自動駕駛載具或?qū)⒁祟惖南乱淮纬鲂蟹绞礁锩?，而我們目前又已?jīng)走到了哪一步？近日，巴西圣埃斯皮里圖聯(lián)邦大學(xué)的研究者在 arXiv 上發(fā)布了一篇自動駕駛汽車研究情況總結(jié)，并簡單梳理了產(chǎn)業(yè)界的進(jìn)展。本文摘取了其中的主干部分，更詳細(xì)的論述請參閱原文。

我們調(diào)查了有關(guān)自動駕駛汽車的研究文獻(xiàn)，重點(diǎn)關(guān)注的是自 DARPA 挑戰(zhàn)賽以來開發(fā)的配備有可歸類為 SAE 3 級或更高級的自主系統(tǒng)的自動汽車。

自動駕駛汽車的自主系統(tǒng)的架構(gòu)通?？煞譃?strong>感知系統(tǒng)和決策系統(tǒng)。

感知系統(tǒng)通常分為負(fù)責(zé)自動駕駛汽車定位、靜態(tài)障礙物地圖測繪、移動障礙物與跟蹤、道路地圖測繪、交通信號檢測與識別等多種任務(wù)的許多子系統(tǒng)。

決策系統(tǒng)通常也分為許多子系統(tǒng)，分別負(fù)責(zé)路線（route）規(guī)劃、路徑（path）規(guī)劃、行為選擇、運(yùn)動規(guī)劃、控制等。在本調(diào)查報(bào)告中，我們會介紹自動駕駛汽車的自主系統(tǒng)的典型架構(gòu)。

我們還會總結(jié)在感知和決策相關(guān)方法方面的研究成果。此外，我們還將詳細(xì)描述巴西圣埃斯皮里圖聯(lián)邦大學(xué)（UFES）的汽車 IARA 的自主系統(tǒng)的架構(gòu)。最后，我們會列出科技公司開發(fā)的和媒體報(bào)道的突出的自動駕駛研究汽車。

1. 引言

自動汽車（也被稱為無人駕駛汽車和自動駕駛汽車）自 1980 年代中期以來已經(jīng)得到了全球很多大學(xué)、研究中心、汽車公司和其它行業(yè)公司的研究和開發(fā)。過去二十年里重要的自動駕駛研究平臺案例有德國慕尼黑聯(lián)邦國防軍大學(xué)的汽車 [DIC87]、Navlab 的移動平臺 [THO91]、慕尼黑聯(lián)邦國防軍大學(xué)和戴姆勒-賓士的汽車 VaMP 和 VITA-2 [GER14]、意大利帕維亞大學(xué)和帕爾馬大學(xué)的汽車 ARGO [BRO99]、慕尼黑聯(lián)邦國防軍大學(xué)的載具 VaMoRs 和 VaMP [GRE00]。

為了促進(jìn)自動駕駛汽車技術(shù)的發(fā)展，美國國防高級研究計(jì)劃局（DARPA）在 2000 年代組織了三次競賽。第一次名為 DARPA Grand 挑戰(zhàn)賽，于 2004 年在美國莫哈維沙漠舉辦，要求無人駕駛的汽車在 10 小時(shí)的時(shí)間限制內(nèi)跑完一條沙漠通道中的長 142 英里的道路。所有參賽車輛都在前幾英里內(nèi)失敗了。

DARPA Grand 挑戰(zhàn)賽 [BUE07] 在 2005 年再次舉辦，要求機(jī)器人車輛跑過一條長 132 英里的路線，其中有平地、干涸湖床和山路，包含 3 個狹窄通道和超過 100 個左右急轉(zhuǎn)彎。這次比賽共有 23 輛決賽者，其中 4 輛車在規(guī)定時(shí)間內(nèi)跑完了賽道。斯坦福大學(xué)的汽車 Stanley [THR07] 獲得了第一名，卡內(nèi)基·梅隆大學(xué)的汽車 Sandstorm 和 H1ghlander 分列第二和第三名。

第三場比賽名為 DARPA Urban 挑戰(zhàn)賽 [BUE09]，于 2007 年在美國加州前喬治空軍基地舉辦，要求無人駕駛車輛通過一條長 60 英里的模擬城市環(huán)境的路線，其中也有其它無人駕駛車輛和人類駕駛的汽車，時(shí)間限制為 6 小時(shí)。這些汽車必須遵守加州的交通規(guī)則。

