自动驾驶车辆的系统架构

2.2.2轨迹规划

轨迹规划涉及自动驾驶车从当前状态到下一个目标状态（该状态详细说明了汽车状态随时间的变化过程）生成一系列状态。轨迹规划的方法可以主要分为四类：基于图搜索、基于采样、基于插值曲线以及基于数值优化。

2.2.2.1基于图搜索的技术

用于轨迹规划的基于图搜索的技术是从用于路径规划的技术扩展而来，以用来详细说明汽车状态随时间的变化过程。在自动驾驶汽车中，最常见的基于图搜索的轨迹规划方法是状态点阵、弹性带（EB）和A*。

（1）状态点阵是一种搜索图，该搜索图的顶点表示状态，边表示连接满足设备运动约束的状态的路径。顶点以常规方式放置，并使得相同的路径可用于连接所有顶点。通过这种方式，到目标的路径可能通过图中的一系列边来展示。仅通过表征解决方案中的可能状态，该状态网格必须适合于在线路径规划。此外，该方法必须通过添加时间和速度维度将这种“状态晶格”扩展到动态环境。状态格子能够处理多个维度，例如位置，速度和加速度，并且适用于局部规划和动态环境。但是，它们具有很高的计算成本，因为它会评估图中的每个可能的解决方案。

（2）一种用于道路轨迹规划的共形时空状态格。该方法中围绕中心线路径构建状态网格，在距离中心线的横向偏移处定义道路上的节点，并使用优化算法计算节点之间的边缘。该优化算法找到定义连接任何节点对的边的多项式函数的参数。他们为每个节点分配一个状态向量，其中包含姿势、加速度曲线以及时间和速度范围。通过时间和速度间隔的更精细离散化相比，加速度曲线以更低的成本增加轨迹多样性。此外，时间和速度的范围通过允许将时间和速度分配给图搜索阶段而不是图构建阶段来降低计算成本。

（3）一种迭代优化的方法，该迭代优化应用于从状态点阵导出的合成轨迹，以用来减少规划的时间并改善了轨迹质量。

（4）一种将状态晶格轨迹规划与行为选择融合的规划方法。该方法对一组候选轨迹进行采样，并从中提取不同的行为。通过选择行为并选择与所选行为相关联的候选轨迹来获得最终轨迹。

（5）一种使用三次多项式曲线沿全局路径生成候选路径，此外通过计算速度分布对所生成的路径的点进行分配，并通过成本函数评估所生成的轨迹，并选择最佳轨迹。

在路径规划方法中，基于弹性带方法的优化是通过具有弹性节点和边缘的图表来表征状态空间。通过用连接相邻空间节点的内外边缘对空间节点进行扩充来定义弹性节点。路径是通过优化算法获取。其中优化算法平衡两种力:外部障碍产生的排斥力以及消除带松弛的相邻点所产生的收缩力。该方法展示了连续性和稳定性，具有非确定性的运行时间并且需要无冲突的初始路径。

（6）一种解耦的时空轨迹规划方法，该方法分别进行路径规划和轨迹规划。轨迹规划分为三个阶段：在第一阶段，考虑道路和障碍物约束来计算无碰撞路径，并且使用纯追踪控制器和运动学汽车模型生成可行路径；在第二阶段，在几个约束（速度限制、障碍物接近、横向加速度和纵向加速度）下给出速度分布；最后，给定路径和速度分布，通过参数路径螺旋计算轨迹。通过模拟未来的运动，算法可以对所有静态和移动障碍物进行轨迹评估。

（7）A*算法通常用于路径规划或非结构化轨迹规划。道路轨迹规划， A*的两种新的节点扩展方案。第一种方案通过数值优化来试图找到汽车从当前节点直接连接到目标节点的轨迹。第二种方案使用纯追踪控制器去在沿着全局参考路径上，生成引导汽车的短边（即，短运动基元）。

2.2.2.2基于抽样的方法

基于采样的方法是通过随机地对状态空间进行采样来寻找汽车当前状态和下一个目标状态之间的连接。在自动驾驶汽车轨迹规划中，最常用的基于采样的方法是快速探索随机树（RRT）。

用于轨迹生成的RRT方法使用来自状态空间的随机样本将汽车从当前状态进行递增，以用来构建搜索树。在每个随机状态，控制命令应用在树的最近顶点，以用来创建尽可能接近随机状态的新状态。其中树的每个顶点表示一个状态，每个有向边表示一个用于扩展状态的命令。候选轨迹通过各种标准进行评估。RRT方法对于高维空间具有较低的计算成本，并且只要解存在，总是找到解决方案，但需要算法给予足够的时间。然而，它的结果并不是连续而且不稳定。

（1）一种用于无人驾驶车“IARA”的轨迹规划的RRT方法。该方法为标准RRT方法提供了新的变体，该变体方法用来将随机状态的位置偏向车道区域，选择期望最高的控制命令来扩展状态，选择最佳轨迹，丢弃非期望状态，并重新使用部分在之前的规划周期内构建的轨迹。

（2）一种使用驾驶员在道路上的视觉搜索行为来指导RRT的状态采样。驾驶员在进行转弯过长中会使用“近点”和“远点”。他们利用弯道上显示的驾驶员视觉搜索行为的这一特征来指导RRT方法。此外，他们采用基于B样条的后处理方法来生成平滑、连续和可行的轨迹。

