解析丨自動駕駛核心技術：感知、決策與執行(中：決策篇)

本文將繼續為大家解析自動駕駛所涉及到的核心技術，上篇《感知篇》內容可以檢視歷史原文。

二、決策篇

在一套相對成熟的自動駕駛技術體系中，如果將環境感知模組比作人的眼睛和耳朵，那麼決策規劃模組就相當於自動駕駛汽車的大腦。

自動駕駛汽車在進行決策規劃時，會從環境感知模組中獲取道路拓撲結構資訊、實時交通訊息、障礙物(交通參與者)資訊和主車自身的狀態資訊等內容。

結合以上這些資訊，決策規劃系統會對當前環境作出分析，然後對底層控制執行模組下達指令，這一過程就是決策規劃模組的主要任務。

自動駕駛車輛架構圖(圖片來源：見參考資料3)

換言之，自動駕駛汽車的行為決策與路徑規劃是指依據環境感知和導航子系統輸出資訊，透過一些特定的約束條件規劃出給定多條可選安全路徑，並從中選取一條最優路徑作為車輛行駛軌跡的過程。

本文將詳細介紹自動駕駛決策規劃模組的技術結構體系、技術方法以及主流演算法、晶片。

Ξ 1.技術結構體系

自動駕駛決策規劃領域常見的技術結構體系可分為分層遞階式、反應式以及二者混合式。

1)分層遞階式體系結構

分層遞階式可以理解為一個串聯結構，自動駕駛系統的各個模組有序排列在一條直線上，上一模組處理的內容將直接進入到下一階段，如下圖所示：

分層遞階式的優點是各模組次序分明，層層遞進式的結構讓每個模組所處理的工作範圍逐漸縮小，處理問題的準確度逐漸上升，更容易實現高層次的智慧控制。

不過，分層遞階結構也存在一些問題。首先，分層遞階結構需要實時呼叫感測器資訊，對感測器的要求較高。此外，分層遞階式的佈局，從環境感知到執行控制，中間存在一定延遲，缺乏實時性和靈活性。

最後，分層遞階式的串聯結構存在可靠性不高的問題。在初中物理學上，大家都接觸過電路的串聯與並聯知識。與並聯模式相比，串聯模式最大的問題就是整體系統的任何部分都不能出現問題，否則資訊流和控制流的傳遞通道就會受到影響，整個系統會隨時處於崩潰的狀態中。

2)反應式體系結構

反應式體系結構與分層遞階式體系結構的最大區別在於，反應式體系結構使用的是並聯結構，如下圖所示：

在反應式體系結構中，決策規劃模組內容以並聯模式佈置，環境感知的內容會同步傳輸至多個決策規劃模組內，可突出“感知-動作”的特點，易於適應完全陌生的環境。

與分層遞階式體系結構相比，反應式結構體系佔用儲存空間較小，響應快，實時性高。同時，並聯結構提高了整體結構的穩定性，決策規劃模組內的某一層內容出現故障，也不會影響到其他層級內容的正常執行。不過，這也提高了整體系統執行的複雜度，需要更高等級智慧技術的支援。

3)二者混合式體系結構

由於分層遞階式體系結構和反應式體系結構均存在某些問題，單獨一個體系難以滿足自動駕駛處理複雜多變場景的實際需求，所以混合體繫結構受到越來越多的關注。

混合式體系結構將兩者優點結合，全域性規劃與區域性規劃分別適用不同的體系結構，使得自動駕駛汽車能夠更加適應複雜多變的真實路況。

Ξ 2.技術方法

根據對環境資訊掌握程度的不同，自動駕駛路徑規劃可分為全域性路徑規劃和區域性路徑規劃兩種。

1)全域性路徑規劃

全域性路徑規劃，又可以稱之為駕駛任務規劃，主要內容為行駛路徑範圍的規劃。

全域性路徑規劃會在已知環境中，給自動駕駛汽車規劃出一條理想路徑，路徑規劃的精度取決於環境感知模組獲取資訊的準確度。這是一種事前規劃，類似於我們日常生活中常用的“導航”功能：輸入出發地與目的地，APP就會自動規劃出一條最優路徑。