這場比賽有 11 輛決賽者，其中 6 輛在規(guī)定時(shí)間內(nèi)跑完了路線。卡內(nèi)基·梅隆大學(xué)的汽車 Boss [URM08] 獲得第一，斯坦福大學(xué)的汽車 Junior [MON08] 第二，弗吉尼亞理工大學(xué)的汽車 Odin [BAC08] 第三。盡管這些比賽中的挑戰(zhàn)遠(yuǎn)比人們?nèi)粘＝煌ㄖ兴龅降那闆r簡單，但它們已被譽(yù)為自動駕駛汽車發(fā)展的里程碑。

自 DARPA 這些挑戰(zhàn)賽以來，又出現(xiàn)了很多自動駕駛汽車競賽和試驗(yàn)。

相關(guān)的案例包括：從 2006 年舉辦至今的歐洲陸地機(jī)器人試驗(yàn)（ELROB）[ELR18]、2009 年到 2013 年舉辦的智能載具未來挑戰(zhàn)賽 [XIN14]、2009 年到 2017 年舉辦的自動化載具競賽 [AUT17]、2010 年的現(xiàn)代自主汽車挑戰(zhàn)賽 [CER11]、2010 年的 VisLab 洲際自主汽車挑戰(zhàn)賽 [BRO12]、2011 年和 2016 年的大型合作駕駛挑戰(zhàn)賽（GCDC）[GCD16]、2013 年的公共道路城市無人駕駛汽車測試 [BRO15]。

同時(shí)，全世界的學(xué)術(shù)界和產(chǎn)業(yè)界都在加速研究無人駕駛汽車。

研究機(jī)器人汽車的重要大學(xué)包括卡內(nèi)基·梅隆大學(xué) [CAR18]、斯坦福大學(xué) [STA18]、麻省理工學(xué)院 [MIT17]、弗吉尼亞理工大學(xué) [VIR18] 和 FZI 信息技術(shù)研究中心 [FZI18]。

主要公司包括谷歌 [WAY18]、Uber [UBE18]、百度 [APO18]、Lyft [LYF18]、Aptiv [APT18]、特斯拉 [TES18]、英偉達(dá) [NVI18]、Aurora [AUR18]、Zenuity [ZEN18]、戴姆勒和博世 [BOS18]、Argo AI [ARG18]、Renesas Autonomy [REN18]、Almotive [AIM18]、AutoX [AUT18]、Mobileye [MOB18]、Ambarella [AMB18]、Pony.ai [PON18]、京東 [JD18]、Idriverplus [IDR18]、豐田 [TOY18]、福特 [FOR18]、沃爾沃 [VOLV18]、梅賽德斯-賓士 [MER18]。

盡管大多數(shù)有關(guān)自動駕駛汽車的大學(xué)研究都來自美國、歐洲和亞洲，但巴西等國家也有一些相關(guān)研究。巴西的自動駕駛汽車研究平臺相關(guān)案例包括米納斯·吉拉斯聯(lián)邦大學(xué)（UFMG）的汽車 CADU [LIM10] [SAB10] [LIM13] [DIA15a]、圣保羅大學(xué)的汽車 CARINA [FER14] [MAS14] [SHI16] [HAT17] 和圣埃斯皮里圖聯(lián)邦大學(xué)（UFES）的汽車 IARA [MUT16] [CAR17] [GUI16] [GUI17]。IARA 是巴西首輛在城市道路和公路上自動行駛了 74 公里的無人駕駛汽車。

為了衡量自動駕駛汽車的自主水平，SAE International（之前簡稱 SAE，即汽車工程師學(xué)會）發(fā)布了一個基于人類駕駛員干預(yù)量和人類注意需求量的分類體系，其中自動駕駛汽車的自主程度可劃分為 0 級（汽車的自主系統(tǒng)會發(fā)出警報(bào)，也許還能臨時(shí)干預(yù)，但無法維持對汽車的控制）到 5 級（任何情況下都無需人類干預(yù)）[SAE16]。在這篇論文中，我們調(diào)查了發(fā)布在文獻(xiàn)中的自動駕駛汽車研究，重點(diǎn)關(guān)注的是自 DARPA 挑戰(zhàn)賽以來開發(fā)的配備有可歸類為 SAE 3 級或更高級的自主系統(tǒng)的自動汽車 [SAE16]。

