李坦

摘要：随着新时代发展，人们生活水平不断提高。汽车自动驾驶技术的进步得益于人们对减少车辆碰撞事故所做的持续努力，人类驾驶员安全驾驶积累的相关经验将有助于自动驾驶技术的发展。有限的地理条件和典型的使用场景将成为智能汽车自动驾驶技术应用的关键突破口。本文从基于视觉/激光雷达的智能决策系统、全局/局部路径规划、芯片和算法等几个方面，对智能网联汽车自动驾驶行为决策方法进行了探讨。

关键词：智能网联汽车;自动驾驶;行为决策

引言

电子科学技术与汽车机械工业的深度结合，给汽车发展带来了无限可能。无人驾驶汽车正是集自动控制、体系结构和人工智能等多项技术于一体的产物，是未来汽车发展的一个重要方向。近些年，有关智能汽车自动驾驶的研究中都将智能汽车对复杂路段的适应性和驾驶系统的可靠性作为重点研究方向。其中大多数理论都是通过提高单一车辆的智能化来实现的，需要高额的成本和复杂的技术。车路协同是面向未来的一种自动驾驶方案，成本低，但需要通过5G网络、高精度地图的普及和车联网、智慧道路的建设来实现。人机共驾作为第三种方案，是一种低成本而有效的智能汽车无人驾驶的控制方法，既可以降低对单车智能的依赖，又不受制于车联网、智慧道路等因素的制约，越来越受到研究者的重视。比如商用车辆编队行驶，一个由多辆智能车组成的车队，其中领头车辆由驾驶员正常操作，其余车辆在不需要人操控的状态下自动跟随领头车行驶。智能汽车通过接收队列中前方车辆的行驶信息推理出路径和任意车速的后车跟随模型，完成跟随行驶，以而实现自动行驶。

1智能网联汽车自动驾驶的简述

在当前我国电子科技高速发展背景下，许多电子科技已经应用到众多行业领域中。汽车作为当前社会人们最重要的出行代步工具之一，对于电子科技的应用也在逐渐完善。随着我国人工智能技术的应用逐渐广泛普及于各个领域，人们对于智能汽车的自动驾驶需求在不断增加。随着基础技术的快速更新，汽车智能化水平快速提升，业界针对不同的应用场景打造出不同级别（L2到L5）的自动驾驶技术和产品体系，使得智能网联汽车的落地速度大为提升。目前，从商业应用场景来看，实现自动驾驶的路径主要有两种：第一种是单车智能，即通过先进的雷达、摄像头、惯性导航等传感器以及高效的算法，实现自动驾驶功能;第二种是车路协同，即主要通过5G、高精度地图来感知路况从而实现自动驾驶功能。在智能网联汽车技术发展过程中，科研人员一方面追求通过优化算法、长距离的道路测试等方式来提升单车智能的可靠性，如谷歌Waymo、Uber等;另一方面追求低成本、能够快速落地的自动驾驶方案，如人机共驾方案。

2智能网联汽车自动驾驶行为决策方法

2.1基于视觉/激光雷达的智能决策系统

智能汽车自动驾驶车辆控制中，对于道路状况的信息识别与处理是非常重要的。自动驾驶系统能够识别道路、行人、障碍物、红绿灯等，其中的环境感知系统负责车辆定位、静态/移动障碍物检测与跟踪、车道线检测与识别、交通信号检测与识别等任务。自动驾驶汽车的智能决策系统根据主要依据的环境感知传感器不同可以分为基于视觉和基于激光雷达两种类型。

基于视觉的智能决策系统当前主要以特斯拉为代表，特斯拉通过所有特斯拉汽车的摄像头采集环境数据，将图像处理和机器学习结合起来，在预先记录的地图的基础上，通过机器的自主学习进行智能决策。特斯拉汽车在行驶中采集数据学习并与所有特斯拉汽车分享学习到的东西，从而实现类似于人眼睛的方式查看地形然后通过人工智能进行分析指导自动驾驶汽车做出决策。由于不需要昂贵的激光雷达，所以基于视觉主导的自动驾驶在价格、能耗等方面占很大优势，但需要大量的数据处理和学习，对于AI算法要求很高。