需要注意的是，全域性路徑規劃需要預先知道環境的準確資訊，當環境發生變化時，規劃結果很可能就會失效。

目前，常用的全域性路徑規劃演算法有Dijkstra和A*演算法，以及兩者的改進型。

Dijkstra(單源最短路徑)演算法是由科學家Edsger W. Dijkstra在1956年提出，主要用於解決尋找圖形中節點之間最短路徑的問題。

Dijkstra演算法運算過程

這種演算法的優點是給出的路徑是最優的，但是缺點也明顯，那就是計算複雜度較高，因為是向周圍探索，沒有一個明確的方向。

A*演算法是由Stanford研究院的Peter Hart, Nils Nilsson以及Bertram Raphael在1968年發表，被認為是Dijkstra演算法的擴充套件。

這種演算法的實質為寬度優先搜尋，透過在寬度優先搜尋的基礎上增加條件控制，以儘快找到目標節點。其公式表示為：f(n)=g(n)+h(n)，f(n)是從初始點經由權節點n到目標點的估價函式，g(n) 是在狀態空間中從初始節點到n節點的實際代價，h(n)是從n到目標節點最佳路徑的估計代價。

2)區域性路徑規劃

區域性路徑規劃，又可稱之為實時路徑規劃。自動駕駛汽車在有障礙物的環境中，會利用自身感測器實時感知周邊環境，尋找出一條最優的區域性行駛路徑，避免碰撞和保持安全距離。

區域性路徑規劃的優勢是可以實時對規劃結果進行反饋與校正，確保了自動駕駛車輛始終處於最優的駕駛路徑中。缺點是缺乏全域性環境資訊，可能發生找不到正確路徑或完整路徑的情況。

總體而言，全域性路徑規劃和區域性路徑規劃並沒有本質上的區別。兩者協同工作，自動駕駛車輛可以更好地規劃出最優路徑。

Ξ 3.演算法與晶片

目前，自動駕駛汽車常用的行為決策演算法主要有三種型別：

1)基於神經網路：自動駕駛汽車的決策系統主要採用神經網路確定具體的場景並做出適當的行為決策。

2)基於規則：工程師想出所有可能的“if-then 規則”的組合，然後再用基於規則的技術路線對汽車的決策系統進行程式設計。

3)混合路線：結合了以上兩種決策方式，透過集中性神經網路最佳化，透過“if-then 規則”完善。混合路線是最流行的技術路線。

在晶片領域，常用的主流自動駕駛晶片主要有兩種，一種是英特爾-Mobileye 開發的Mobileye® EyeQX™系列車載計算平臺，另一種是英偉達提供的 NVIDIA Drive PX 系列車載計算平臺。

Mobileye公司成立於1999年，主要目標是開發和推廣交通領域的視覺輔助系統。其在2017年被英特爾公司收購，並且將其作為自動駕駛技術的研發戰略核心。

以Mobileye公司最新的EyeQ5晶片為例，EyeQ5的運算效能達到了12Tera/每秒，且最多可以支援20個外部感測器(攝像頭、雷達或鐳射雷達)。

此外，EyeQ5具有異構性，完全可程式設計的加速器，晶片內建的四種型別加速器均經過演算法最佳化，更有助於實現“感測器融合”。

NVIDIA DRIVE平臺是英偉達針對自動駕駛推出的AI平臺。其將深度學習、感測器融合和環繞視覺技術相結合，旨在改變駕駛體驗。

NVIDIA DRIVE平臺可以實時理解車輛周圍的環境變化、在高畫質地圖上精確定位自身，還可以規劃前方的安全路線。

目前，DRIVE PX2為該產品的最新版本。其基於16nm FinFET工藝製造，TDP達250W，支援12路攝像頭輸入、鐳射定位、雷達和超聲波感測器，單精度計算能力達到8 TFlops，是目前先進的自動駕駛平臺。

未完待續……

本文參考資料：

1.《2017中國人工智慧系列白皮書——智慧駕駛》-中國人工智慧學會

2.《2018年人工智慧之自動駕駛研究報告》-Aminer

3.《自動駕駛汽車決策與控制》-清華大學