自動駕駛汽車的自主系統(tǒng)的架構(gòu)通?？煞殖蓛纱箢悾?/p>

感知系統(tǒng)和決策系統(tǒng) [PAD16]。感知系統(tǒng)通常分為負(fù)責(zé)自動駕駛汽車定位、靜態(tài)障礙物地圖測繪、移動障礙物檢測與跟蹤、道路地圖測繪、交通信號檢測與識別等多種任務(wù)的許多子系統(tǒng)。

決策系統(tǒng)通常也分為許多子系統(tǒng)，分別負(fù)責(zé)路線（route）規(guī)劃、路徑（path）規(guī)劃、行為選擇、運(yùn)動規(guī)劃、控制等。但是這樣的劃分方式有些模糊，文獻(xiàn)中也還存在一些不同的劃分方式 [PAD16]。

在這項(xiàng)調(diào)查中，我們給出了自動駕駛汽車的自主系統(tǒng)的典型架構(gòu)。我們還總結(jié)了感知和決策相關(guān)方法的研究。

2. 自動駕駛汽車架構(gòu)概述

這一節(jié)將概述自動駕駛汽車的自主系統(tǒng)的典型架構(gòu)，并將介紹感知系統(tǒng)、決策系統(tǒng)以及它們的子系統(tǒng)所負(fù)責(zé)的任務(wù)。

展示了自動駕駛汽車的自主系統(tǒng)的典型架構(gòu)，其中不同顏色的模塊分別表示感知系統(tǒng)和決策系統(tǒng) [PAD16]。感知系統(tǒng)負(fù)責(zé)估計(jì)汽車的狀態(tài)和創(chuàng)造環(huán)境的內(nèi)部表征（指自動駕駛汽車系統(tǒng)內(nèi)部），這要用到機(jī)載傳感器（比如光探測和測距（LIDAR）、無線電探測和測距（RADAR）、相機(jī)、全球定位系統(tǒng)（GPS）、慣性測量單元（IMU）、里程表等）收集的數(shù)據(jù)和有關(guān)傳感器模型、道路網(wǎng)、交通規(guī)則、車輛動態(tài)等的先驗(yàn)信息。決策系統(tǒng)負(fù)責(zé)將車輛從初始位置駕駛到用戶定義的終點(diǎn)，這需要考慮汽車的狀態(tài)和環(huán)境的內(nèi)部表征，還要考慮交通規(guī)則和乘客舒適度等情況。

為了在環(huán)境中駕駛汽車，決策系統(tǒng)需要知曉汽車所在的位置。定位器（Localizer）模塊負(fù)責(zé)估計(jì)與環(huán)境的靜態(tài)地圖相關(guān)的汽車狀態(tài)（姿態(tài)、線速度、角速度等）。這些靜態(tài)地圖（即  Offline Maps）會在自動操作前自動計(jì)算得到，通常會使用自動駕駛汽車自身的傳感器，但通常也需要人工標(biāo)注（比如人行橫道或交通燈的位置）或編輯（比如移除傳感器捕獲的非靜態(tài)目標(biāo)）。自動駕駛汽車可能使用一個或多個不同的離線地圖來進(jìn)行定位，比如占用情況網(wǎng)格地圖、緩解地圖或地標(biāo)地圖。我們將在第 3.B 節(jié)介紹用于生成這些地圖的方法的相關(guān)文獻(xiàn)。

定位器模塊的輸入包括離線地圖、傳感器數(shù)據(jù)和平臺的里程數(shù)據(jù)，生成的輸出是自動駕駛汽車的狀態(tài)。需要重點(diǎn)指出，盡管 GPS 也許有助于定位過程，但由于高大樹木、建筑、隧道等造成的干擾會使得 GPS 定位不可靠，在城市環(huán)境中只使用 GPS 是不足以合適定位的。我們將在第 3.A 節(jié)介紹有關(guān)定位技術(shù)的文獻(xiàn)。

