自动驾驶概述

本文旨在对视频内容规划控制方面做学习记录，希望帮助有需要的人学习提高。不对处，望指正。

L0~L5级，美国工程师协会定义的

L0,简单点理解，就是人来驾驶

L1,巡航定速（adaptive cruise control，ACC），巡航装置可以纵向控制车辆，加速减速；

L2，车道保持辅助（Lane keeping）系统可以纵向控制也可以横向控制汽车，但车是辅助的，人才是主导；

L2.5，可以提供简单路况下的变道能力，如目前的Tesla；

L2和L3之间有一个鸿沟，权责问题（出了事故，谁的责任 ）；

L3,在L2的基础上提供变道能力，在某一时间段内车是责任主体。如最新款奥迪A8

L4,相当于全无人驾驶，就是大部分时间由车来做主导。如waymo,Baidu；

L5,驾驶能力上，几乎和人类没有关系，l5的车辆没有方向盘以及脚踏板以及其他接管设备。

预测需要保证实时性 和准确性

基于状态进行预测：Kalman Filter、Particle Filter（这里状态预测可以这么理解，已知当前车子的速度，方向等等信息，通过两种滤波进行简单计算出下一个位置，得到的简单的预测）
基于车道序列进行预测
通过机器学习模型化简为分类问题

--行人预测：无人车需要非常重视安全问题，其中人的安全最为重要，而行人的意图变化却是最难预测的，也是约束最少的。

规划问题：导航路线规划和精细轨迹表述（全局规划、局部规划）

数学问题转换：将物理世界的地图转化为数学的图表达

--最优路径搜索：由于其他软件模块已经将不确定性进行了最大程度的消除，而最终决策规划模块又是对稳定性要求极高的模块，因此可以通过数学上的最优路径求解出确定解，但是遍历最优解是非常耗时间的

--需要考虑车辆的体感(舒适度)和安全性

评：需要在时效性和有效性做出平衡，因为花很长时间来找最优解，对于行驶中车辆来说，是非常危险的。

体感及时让乘客更舒适，比如经常急刹，容易导致呕吐，肯定没有人愿意坐的。

--输入信息：目标轨迹(planning_trajectory)、车辆状态(Vehicle State)、输出方向盘(steer)、油门(throttle)

--实现对无人车的控制，我们需要知道踩刹车和减速的关系，踩油门和加速的关系 等等，当无人车拿到一些控制学参数后，通过电脑对无人车进行控制

--控制是对整个驾驶最后的保障，因此，需要在任何情况下对准确性、稳定性和时效性要求都非常高，需要通过对车辆模型精细化描述，并进行严格的数学表达

--传统的控制算法PID可以满足车辆控制的要求，但是要考虑道体感和一些极限情况，控制算法优化也是目前无人车一个持续探讨的问题，如LQR、MPC等

不积硅步，无以至千里。