2.2.2.3基于曲线的插值方法

基于插值曲线的方法通过内插先前已知的一组点（如道路地图路点）并且构建更平滑的轨迹。该轨迹同时考虑汽车的运动和动态约束、舒适度、障碍物以及其他参数。在自动驾驶汽车的轨迹规划中最常见的基于内插曲线的技术是回旋曲线。

回旋曲线允许定义具有线性可变曲率的轨迹，以便直线段到弯曲段之间的过渡是平滑的。然而，由于通过积分方法来定义，因此回旋曲线具有高计算成本，并且它取决于全局航路点。

使用回旋触角进行轨迹规划。从汽车的重心开始，采用回旋曲线的形式，根据不同的速度和不同的初始转向角来计算出触角。可使用占据栅格图将触角分类为可导航或不可导航。在可通航的触角中，最好的触手是根据几个标准选择的。使用马尔可夫决策过程启发的方法来选择最佳触手。

2.2.2.4基于数值优化的方法

基于数值优化的方法是将约束变量的函数最小化或最大化的过程。在自动驾驶汽车轨迹规划中，最常见的基于数值优化的技术是函数优化和模型预测方法。

函数优化方法是在考虑轨迹约束(如位置，速度，加速度和加加速度）下最小化成本函数来找到轨迹。该类方法可以很容易将汽车的运动学和动力学约束以及环境的约束考虑到成本函数中。然而，由于在每个运动状态中都需要进行优化，并且取决于全局航路点，因此这种方法具有高计算成本。

（1）一种使用功能优化方法对自动驾驶汽车“Bertha”进行轨迹规划。他们通过在轨迹约束内最小化成本函数得到最佳轨迹。成本函数组成如下：使轨迹以指定的速度驾驶通道的中间行驶，对强加速度进行惩罚，抑制加速度的快速变化，并衰减高偏航率。

用于轨迹规划的模型预测方法是通过对汽车从当前状态和下一个目标状态之间产生动态可行的控制命令。它们可用于解决生成满足状态约束的参数化控制命令的问题，其中动态可由微分方程表示。

（2）一种使用模型预测方法对自动驾驶汽车“Boss”进行轨迹规划。该方法可以生成到从中心线路径导出的一组目标状态的轨迹。为了计算每个轨迹，他们使用优化算法逐渐修改轨迹控制参数的初始近似，直到轨迹终点误差在可接受的界限内。轨迹控制参数包括轨迹长度以及定义曲率轮廓的样条曲线的三个结点。基于若干因素（如，当前道路的速度极限，最大可行速度和目标状态速度）为每个轨迹生成的速度分布。并根据它们与障碍物的距离、到中心线路径的距离、平滑度、终点误差和速度误差来选择最佳轨迹。

（3）一种使用基于状态采样的轨迹规划方案，该方案在全局参考路径中对目标状态进行采样，并应用模型预测路径规划方法来产生将汽车从当前状态连接到采样目标状态的路径。速度曲线用于为生成路径的每个状态进行分配速度。考虑安全性和舒适性的成本函数用于选择最佳轨迹。

（4）一种使用模型预测方法进行自动驾驶车辆“IARA”的轨迹规划。为了计算轨迹，他们使用优化算法来找到轨迹控制参数，该轨迹控制参数在到目标状态的距离，到中心线路径的距离以及与障碍物的接近度进行最小化优化。其中轨迹控制参数包括轨迹时间和四个结点（指定转向角轮廓的样条曲线）。

上述方法的优缺点总结和参考文献如下图34，35所示。

图34  常见路径规划方法对比

图35  常见路径规划方法对比

2.3控制

在自动驾驶汽车领域，控制指的是工程领域自动控制背后的理论，该理论涵盖了在无需持续直接人为干预的情况下应用机制来操作和调节过程。在最简单的自动控制类型中，控制子系统将过程的输出与期望的输入进行比较，并使用误差（过程的输出和期望的输入之间的差异）来改变过程的输入，从而使过程在受到干扰的情况下仍保持在其设定点。在自动驾驶车辆中，自动控制理论通常具有路径跟踪和底盘控制两种方法。路径跟踪方法的作用是在汽车模型存在不准确的情况下稳定运动计划的执行。底盘控制的作用是计算在执行器模型和其他方面存在不准确的情况下执行运动计划的转向、油门和制动执行器输入。

路径跟踪方法也称为控制技术，因为它们采用自动控制理论，并将路径视为要控制的信号。然而，在自动驾驶汽车领域，更适合将其称为路径跟踪方法，以便将其与底盘控制方法区分开来。

2.3.1路径跟踪方法

路径跟踪方法主要是执行由运动规划子系统计算的运动规划，以减少主要由汽车运动模型引起的误差。它们可以被认为是简化的轨迹规划技术。虽然它们不处理障碍物，但由于其可以简单得实现，被广泛用于自动驾驶汽车的路径跟踪。如图36所示，它包括在距离当前路径一定距离的路径中找到一个点，并转动前轮，以使一条圆弧将后轴中心与路径中的点连接起来。

图36  纯跟踪方法示意图除了纯跟踪方法，基于运动学的路径跟踪方法还有Stanley方法。模型预测控制（MPC）方法广泛应用于无人驾驶汽车。它包括选择将导致期望硬件输出的控制命令输入，使用汽车的运动模型在未来的预测范围内模拟和优化输出。

图37   Stanley控制算法示意图

图38  模型预测控制原理框图