地圖測繪器（Mapper）模塊以離線地圖和車輛狀態(tài)為輸入，生成在線地圖。這個在線地圖通常是離線地圖與使用傳感器數(shù)據(jù)和汽車當(dāng)前狀態(tài)在線計(jì)算出的占用情況網(wǎng)格地圖中的信息的融合。我們將在第 3.B 節(jié)介紹計(jì)算在線地圖的方法的相關(guān)文獻(xiàn)?？梢灶A(yù)期這個在線地圖僅包含環(huán)境的靜態(tài)表征，因?yàn)檫@可能有助于決策系統(tǒng)的某些模塊的運(yùn)作。為了實(shí)現(xiàn)檢測以及移除在線地圖中的移動目標(biāo)，通常會使用一個移動目標(biāo)跟蹤（Moving Objects Tracking/MOT）模塊。第 3.D 節(jié)介紹的文獻(xiàn)的主題即為自動駕駛汽車的移動目標(biāo)檢測和跟蹤方法。

自動駕駛汽車要必須能識別和遵守水平（車道線）和垂直（即限速標(biāo)志、交通信號燈等）的交通信號。交通信號檢測（Traffic Signalization Detection/TSD）模塊負(fù)責(zé)交通信號的檢測和識別。我們將在第 3.E 節(jié)介紹交通信號檢測和識別方法相關(guān)文獻(xiàn)。

給定用戶在離線地圖中定義的終點(diǎn)（Final Goal），路線規(guī)劃器（Route Planner）會在離線地圖中計(jì)算出一條從當(dāng)前狀態(tài)到達(dá)終點(diǎn)的路線。路線（route）是指一系列路徑點(diǎn)的序列，其中每個點(diǎn)都是離線地圖中的一對坐標(biāo)。我們將在第 4.A 介紹路線規(guī)劃方法的文獻(xiàn)。

給定一條路線，路徑規(guī)劃器（Path Planner）模塊會根據(jù)汽車狀態(tài)和環(huán)境的內(nèi)部表征以及交通規(guī)則計(jì)算一組路徑。路徑（path）是指一系列姿態(tài)（pose）的序列，其中每個姿態(tài)都是離線地圖中的一個坐標(biāo)對和汽車在該坐標(biāo)對定義的位置所需的方位。中間的路徑 P_c 是路線盡可能最好的路徑，其左側(cè)的路徑和右側(cè)的路徑都是與 P_c 起始姿態(tài)相同的路徑，向左或向右的路徑具有不同的激進(jìn)程度。我們將在第 5.B.1 節(jié)介紹有關(guān)路徑規(guī)劃方法的文獻(xiàn)。

行為選取器（Behavior Selector）模塊負(fù)責(zé)選擇當(dāng)前的駕駛行為，比如車道保持、交叉路口處理、交通燈處理等。其做法是選擇一條路徑，當(dāng)前狀態(tài)之前幾秒（大約 5 秒）的一個姿態(tài)——決策范圍，和在該姿態(tài)所需的速度。姿勢和相關(guān)聯(lián)的速度的配對被稱為目標(biāo)（Goal）。行為選取器選擇目標(biāo)時(shí)會在決策時(shí)間范圍內(nèi)考慮當(dāng)前的駕駛行為以及避免與環(huán)境中的靜止和移動障礙物相撞。

運(yùn)動規(guī)劃器（Motion Planner）模塊負(fù)責(zé)計(jì)算一個從汽車的當(dāng)前狀態(tài)到當(dāng)前目標(biāo)的軌跡，這個軌跡遵循行為選取器定義的路徑，滿足汽車的運(yùn)動學(xué)和動力學(xué)約束條件，并能保證乘客舒適。軌跡 T 是一個指令序列 c_k = (v_k, φ_k, t_k)，其中 v_k 是在時(shí)間 t 的所需速度，φ_k 是在時(shí)間 t 的所需轉(zhuǎn)向角度，t_k 是 c_k 的持續(xù)時(shí)間。一個軌跡能讓汽車平滑且安全地從當(dāng)前狀態(tài)到達(dá)目標(biāo)。我們將在第 4.B.2 節(jié)介紹有關(guān)運(yùn)動規(guī)劃的方法的文獻(xiàn)。

避障器（Obstacle Avoider）模塊接收運(yùn)動規(guī)劃器計(jì)算出的軌跡，并在有必要時(shí)對其進(jìn)行修改（通常是降低速度）以避開障礙物。有關(guān)執(zhí)行避障功能的方法的文獻(xiàn)不多。我們將在第 4.B 看到一些相關(guān)文獻(xiàn)。

