【自动驾驶】自动驾驶概述 ⑨ ( 自动驾驶软件系统概述 | 预测系统 | 决策规划

文章目录

一、预测系统
- 1、预测对象和内容
- 2、预测系统的必要性
- 3、预测系统的输入和输出
- - [① 预测系统输入](#① 预测系统输入)
  - [② 预测系统输出](#② 预测系统输出)
- 4、预测方式
- - [① 基于状态预测](#① 基于状态预测)
  - [② 基于状态预测 - 物理运动模型](#② 基于状态预测 - 物理运动模型)
  - [③ 基于状态预测 - 机器学习模型](#③ 基于状态预测 - 机器学习模型)
  - [④ 基于车道序列预测](#④ 基于车道序列预测)
  - [⑤ 基于车道序列预测 - 概率图模型、深度学习模型](#⑤ 基于车道序列预测 - 概率图模型、深度学习模型)
  - [⑥ 基于车道序列预测 - 轨迹生成](#⑥ 基于车道序列预测 - 轨迹生成)
二、决策规划
- 1、决策规划目标
- 2、决策规划分层架构
- 3、路由规划与运动规划对比与联系
- - [① 对比](#① 对比)
  - [② 联系](#② 联系)
三、控制系统
- 1、控制系统核心目标
- 2、控制系统的输入输出信息
- - [① 输入信息](#① 输入信息)
  - [② 输出信息](#② 输出信息)
- 3、控制系统的常用算法

本篇博客中 , 介绍预测系统、决策规划、控制系统三个自动驾驶模块 ;

一、预测系统

1、预测对象和内容

自动驾驶预测系统 的核心目标是预测车辆周围的交通动态参与者 , 在未来几秒内的可能行为或运动轨迹 , 主要是车辆、行人、骑行者、其他移动物体等 ;

车辆 : 预测车辆的轨迹和操作 , 如 : 直行、左转、右转、换道、加减速等操作 ;
行人 : 预测行人的行走方向、速度变化、是否有横穿马路的意图 ;
骑行者 : 预测自行车、电动车、摩托车等骑行车辆的轨迹 , 这些车辆机动性更强 , 预测难度较大 ;
其他移动物体 : 动物、滑板、平衡车等 ;

2、预测系统的必要性

预测系统的输出 是决策规划的输入 , 预测系统的实时性、准确性直接关系到自动驾驶车辆的安全性和平顺性 ;

安全性 : 及时准确的预判潜在危险 , 为车辆采取制动或避让措施争取宝贵时间 ;
平顺性 : 基于对其他交通参与者行为的及时和准确预测 , 规划出更合理、更平顺的行驶轨迹 , 避免急刹、猛拐，提升乘车体验 ;

满足实时性与准确性的预测系统 , 可以使自动驾驶车辆能够像经验丰富的司机一样 , 与其他交通参与者进行默契的互动 ;

3、预测系统的输入和输出

① 预测系统输入

预测系统的输入 :

感知结果 : 来自摄像头、激光雷达、毫米波雷达的图像数据、点云数据、雷达反射值数据的融合结果 , 包括目标物体的位置、速度、加速度、朝向、边界框、类型等 ;
高精地图 : 提供静态环境上下文数据 , 如 : 车道线、交通信号灯、停止线、路缘石、十字路口布局等 , 是理解交通规则和可行驶区域的关键 ;
本车状态 : 运行自动驾驶预测系统的汽车本身的速度、位置、规划意图等 ;

② 预测系统输出

预测系统的输出 :

多模态轨迹 : 对于一个目标物体 , 预测系统通常会给出多种可能的未来轨迹 , 并为每种轨迹分配一个概率 ; 如 : 对于某个目标车辆 , 可能输出如下未来轨迹 :
- 轨迹A : 保持当前车道直行（概率：90%）
- 轨迹B : 向左变道（概率：6%）
- 轨迹C : 向右变道（概率：3.5%）
- 轨迹D : 倒车（概率：0.5%）
行为意图 : 直接输出高层次的行为分类 , 如 : 直行、左转、停止等 ;

4、预测方式

在自动驾驶的预测系统中 , 有两种核心的预测思路 , 分别是 基于状态预测 和 基于车道序列预测 , 二者分别从物理运动和行为意图两个层面来预测其他交通参与者的未来趋势 ;

① 基于状态预测

基于状态预测 的核心思想是基于目标物体当前的运动状态 , 通过物理运动模型或机器学习模型外推未来轨迹 ;

