無人駕駛的重要性不言而喻，小編相信在不久的未來，無人駕駛將可再度突破。上篇文章中，小編對無人駕駛的感知層和定位層有所闡述。為增進大家對無人駕駛的了解，小編將對無人駕駛的規(guī)劃層、控制層予以介紹。如果你對無人駕駛具有興趣，不妨繼續(xù)往下閱讀哦。
一、規(guī)劃
1.任務規(guī)劃
無人駕駛規(guī)劃系統(tǒng)的分層結構設計源于2007年舉辦的DAPRA城市挑戰(zhàn)賽，在比賽中多數(shù)參賽隊都將無人車的規(guī)劃模塊分為三層設計：任務規(guī)劃，行為規(guī)劃和動作規(guī)劃，其中，任務規(guī)劃通常也被稱為路徑規(guī)劃或者路由規(guī)劃(Route Planning)，其負責相對頂層的路徑規(guī)劃，例如起點到終點的路徑選擇。
我們可以把我們當前的道路系統(tǒng)處理成有向網(wǎng)絡圖(Directed Graph Network)，這個有向網(wǎng)絡圖能夠表示道路和道路之間的連接情況，通行規(guī)則，道路的路寬等各種信息，其本質(zhì)上就是我們前面的定位小節(jié)中提到的高精度地圖的“語義”部分，這個有向網(wǎng)絡圖被稱為路網(wǎng)圖(Route Network Graph)，如下圖所示：
這樣的路網(wǎng)圖中的每一個有向邊都是帶權重的，那么，無人車的路徑規(guī)劃問題，就變成了在路網(wǎng)圖中，為了讓車輛達到某個目標(通常來說是從A地到B地)，基于某種方法選取最優(yōu)(即損失最小)的路徑的過程，那么問題就變成了一個有向圖搜索問題，傳統(tǒng)的算法如迪科斯徹算法(Dijkstra’s Algorithm)和A*算法(A* Algorithm)主要用于計算離散圖的最優(yōu)路徑搜索，被用于搜索路網(wǎng)圖中損失最小的路徑。
2.行為規(guī)劃
行為規(guī)劃有時也被稱為決策制定(Decision Maker)，主要的任務是按照任務規(guī)劃的目標和當前的局部情況(其他的車輛和行人的位置和行為，當前的交通規(guī)則等)，作出下一步無人車應該執(zhí)行的決策，可以把這一層理解為車輛的副駕駛，他依據(jù)目標和當前的交通情況指揮駕駛員是跟車還是超車，是停車等行人通過還是繞過行人等等。
行為規(guī)劃的一種方法是使用包含大量動作短語的復雜有限狀態(tài)機(Finite State Machine，F(xiàn)SM)來實現(xiàn)，有限狀態(tài)機從一個基礎狀態(tài)出發(fā)，將根據(jù)不同的駕駛場景跳轉到不同的動作狀態(tài)，將動作短語傳遞給下層的動作規(guī)劃層，下圖是一個簡單的有限狀態(tài)機：
如上圖所示，每個狀態(tài)都是對車輛動作的決策，狀態(tài)和狀態(tài)之間存在一定的跳轉條件，某些狀態(tài)可以自循環(huán)(比如上圖中的循跡狀態(tài)和等待狀態(tài))。雖然是目前無人車上采用的主流行為決策方法，有限狀態(tài)機仍然存在著很大的局限性：首先，要實現(xiàn)復雜的行為決策，需要人工設計大量的狀態(tài);車輛有可能陷入有限狀態(tài)機沒有考慮過的狀態(tài);如果有限狀態(tài)機沒有設計死鎖保護，車輛甚至可能陷入某種死鎖。
3.動作規(guī)劃
通過規(guī)劃一系列的動作以達到某種目的(比如說規(guī)避障礙物)的處理過程被稱為動作規(guī)劃。通常來說，考量動作規(guī)劃算法的性能通常使用兩個指標：計算效率(Computational Efficiency)和完整性(Completeness)，所謂計算效率，即完成一次動作規(guī)劃的處理效率，動作規(guī)劃算法的計算效率在很大程度上取決于配置空間(Configuration Space)，如果一個動作規(guī)劃算法能夠在問題有解的情況下在有限時間內(nèi)返回一個解，并且能夠在無解的情況下返回無解，那么我們稱該動作規(guī)劃算法是完整的。
配置空間：一個定義了機器人所有可能配置的集合，它定義了機器人所能夠運動的維度，最簡單的二維離散問題，那么配置空間就是[x， y]，無人車的配置空間可以非常復雜，這取決于所使用的運動規(guī)劃算法。
在引入了配置空間的概念以后，那么無人車的動作規(guī)劃就變成了：在給定一個初始配置(Start Configuration)，一個目標配置(Goal Configuration)以及若干的約束條件(Constraint)的情況下，在配置空間中找出一系列的動作到達目標配置，這些動作的執(zhí)行結果就是將無人車從初始配置轉移至目標配置，同時滿足約束條件。