最后，控制器（Controller）模塊根據(jù)被避障器修改后的運(yùn)動規(guī)劃器軌跡計(jì)算并發(fā)送工作指令，以控制方向盤、油門和剎車的執(zhí)行器，使車輛能以物理世界允許的方式盡可能好地執(zhí)行修改后的軌跡。我們將在第 4.C 節(jié)介紹低級汽車控制方法的相關(guān)文獻(xiàn)。

下面我們將按感知系統(tǒng)和決策系統(tǒng)兩大組別詳細(xì)介紹各個模塊和用于實(shí)現(xiàn)它們的技術(shù)及變體技術(shù)。

3. 感知

在這一節(jié)，我們將介紹文獻(xiàn)中為自動駕駛汽車的感知系統(tǒng)提出的重要方法，包括定位器（或定位）、離線障礙物地圖測繪、道路地圖測繪、移動障礙物跟蹤、交通信號檢測與識別。

A 定位

定位模塊負(fù)責(zé)估計(jì)自動駕駛汽車相對于地圖或道路（比如表示成路沿或其它道路標(biāo)記）的姿態(tài)（位置和方向）。大多數(shù)通用的定位子系統(tǒng)都基于 GPS。但是，總的來說，這些系統(tǒng)不能用于城市中的自動駕駛汽車，因?yàn)樵谟姓趽醯膮^(qū)域不能確保有 GPS 信號，比如樹下、城市峽谷（大型建筑之間的區(qū)域）、隧道。

文獻(xiàn)中已經(jīng)提出了多種不依賴 GPS 的定位方法。它們主要可分為三類：基于 LIDAR 的方法、基于 LIDAR 加相機(jī)的方法、基于相機(jī)的方法?；?LIDAR 的定位方法僅依靠 LIDAR 傳感器，這種方法測量準(zhǔn)確且易于處理。但是，盡管 LIDAR 行業(yè)確實(shí)在努力降低生產(chǎn)成本，但與相機(jī)相比仍然價(jià)格高昂。在典型的基于 LIDAR 加相機(jī)的定位方法中，LIDAR 數(shù)據(jù)僅被用于構(gòu)建地圖，估計(jì)自動駕駛汽車相對于地圖的位置則會使用相機(jī)數(shù)據(jù)，這能夠降低成本。基于相機(jī)的定位方法很便宜廉價(jià)，但通常沒那么精確可靠。

1) 基于 LIDAR 的定位

2) 基于 LIDAR 加相機(jī)的定位

3) 基于相機(jī)的定位

B 離線障礙物地圖測繪

離線障礙物地圖測繪子系統(tǒng)負(fù)責(zé)計(jì)算自動駕駛汽車所在環(huán)境中的障礙物地圖。這個子系統(tǒng)是基礎(chǔ)系統(tǒng)，讓自動車輛有能力安全地駛過公共道路而不與障礙物（比如標(biāo)牌、路沿）發(fā)生碰轉(zhuǎn)。障礙物地圖包含汽車也許可以駛過或不能駛過的位置的信息，并區(qū)分了自由區(qū)域（可通行）與已占用區(qū)域。汽車必須一直處于自由區(qū)域內(nèi)。障礙物地圖是根據(jù)地圖測繪階段的傳感器數(shù)據(jù)構(gòu)建的，并會被存儲起來以待自動操作階段使用。

狀態(tài)空間的表征形式通?？煞譃橥?fù)浔碚?[CUM08] [MIL12] [FORE18] 和度量表征 [HOR13] [MUT16] [SCH18]。拓?fù)浔碚魇菍顟B(tài)建模為圖（graph），其中節(jié)點(diǎn)代表重要的位置（或特征），邊表示它們之間的拓?fù)潢P(guān)系（比如位置、方向、接近程度和連通性）。這些分解的分辨率取決于環(huán)境的結(jié)構(gòu)。度量表征通常是將狀態(tài)空間分解成規(guī)則間隔的單元。這種分解形式并不取決于特征的位置和形狀。度量表征的空間分辨率往往高于拓?fù)浔碚鞯?。其易變性和高效性使其成為了最常用的空間表征。要了解用于創(chuàng)建拓?fù)浔碚鞯闹饕幕谝曈X的方法，讀者可參閱 Garcia-Fidalgo and Ortiz [FID15]。這里我們總結(jié)了用于計(jì)算度量表征的最重要方法，這些方法又可進(jìn)一步分為離散和連續(xù)空間表征。