基于状态预测模型的输入目标的历史轨迹和历史状态 , 输出单一轨迹或多条具体轨迹 ;

基于状态预测模型的优缺点 :

优点 : 模型简单 , 计算效率高 , 短期预测较为可靠 ;
缺点 : 长期预测误差大 , 难以预测意图驱动的行为 , 如 : 车辆突然变道 , 行人突然折返 ;

② 基于状态预测 - 物理运动模型

物理运动模型 :

恒定速度 / 加速度模型 : 假设目标物体在预测时域内保持当前速度或加速度不变 , 这是最简单、计算成本最低的计算模型 ;
卡尔曼滤波器 ( 线性模型 ) : 是一种线性递归滤波算法 , 适用高效处理线性高斯系统的状态估计 , 常用于车辆、行人等运动模式相对规律的目标的短期状态预测 ;
粒子滤波器 ( 非线性模型 ) : 是一种非线性非高斯系统状态估计算法 , 核心思想是使用大量带权重的状态样本 , 也就是粒子 , 近似目标状态的概率分布 , 无需线性和高斯假设 , 该算法更适合处理运动模式复杂、非高斯噪声的目标 ;

③ 基于状态预测 - 机器学习模型

机器学习模型 :

Transformer 注意力机制模型 : 能够有效捕捉数据中的长期依赖关系和全局信息 , 可用于对车辆状态序列进行建模和预测 , 常与 LSTM 等结合使用 ;
RNN、LSTM 递归神经网络模型 : 该模型擅长处理时间序列数据 , 可以学习车辆历史轨迹中的时序模式 , 用于预测未来状态 ;
GNN 图神经网络 : 用于建模图结构数据 , 适合表达车辆之间的交互关系 , 通过对车辆及其周围环境的图结构建模 , 可更好地预测车辆在复杂交互场景下的状态 ;

④ 基于车道序列预测

基于车道序列预测 目标轨迹的核心是将预测转化为对目标车辆可能行驶的车道序列的选择问题 , 再生成对应轨迹 ;

基于车道序列预测模型 , 输入高精度地图提供的车道拓扑结构 , 输出多模态的预测结果 , 即多个可能的车道序列及其对应概率和轨迹 ;

基于车道序列预测模型优缺点 :

优点 : 能预测中长期行为 , 符合人类驾驶习惯 , 结果可解释性强 ;
缺点 : 依赖高精地图的质量和实时性 , 在道路结构不规则时可能失效 ;

⑤ 基于车道序列预测 - 概率图模型、深度学习模型

基于车道序列的预测模型的出发点 是认为车辆的行为受到结构化道路的约束 ;

基于车道序列预测模型 :

概率图模型 :
- 马尔科夫模型 : 将车辆的车道变换行为建模为一个马尔科夫过程 , 通过状态转移矩阵来预测车辆在未来时刻位于不同车道的概率 ;
深度学习模型：
- 递归神经网络 RNN : 使用 RNN 编码车道序列和车辆状态 , 最后通过神经网络计算每个车道序列的概率 , 选择概率最高的作为预测结果 ;
- 多层感知网络 MLP : 将感知到的环境信息和车辆状态在一个统一的深度神经网络中进行处理 , 直接输出所有交通参与者的联合未来预测 ;

⑥ 基于车道序列预测 - 轨迹生成

使用 基于车道序列的预测模型 确定了最有可能的车道序列 , 通常会使用多项式拟合的方法 , 根据车辆当前状态和车道中心线 , 生成一条平滑的、物理上可行的轨迹 ;

二、决策规划

1、决策规划目标

决策规划层 的核心目标是生成一条安全、合规、舒适、高效的从当前位置到目标位置的行驶轨迹 , 需要满足如下四个要求 :

安全性 : 绝对优先 , 避免与任何障碍物发生碰撞 ;
合规性 : 遵守交通规则 ;
舒适性 : 动作平滑 , 避免急加速、急刹车、急转弯 ;
高效性 : 在保证安全舒适的前提下 , 尽快到达目的地 ;

上述四个要求优先级从上到下依次从到到低 ;

2、决策规划分层架构

决策规划采用分层处理的架构 , 将任务分为三个层次 :

