https://www.toutiao.com/a6714594255387492878/

對於自動駕駛系統，如果將感知模組比作人的眼睛和耳朵，那麼決策規劃模組就是自動駕駛的大腦。

大腦在接收到感測器的各種感知資訊之後，對當前環境作出分析，然後下達命令到底層控制模組。

這個過程就是決策規劃模組的主要任務。

典型的決策規劃模組可分為三個層次：

• 全域性路徑規劃（Route Planning）
• 行為決策層（Behavioral Layer）
• 運動規劃（Motion Planning）

1、全域性路徑規劃

全域性路徑規劃是指：在收到一個目的地資訊後，結合高精度地圖資訊和本車的當前位姿資訊，生成一條最優的全域性路徑，作為後續區域性路徑規劃的參考和引導。

這裡的“最優”可以指路徑最短、時間最快或必須經過指定點等條件。常見的全域性路徑規劃演算法包括Dijkstra、A-Star演算法，以及在這兩種演算法基礎上的多種改進。

2、行為決策層

行為決策層是指：在接收到全域性路徑後，根據從感知模組得到的環境資訊（其他車輛、行人等障礙物資訊，道路上交通標誌、紅綠燈等交通規則資訊），以及本車當前的行駛路徑等狀態資訊，作出具體的行為決策（如變道超車、跟車行駛、讓行、停車、進出站等）；

行為決策層用的較多的演算法包括：有限狀態機、決策樹、基於規則的推理模型等。

該層有三個難題需要解決：

• 實際的交通場景千變萬化，如何做到通用；
• 其他交通參與者的行為存在不確定性，不僅需要對其行為做預測，還需要考慮本車與其他交通參與者的博弈；
• 如何應對感知模組提供的資訊做不到100%的準確和100%的全覆蓋。

3、運動規劃

運動規劃是指：根據具體的行為決策，生成一條滿足各種約束條件（如安全性、平順性、車輛本身的動力學約束等）的軌跡，該軌跡作為控制模組的輸入決定車輛的行駛路徑。

運動規劃可進一步分為區域性路徑規劃和速度規劃，即將“行為”轉化成一條更加具體的行駛“軌跡”，從而能夠生成一系列控制訊號（加速度、方向盤轉角、檔位、燈光等）， 實現車輛的自動行駛。

區域性路徑規劃和速度規劃演算法，常用的有基於搜尋的規劃演算法，基於取樣的規劃演算法，以及直接優化的方法。

相關閱讀

基於S-T圖的速度規劃介紹-Apollo學習筆記

自動駕駛系統的決策技術介紹-Apollo學習筆記

無人車的避障系統介紹：障礙物的檢測、軌跡預測和避障路徑生成

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2650914/，如需轉載，請註明出處，否則將追究法律責任。