本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

自動駕駛技術在應用到車輛上之后可以通過提高吞吐量來緩解道路擁堵，通過消除人為錯誤來提高道路安全性，并減輕駕駛員的駕駛負擔，從而提高工作效率和休息時間等諸多好處。在過去的30年間，隨著傳感器和技術的進步使得必要硬件的規模和價格不斷減小，在工業界和學術界對于自動駕駛汽車技術的研究力度穩步加大，目前已經取得了諸多的實質性進步。

因此，本文旨在概述自動駕駛汽車軟件系統領域的最新發展。本文回顧了自動駕駛汽車軟件的基本組成部分，并討論了各個領域的最新發展。自動駕駛汽車軟件系統的核心能力大致可分為三類，即感知、規劃和控制，這些能力與車輛與環境的交互如下圖所示。此外，可以利用車對車 (V2V) 通信，通過車輛協作進一步改善感知以及規劃領域。

自動駕駛汽車軟件和硬件的基本組成部分

通過上圖可以看出，自動駕駛汽車的軟件主要包括感知，規劃和控制三個大方向。

• 感知：感知是指自主系統從環境中收集信息和提取相關知識的能力。環境感知是指發展對環境的情境理解，例如障礙物的位置、道路標志以及標記的檢測以及根據語義對數據進行分類。定位是指自動駕駛汽車確定其相對于環境的位置的能力。
• 規劃：規劃是指為了實現自動駕駛汽車更高階的目標而做出有目的的決策的過程，通常是將車輛從起始位置帶到目標位置，同時避開障礙物并優化設計的啟發式方法。
• 控制：控制能力是指自動駕駛汽車執行由更高級別流程生成的計劃動作的能力。

文章鏈接：https://www.mdpi.com/2075-1702/5/1/6

感知部分

環境感知

環境感知是自動駕駛汽車的一項基本功能，它為汽車提供有關駕駛環境的重要信息，包括可自由駕駛區域和周圍障礙物的位置、速度，甚至未來狀態的預測。一般而言自動駕駛汽車上都會配置激光雷達、攝像頭、毫米波雷達、超聲波雷達等信息采集傳感器來實現更高效、準確的周圍環境感知。無論采用哪種傳感器，感知任務的兩個關鍵要素是路面提取和道路物體檢測。

激光雷達傳感器

激光雷達是一種光檢測和測距設備，它以精心設計的模式每秒發送數百萬個光脈沖。借助其旋轉軸，它能夠創建環境的動態三維地圖。激光雷達是大多數現有自動駕駛汽車物體檢測的核心。下圖顯示了3D激光雷達的理想檢測結果，所有移動物體均被識別。

3D激光雷達檢測到所有移動物體的理想檢測結果

在真實場景中，激光雷達返回的點從來都不是完美的。處理激光雷達點的困難在于掃描點稀疏、缺失點和無組織的模式。周圍環境也給感知帶來了更多挑戰，因為表面可能是任意和不穩定的。有時甚至很難從掃描點的可視化中感知到有用的信息。激光雷達的輸出是從物體反射回來的稀疏3D點，每個點代表物體相對于激光雷達的3D位置。點的三種主要表示形式通常包括點云、特征和網格。因此，很多學術界的算法都在研究如何實現對于點云特征的更準確表達。

為了要感知3D點云信息，通常涉及兩個步驟：分割和分類。有些可能包括第三步，即在時間維度上的積分，以提高準確性和一致性。點云的分割是將點進行聚類的過程，而分類是識別分割的點群的類別，例如自行車、汽車、行人、路面等。3D點云分割算法可分為五類：基于邊緣、基于區域、基于屬性、基于模型和基于圖的各類算法。但隨著如今技術的快速發展和迭代，又出現了基于深度學習算法的類別。

在進行點云的分割之后，每個點云簇需要分類為不同的對象類別。每個點云簇中嵌入的信息主要來自空間關系和點的激光雷達強度，這在對象識別中的用途非常有限。因此，大多數算法將通過一些融合機制來實現視覺檢測問題。

