空間中的連續(xù)計(jì)劃，空間維數(shù)很大。 一般計(jì)算量超乎目前芯片能力。

Combinatorial Planning： 對(duì)配置空間進(jìn)行精確分解的離散計(jì)劃， 一般會(huì)降低維數(shù)處理。

Sample-Based planning：在空間中采樣以查找無碰撞且鏈接的控件/位置，一般不是完全的解空間，但是計(jì)算復(fù)雜度降了下來。因保證概率完整性而很受歡迎，也就是說，給定足夠的時(shí)間來檢查無限數(shù)量的樣本，如果解存在，將找到解的概率收斂為一個(gè)。

最后我們簡單回顧一下自動(dòng)駕駛里面應(yīng)用到的控制算法部分，簡單分為三個(gè)部分：

PID

我們大學(xué)階段就學(xué)過的PID控制，傳統(tǒng)的控制算法， 比例積分微分控制器：控制回路反饋機(jī)制，廣泛用于工業(yè)控制系統(tǒng)和其他需要連續(xù)調(diào)制控制的應(yīng)用中。當(dāng)然PID控制可以廣泛的應(yīng)用到各個(gè)不同的領(lǐng)域中去。

Model Predictive Control

模型預(yù)測(cè)控制器：控制環(huán)依賴于底層系統(tǒng)模型來生成前饋控制

• 在每個(gè)時(shí)間，通過為預(yù)測(cè)范圍解決開環(huán)優(yōu)化問題來計(jì)算控制
• 應(yīng)用計(jì)算的控制序列的第一個(gè)值
• 在下一步，獲取系統(tǒng)狀態(tài)并重新計(jì)算

MPC在汽車環(huán)境中的使用：牽引控制/制動(dòng)控制/轉(zhuǎn)向/車道保持。

Path/Trajectory tracking

給定運(yùn)動(dòng)計(jì)劃者計(jì)算出的路徑/軌跡，我們使用控件來遵循或“實(shí)現(xiàn)”路徑。路徑/軌跡跟蹤的許多方法：純粹追蹤；AutonoVi；運(yùn)動(dòng)自行車以及模型預(yù)測(cè)控制。

盡管在規(guī)劃算法領(lǐng)域也展示了令人印象深刻的功能，但我們期望在動(dòng)態(tài)環(huán)境中改善實(shí)時(shí)規(guī)劃方面有進(jìn)一步的發(fā)展。最近的相關(guān)研究正在朝著更好地包括機(jī)器人差動(dòng)運(yùn)動(dòng)約束和在重新計(jì)劃的后續(xù)迭代之間保留知識(shí)的有效策略的方向發(fā)展。

在最近幾年中，自主車輛控制領(lǐng)域存在著重大的理論進(jìn)展。但是，許多突破性結(jié)果僅在仿真中進(jìn)行了測(cè)試。確保自治系統(tǒng)嚴(yán)格遵循高層決策流程的意圖至關(guān)重要。基于模型預(yù)測(cè)控制（MPC）的技術(shù)因其靈活性和性能而成為該領(lǐng)域的活躍研究主題。計(jì)算時(shí)間在實(shí)時(shí)應(yīng)用程序中至關(guān)重要，因此模型選擇和MPC問題表述在一個(gè)應(yīng)用程序與另一個(gè)應(yīng)用程序之間會(huì)有所不同。

已經(jīng)表明，車輛協(xié)作可以在感知和計(jì)劃模塊中實(shí)現(xiàn)更好的性能，但是在改善多車輛協(xié)作算法的可伸縮性方面還有很大的進(jìn)步空間。此外，盡管硬件已經(jīng)針對(duì)V2V通信進(jìn)行了標(biāo)準(zhǔn)化，但是尚不存在有關(guān)在車輛之間傳遞哪些信息內(nèi)容的標(biāo)準(zhǔn)。

自動(dòng)駕駛汽車是復(fù)雜的系統(tǒng)。因此，對(duì)于研究人員來說，劃分AV軟件結(jié)構(gòu)并集中于單個(gè)子系統(tǒng)的整體發(fā)展，通過改進(jìn)這些單獨(dú)的子系統(tǒng)來實(shí)現(xiàn)新功能，將更加實(shí)用。自治系統(tǒng)研究中的一個(gè)關(guān)鍵但有時(shí)被忽略的挑戰(zhàn)是所有這些組件的無縫集成，以確保不同軟件組件之間的交互是有意義和有效的。由于整個(gè)系統(tǒng)的復(fù)雜性，很難保證本地過程的總和會(huì)導(dǎo)致系統(tǒng)達(dá)到預(yù)期的最終輸出。平衡系統(tǒng)中各個(gè)流程之間的計(jì)算資源分配也是一個(gè)關(guān)鍵挑戰(zhàn)。認(rèn)識(shí)到自動(dòng)駕駛汽車研究發(fā)展的迅速步伐，我們熱切期望不久的將來將克服上述挑戰(zhàn)，并使自動(dòng)駕駛汽車在城市交通系統(tǒng)中更加普及。