基于激光雷达的智能决策系统是当前的主流，如传统主机厂通用、奔驰、福特以及众多高科技公司包括谷歌、Uber等均采用该种方式。这些车辆装有预先记录周围环境的高精度地图，该地图是使用配备激光雷达的车辆捕获绘制的。车辆在自动驾驶过程中可以使用自己的激光雷达探测到实际路况，与预存的高精度地图进行比对，从而进行精确定位和导航，然后在地图区域中巡航时进行自动控制。这种方法提供了高度的可靠性和可预测性，但由于需要配备高精度地图、激光雷达以及高算力的芯片，因此成本明显高于基于视觉的方案。

2.2全局/局部路径规划

自动驾驶汽车的行为决策与路径规划是指依据环境感知和导航子系统输出信息，通过一些特定的约束条件规划出给定多条可选安全路径，并从中选取一条最优路径作为车辆行驶轨迹的过程。

全局路径规划，主要内容为行驶路径范围的全局规划。全局路径规划会在已知环境中，给自动驾驶汽车规划出一条理想路径，路径规划的精度取决于环境感知系统感知的准确度。这是一种事前规划，类似于我们日常生活中常用的“导航”功能：输入出发地与目的地，APP就会自动规划出一条最优路径。这种算法的优点是给出的路徑是最优的，缺点是计算复杂度较高，不能进行实时校正。局部路径规划，又可称之为实时路径规划。自动驾驶汽车在有障碍物的环境中，会利用自身传感器实时感知周边环境，寻找出一条最优的局部行驶路径。局部路径规划的优势是可以实时对规划结果进行反馈与校正，确保了自动驾驶车辆始终处于最优的驾驶路径中，缺点是缺乏全局环境信息，可能发生找不到正确路径或完整路径的情况。总体而言，全局路径规划和局部路径规划并没有本质上的区别。两者协同工作，自动驾驶车辆可以更好地规划出最优路径。

2.3芯片与算法

目前，自动驾驶汽车常用的行为决策算法主要有三种类型。一是基于神经网络：自动驾驶汽车的决策系统主要采用神经网络确定具体的场景并做出适当的行为决策。二是基于规则：工程师想出所有可能的“if-then 规则”的组合，然后再用基于规则的技术路线对汽车的决策系统进行编程。三是混合路线：结合了以上两种决策方式，通过集中性神经网络优化，通过“if-then 规则”完善。混合路线是最流行的技术路线。在芯片领域，常用的主流自动驾驶芯片主要有两种，一种是英特尔-Mobileye 开发的Mobileye EyeQX系列车载计算平台，另一种是英伟达提供的 NVIDIA Drive PX 系列车载计算平台。

训练自动驾驶算法主要由模拟仿真和实车测试两种途径。其中，模拟仿真可以进行可重复、可评价的性能测试，快速迭代优化算法。当自动驾驶控制算法在虚拟测试中运行成熟后，便可以进入封闭测试场进行实车路测。大量的实车路测可以真实测试多种复杂交通场景，检验和优化控制算法，是自动驾驶功能通过验证必不可少的一环。

结语

在智能汽车自动驾驶控制技术的发展中，行为决策方法的研究尤为关键。目前，各大智能汽车制造商、人工智能技术企业、智能硬件制造商都非常重视相关领域的研究。要提升自动驾驶汽车的行为决策能力，可以从基于视觉/激光雷达的智能决策系统、全局/局部路径规划、芯片和算法等几个方面进行深入研究和优化，从而针对不同的智能网联汽车应用场景和使用需求，选择最合适的行为决策方法。

参考文献：

[1]熊周兵，杨威，丁可，等.基于预瞄模糊控制的自动泊车算法研究[J].重庆理工大学学报（自然科学版），2020（2）：14-22.

[2]李攀，黄江，杨浩，等.基于双匀速轨迹的自动泊车路径规划研究[J].重庆理工大学学报（自然科学版），2019，31（9）：36-24.

[3]江浩斌，沈峥楠，马世典.基于双闭环滑模结构的自动泊径跟踪控制[J].重庆理工大学学报（自然科学版），2019，31（10）：6-11，27.