路由规划 : 全局路径规划 , 根据起点、终点和地图信息 , 规划一条导航路线 ;
- 输入信息 : 高精地图 , 起点 , 终点 ;
- 输出信息 : 一条由路口和道路连接而成的路径 ;
- 常用算法 : A* 算法、Dijkstra 算法 ;
行为决策 : 在路由规划提供的全局路径规划基础上 , 根据实时感知的交通环境 , 做出高层级的战术决策 ;
- 输入信息 : 全局参考路径、实时感知的动态/静态障碍物信息、交通规则 ;
- 输出信息 : 驾驶行为抽象指令 , 如 : 跟随前车、左转、避让行人 ;
- 常用算法 : 有限状态机、决策树、基于规则的系统、强化学习 ;
运动规划 : 局部路径规划 , 将抽象的驾驶行为转化为一条具体、平滑、可由车辆执行的物理轨迹 ;
- 输入信息 : 行为决策指令、全局参考路径信息、周围环境信息 ;
- 输出信息 : 一条包含时间戳的轨迹 , 定义了未来一段时间内 , 车辆每一个时刻的位置 ( Frenet 坐标系 + 直角坐标系的坐标 )、航向角和速度 ;
- 常用算法 : Hybrid A* 算法、RRT 快速探索随机树算法、基于插值的曲线算法 ( 多项式曲线、贝塞尔曲线、样条曲线 ) ;

3、路由规划与运动规划对比与联系

① 对比

路由规划与运动规划对比 :

路由规划是全局战略层的总体导航线路规划 , 运动规划是局部战术层的精细轨迹表达 ;

路由规划的输出数据是车道级道路序列 , 该序列中的坐标点都是大地坐标系中的经纬度坐标 ;

运动规划的输出数据是带时间戳、位置、速度的平滑轨迹点序列 , 该序列中的坐标点是 Frenet 坐标系 + 直角坐标系的坐标 ;

路由规划的目标是走哪条路 , 运动规划的目标是具体怎么走 ;

② 联系

路由规划与运动规划联系 :

路由规划为运动规划表达提供了宏观的参考路线和行驶目标 ;

而精细轨迹表达则是导航线路在局部范围内的具体、安全、舒适的实现 ;

当精细轨迹表达发现局部无法通行时 , 会反馈给上层 , 触发全局路径的重新规划 ;

三、控制系统

1、控制系统核心目标

自动驾驶的 " 感知系统 - 决策规划 - 控制系统 " 的层次架构中 , 控制系统是最终的执行终端 ,

负责接收决策规划层输出的行驶目标 , 通过线控接口精准控制车辆动力、转向、制动等执行机构 , 确保车辆安全、平稳行驶 ;

2、控制系统的输入输出信息

① 输入信息

控制系统的输入信息 :

决策规划输出的数据 :
- 路径规划 : 带有时间戳的路径点序列 , 每个店包含目标位置、速度、朝向、曲率等数据 ;
- 目标状态 : 决策后的本车要达到的目标状态 ;
感知系统输出的数据 :
- 车身状态 : 感知系统 IMU 获取的车速、角速度、加速度、方向盘转角、轮胎抓地力等姿态数据 ;
- 定位信息 : 车辆的精确位置数据 ;

② 输出信息

控制系统的输出信息 : 通过 CAN 总线发送给执行器的控制指令 , 主要包含如下线控指令 ;

线控油门指令 : 控制车辆加速 ;
线控刹车指令 : 控制车辆减速 ;
线控转向指令 : 控制车辆行驶方向 ;
线控档位指令 : 控制前进、倒退、停车档位 ;

3、控制系统的常用算法

控制系统的常用算法 :

比例-积分-微分控制 ( PID , Proportional-Integral-Derivative Control ) : 通过比例项 P 消除当前偏差 , 积分项 I 消除累计偏差 , 微分项 D 抑制偏差变化趋势 , 常用于精度要求不高的纵向速度控制 ;
模型预测控制 ( MPC , Model Predictive Control ) : 基于车辆动力学模型 , 预测未来短时间内的车辆状态 , 通过滚动优化选择使未来偏差最小的控制指令 , 适用于横向轨迹控制和纵向车速控制 ;
滑模控制 ( SMC , Sliding Mode Control ) : 通过强制控制车辆状态沿着预设的滑模面运动 , 适用于车辆稳定性控制场景 ;

python 复制代码

print("Hello World!")

dao_phrases = [
    "预测系统",
    "决策规划",
    "控制系统"
]

print("\n自动驾驶概述 :")
for i, phrase in enumerate(dao_phrases, 1):
    print(f"{i}. {phrase}")

【自动驾驶】自动驾驶概述 ⑨ ( 自动驾驶软件系统概述 | 预测系统 | 决策规划 | 控制系统 )