在無人車這個應用場景中，初始配置通常是無人車的當前狀態(tài)(當前的位置，速度和角速度等)，目標配置則來源于動作規(guī)劃的上一層——行為規(guī)劃層，而約束條件則是車輛的運動限制(最大轉角幅度，最大加速度等)。
顯然，在高維度的配置空間來動作規(guī)劃的計算量是非常巨大的，為了確保規(guī)劃算法的完整性，我們不得不搜索幾乎所有的可能路徑，這就形成了連續(xù)動作規(guī)劃中的“維度災難”問題。目前動作規(guī)劃中解決該問題的核心理念是將連續(xù)空間模型轉換成離散模型，具體的方法可以歸納為兩類：組合規(guī)劃方法(Combinatorial Planning)和基于采樣的規(guī)劃方法(Sampling-Based Planning)。
運動規(guī)劃的組合方法通過連續(xù)的配置空間找到路徑，而無需借助近似值。由于這個屬性，它們可以被稱為精確算法。組合方法通過對規(guī)劃問題建立離散表示來找到完整的解，如在Darpa城市挑戰(zhàn)賽(Darpa Urban Challenge)中，CMU的無人車BOSS所使用的動作規(guī)劃算法，他們首先使用路徑規(guī)劃器生成備選的路徑和目標點(這些路徑和目標點事融合動力學可達的)，然后通過優(yōu)化算法選擇最優(yōu)的路徑。
另一種離散化的方法是網(wǎng)格分解方法(Grid Decomposition Approaches)，在將配置空間網(wǎng)格化以后我們通常能夠使用離散圖搜索算法(如A*)找到一條優(yōu)化路徑。
基于采樣的方法由于其概率完整性而被廣泛使用，最常見的算法如PRM(Probabilistic Roadmaps)，RRT(Rapidly-Exploring Random Tree)，F(xiàn)MT(Fast-Marching Trees)，在無人車的應用中，狀態(tài)采樣方法需要考慮兩個狀態(tài)的控制約束，同時還需要一個能夠有效地查詢采樣狀態(tài)和父狀態(tài)是否可達的方法。后文我們將詳細介紹State-LatticePlanners，一種基于采樣的運動規(guī)劃算法。
二、控制
控制層作為無人車系統(tǒng)的最底層，其任務是將我們規(guī)劃好的動作實現(xiàn)，所以控制模塊的評價指標即為控制的精準度?？刂葡到y(tǒng)內(nèi)部會存在測量，控制器通過比較車輛的測量和我們預期的狀態(tài)輸出控制動作，這一過程被稱為反饋控制(Feedback Control)。
反饋控制被廣泛的應用于自動化控制領域，其中最典型的反饋控制器當屬PID控制器(Proportional-Integral-Derivative Controller)，PID控制器的控制原理是基于一個單純的誤差信號，這個誤差信號由三項構成：誤差的比例(Proportion)，誤差的積分(Integral)和誤差的微分(Derivative)。
PID控制因其實現(xiàn)簡單，性能穩(wěn)定到目前仍然是工業(yè)界最廣泛使用的控制器，但是作為純反饋控制器，PID控制器在無人車控制中卻存在一定的問題：PID控制器是單純基于當前誤差反饋的，由于制動機構的延遲性，會給我們的控制本身帶來延遲，而PID由于內(nèi)部不存在系統(tǒng)模型，故PID不能對延遲建模，為了解決這一問題，我們引入基于模型預測的控制方法。
預測模型：基于當前的狀態(tài)和控制輸入預測未來一段時間的狀態(tài)的模型，在無人車系統(tǒng)中，通常是指車輛的運動學/動力學模型;
反饋校正：對模型施加了反饋校正的過程，使預測控制具有很強的抗擾動和克服系統(tǒng)不確定性的能力。
滾動優(yōu)化：滾動地優(yōu)化控制序列，以得到和參考軌跡最接近的預測序列。
參考軌跡：即設定的軌跡。
下圖表示模型預測控制的基本結構，由于模型預測控制基于運動模型進行優(yōu)化，在PID控制中面臨的控制延時問題可以再建立模型考慮進去，所以模型預測控制在無人車控制中具有很高的應用價值。
以上便是此次小編帶來的“無人駕駛”相關內(nèi)容，通過本文，希望大家對無人駕駛的規(guī)劃層和控制層具備一定的了解。如果你喜歡本文，不妨持續(xù)關注我們網(wǎng)站哦，小編將于后期帶來更多精彩內(nèi)容。最后，十分感謝大家的閱讀，have a nice day!
下載文檔