1) 離散空間度量表征

2) 連續(xù)空間度量表征

C 道路地圖測繪

道路測繪子系統(tǒng)負(fù)責(zé)收集自動駕駛汽車周圍的道路和車道信息，并使用幾何和拓?fù)鋵傩詫⑺鼈儽硎驹诘貓D中，包括互連的區(qū)域和受限區(qū)域。道路地圖測繪子系統(tǒng)的主要主題是地圖表征和地圖創(chuàng)建。

1) 道路地圖表征

無人駕駛汽車 IARA 使用的道路網(wǎng)格地圖和 RDDF 路徑。綠色和紅色區(qū)域表示道路網(wǎng)格地圖，黑點(diǎn)是 RDDF 路徑點(diǎn)，這是從道路網(wǎng)格地圖中自動提取出來的。

自動車輛項(xiàng)目 [BEN14] 使用的 lanelet（車道片段）地圖的圖模型。紅色和綠色點(diǎn)分別表示車道片段 A、B、C 的左和右路沿。該圖展示了 A 和 C 交匯成 B 的情況。

2) 道路地圖創(chuàng)建

D 移動目標(biāo)跟蹤

移動目標(biāo)跟蹤（MOT）子系統(tǒng)（也被稱為檢測與跟蹤多目標(biāo)/DATMO）負(fù)責(zé)檢測和跟蹤自動駕駛汽車所處環(huán)境中的移動障礙物的姿態(tài)。這個子系統(tǒng)對自動車輛的決策而言至關(guān)重要，能幫汽車避免與可能移動的物體（比如其它汽車和行人）發(fā)生碰撞。移動障礙物隨時(shí)間的位置變化通常是根據(jù)測距傳感器（比如 LIDAR 和 RADAR）或立體相機(jī)捕獲的數(shù)據(jù)估計(jì)的。來自單目相機(jī)的圖像能提供豐富的外觀信息，這可用于改善對移動障礙物的假設(shè)。為了應(yīng)對傳感器測量的不確定性，可將貝葉斯濾波器（比如卡爾曼或粒子濾波器）用于狀態(tài)預(yù)測。文獻(xiàn)中已提出了多種用于 MOT 的方法。這里我們將給出近十年最新發(fā)表的相關(guān)文獻(xiàn)。更早期的研究可參閱 Petrovskaya et al. [PET12]、Bernini et al. [BER14] 和 Gir?o et al. [GIR16]。

用于 MOT 的方法主要可分為六類：

1）基于傳統(tǒng)方法的 MOT

2）基于模型的 MOT

3）基于立體視覺的 MOT

4）基于網(wǎng)格地圖的 MOT

5）基于傳感器融合的 MOT

6）基于深度學(xué)習(xí)的 MOT

E 交通信號檢測與識別

交通信號檢測與識別子系統(tǒng)負(fù)責(zé)檢測和識別交通規(guī)則定義的信號，使汽車可以遵守交通法規(guī)做出正確的決策。與交通信號相關(guān)的任務(wù)有很多，本文將介紹這三大主要主題：

1) 交通信號燈檢測與識別

2) 交通標(biāo)志檢測與識別

3) 路面標(biāo)記檢測與識別

4. 決策

在這一節(jié)，我們將給出自動駕駛汽車決策系統(tǒng)文獻(xiàn)中報(bào)告的相關(guān)技術(shù)，包含路線規(guī)劃、行為選取、運(yùn)動規(guī)劃和控制子系統(tǒng)。

A 路線規(guī)劃

用于道路網(wǎng)中路線規(guī)劃的方法能在查詢時(shí)間、預(yù)處理時(shí)間、空間用量、對輸入變化的穩(wěn)健性等方面提供不同的權(quán)衡。這些方法主要可分為四類 [BAS15]：目標(biāo)導(dǎo)向的方法、基于分割因子的方法、分層方法、bounded-hop 方法；也可以組合這些方法。

表 1：西歐的路線規(guī)劃技術(shù)的表現(xiàn) [BAS15]