視覺

自動駕駛汽車環境感知中的視覺系統通常涉及道路檢測和道路物體檢測。道路檢測也包括兩類：車道線標記檢測和路面檢測。

• 車道線標記檢測：車道線標記檢測是識別道路上的車道線標記并估計車輛相對于檢測到車道線的姿態。這條信息可以作為車輛位置反饋給車輛控制系統。近年來，人們在這個領域進行了大量的研究工作，并取得了較為不錯的成績。
• 路面檢測：路面檢測可告知自動駕駛汽車可在不發生碰撞的情況下行駛的自由空間位置。這是任何在線路徑規劃和控制操作的先決條件。一般來說，方法可分為三類：基于特征、線索的檢測、基于特征、線索的學習和深度學習。

對這部分感興趣的讀者可以在論文原文的第2.1.2小節中找到相關的學術論文和研究成果。

傳感器融合

不同的傳感器各有優缺點。需要傳感器融合技術才能充分利用每個傳感器的優勢。在自動駕駛汽車環境感知方面，激光雷達能夠進行3D 測量，并且不受環境照明的影響，但它提供的物體外觀信息很少；相反，攝像頭能夠提供豐富的外觀數據，其中包含有關物體的更多細節，但其性能在不同照明條件下并不一致；此外，攝像頭不會隱式提供3D信息。考慮到上述的問題，目前基于工業界和學術界對于各類傳感器融合算法開展了大量的研究并且取得了諸多出色的研究進展。相關的學術論文及研究成果可以詳見論文原文的第2.1.3小節。

定位

定位是確定自車姿態并測量其自身運動的問題。這是實現自動駕駛的基本能力之一。然而，確定車輛的準確姿態（位置和方向）通常很困難，因此定位問題通常被表述為姿態估計問題。估計自車姿態的問題通常可以分為兩個子問題，即姿態固定問題和航位推算問題。在姿態固定問題中，測量值與姿態通過代數或者超越方程相關聯。姿態固定需要能夠根據姿態（例如地圖）預測測量值。在航位推算問題中，狀態與觀察值通過一組微分方程相關聯，并且必須將這些方程積分才能導航。在這種情況下，傳感器測量值不一定可以從給定的姿態推斷出來。從這個意義上講，姿態固定和航位推算相輔相成。

在定位問題上目前也有諸多的解決方案，定位車輛的最流行方法之一是衛星導航系統和慣性導航系統的融合。衛星導航系統，如GPS可以定期定位車輛的全球位置。它們的精度可以從幾十米到幾毫米不等，具體取決于信號強度和所用設備的質量。慣性導航系統使用加速度計、陀螺儀和信號處理技術來估計車輛的姿態，不需要外部基礎設施。然而，如果不添加其他傳感器，慣性導航系統的啟動可能會很困難，并且誤差會隨著時間的推移而無限增長。有關于其它相關的定位解決方案可以閱讀論文中第2.2節相關的技術細節。

規劃部分

早期的自動駕駛汽車通常只是半自動駕駛，因為它們的設計功能通常僅限于執行車道跟蹤、自適應巡航控制和一些其他基本功能。隨著自動駕駛規劃技術的快速發展，更全面的規劃框架可以使自動駕駛汽車處理各種復雜的城市駕駛場景。任務規劃（或路線規劃）考慮的是高級的目標，例如接送任務的分配以及應走哪條路來完成任務。行為規劃做出臨時決策，以便與其他交通智能體正確交互并遵守規則限制，從而生成局部目標，例如，變道、超車或通過交叉路口。運動規劃（或局部規劃）生成適當的路徑或者動作集以實現局部目標，最典型的目標是到達目標區域同時避免與障礙物碰撞。接下來，我們對此分別進行介紹。

任務規劃

任務規劃通常通過對反映道路或者路徑網絡連通性的有向圖網絡進行圖形搜索來執行。Dijkstra算法或者A*算法等算法都是任務規劃中的經典算法，感興趣的讀者也可以看下針對路線規劃為主的綜述性論文。

行為規劃

行為規劃器負責做出決策，以確保車輛遵守任何規定的道路規則，并以常規、安全的方式與其他交通智能體進行交互，同時沿著任務規劃器規定的路線逐步前進。這可以通過結合本地目標設定、虛擬障礙物放置、可駕駛區域邊界調整或者區域啟發式成本調整來實現。

運動規劃

運動規劃是一個非常廣泛的研究領域，應用于移動機器人和操縱臂，應用范圍廣泛，包括制造、醫療、應急響應、安全監視、農業和運輸。在自動駕駛汽車這一研究領域，運動規劃是指決定一系列動作以達到指定目標的過程，通常同時避免與障礙物發生碰撞。運動規劃器通常根據其計算效率和完整性進行比較和評估。計算效率是指過程運行時間以及它如何根據配置空間的維數進行擴展。如果算法在有限的時間內終止，當存在解決方案時始終返回解決方案，否則指示不存在解決方案，則認為該算法是完整的。

運動規劃的核心思想是通過將連續空間模型轉換為離散模型，目前常用的一般是如下兩類轉換方法：

• 組合規劃方法：組合規劃器旨在通過構建一個離散表示來找到完整的解決方案，該方法準確地表示原始問題，但其特點是對于特殊情況求解器具有方便的屬性。
• 基于采樣的方法：基于采樣的方法依賴于連續空間的隨機采樣，以及可行軌跡圖（也稱為樹或路線圖）的生成，其中通過檢查節點和連接這些節點的邊的碰撞來驗證可行性。理想情況下，生成的路線圖應提供所有無障礙空間的良好覆蓋和連通性。然后使用路線圖上的路徑來構建原始運動規劃問題的解決方案。

但是，在日常的自動駕駛汽車行駛過程中，許多操作環境并非靜態的，因此無法預先知道。在城市環境中，行人以及周圍的汽車會移動，道路會因施工或事故清理而繞行和封閉，視野也會經常受阻。自動駕駛汽車必須不斷感知環境中的新變化，并能夠在考慮多種不確定性的同時做出反應。不確定性來自感知傳感器的精度、定位精度、環境變化和控制策略的執行，因此在實際的應用過程中，如何實現準確、舒適和高效的規劃依舊是非常重要的挑戰。

控制

自主系統的執行能力（通常也稱為運動控制）是將意圖轉化為行動的過程；其主要目的是通過向硬件級別提供必要的輸入來執行計劃的意圖，從而產生所需的運動。控制器從力和能量的角度映射現實世界中的交互，而自主系統中的認知導航和規劃算法通常與車輛相對于其環境的速度和位置有關。控制系統內部的測量可用于確定系統運行情況，因此控制器可以做出反應以消除干擾并將系統的動態改變為所需狀態。系統模型可用于更詳細地描述所需的運動，這對于令人滿意的運動執行至關重要。

反饋控制是許多應用中最常見的控制器結構。反饋控制使用測量的系統響應并主動補償與期望行為的任何偏差。反饋控制可以減少參數變化、建模錯誤以及不必要的干擾的負面影響。反饋控制還可以修改系統的瞬態行為以及測量噪聲的影響。然而，在控制器中僅使用反饋項可能會受到一些限制。僅反饋控制器的第一個重要限制是它對錯誤的響應延遲，因為它只在錯誤發生時才做出響應。純反饋控制器還存在耦合響應的問題，因為對干擾、建模誤差和測量噪聲的響應都是由同一機制計算的。有關于控制相關的更多研究和解決方案可以參考論文中的第四節內容。

結論

近年來，隨著自動駕駛技術的快速發展和迭代，各個自動駕駛系統的子模塊也取得了日新月異的發展，本文就針對自動駕駛系統中的感知、規劃和控制等軟件系統進行了較為詳細的總結和歸納，以幫助自動駕駛領域的從業者進行更好的學習。