B 運(yùn)動規(guī)劃

運(yùn)動規(guī)劃子系統(tǒng)負(fù)責(zé)計(jì)算一條路徑或軌跡，使自動駕駛汽車能從當(dāng)前狀態(tài)到達(dá)行為選取子系統(tǒng)定義的下一個局部目標(biāo)狀態(tài)。運(yùn)動規(guī)劃執(zhí)行的是局部駕駛行為，滿足汽車的運(yùn)動學(xué)和動力學(xué)限制，保證乘客舒適，以及避免與環(huán)境中的靜止和移動障礙物碰撞。

運(yùn)動規(guī)劃可以是路徑或軌跡。路徑是一個汽車狀態(tài)序列，不是定義汽車狀態(tài)隨時(shí)間變化的方式。這個任務(wù)可以委托給其它子系統(tǒng)（比如行為選取子系統(tǒng)），或者可將速度分布定義為曲率以及與障礙物的接近程度的函數(shù)。軌跡是指定了汽車狀態(tài)隨時(shí)間的演變情況的路徑。

文獻(xiàn)中提出了多種用于運(yùn)動規(guī)劃的方法。我們將介紹為路上運(yùn)動規(guī)劃設(shè)計(jì)的且使用真實(shí)自動車輛實(shí)驗(yàn)評估過的方法。讀者可參閱 González et al. [GON16] 和 Paden et al. [PAD16] 了解對這些方法的更全面的總結(jié)。

1) 路徑規(guī)劃

2) 軌跡規(guī)劃

C 控制

在自動駕駛汽車領(lǐng)域，控制是指工程開發(fā)領(lǐng)域的自動控制背后的理論，這涵蓋了沒有連續(xù)直接人類干預(yù)的操作和調(diào)節(jié)過程的機(jī)制的應(yīng)用。

在最簡單的自動控制形式中，控制子系統(tǒng)會比較該過程的輸出與預(yù)期輸入，并使用其中的誤差（該過程的輸出與預(yù)期輸入的差異）來修改該過程的輸入，使得該過程即使在存在擾動時(shí)也能保持在設(shè)定點(diǎn)。

在自動車輛中，通常會將自動控制理論應(yīng)用于路徑跟蹤和硬件驅(qū)動方法。路徑跟蹤方法的作用是在汽車模型等地方存在不準(zhǔn)確的情況時(shí)穩(wěn)定運(yùn)動規(guī)劃的執(zhí)行。硬件驅(qū)動控制的作用是在汽車模型等地方存在不準(zhǔn)確的情況時(shí)計(jì)算執(zhí)行運(yùn)動規(guī)劃的轉(zhuǎn)向角度、油門和剎車制動器輸入。

路徑跟蹤方法也被稱為控制技術(shù)，因?yàn)槠涫褂昧俗詣涌刂评碚?，并將路徑視為所要控制的信號。但是，在自動駕駛領(lǐng)域?qū)⑵浞Q為路徑跟蹤方法更合適，以便將它們與硬件驅(qū)動方法分開。

1) 路徑跟蹤方法

2）硬件驅(qū)動控制方法

5. UFES 汽車 IARA 的架構(gòu)

我們將在這一節(jié)詳細(xì)描述 UFES 的汽車 IARA 的自主系統(tǒng)的架構(gòu)。

智能和自動機(jī)器人汽車（IARA）是巴西首輛在城市道路和公路上行駛了 74 公里的自動駕駛汽車。這里有一段 IARA 自動運(yùn)行的視頻，點(diǎn)擊瀏覽。

6 產(chǎn)業(yè)界開發(fā)的自動駕駛汽車

我們將在這一節(jié)列出科技公司研發(fā)的和媒體報(bào)道的突出的自動駕駛汽車研究。

有很多公司展現(xiàn)了研發(fā)自動駕駛汽車和/或投資相關(guān)技術(shù)的興趣，以期從中獲利。相關(guān)企業(yè)既有汽車制造商與生產(chǎn)傳感和計(jì)算硬件的公司，也有開發(fā)輔助駕駛和自動駕駛、娛樂和車載廣告公司軟件的公司。

所涉及的公司包括 Torc、谷歌、百度、Uber、Lyft、Aptiv、滴滴、特斯拉、樂視、英偉達(dá)、Aurora、Zenuity、戴姆勒、博世、Argo AI、Renesas Autonomy、本田、Visteon、AImotive、AutoX、Mobileye、Ambarella、Pony.ai、Navya、Transdev、京東、豐田、福特、沃爾沃和梅賽德斯-賓士。