目录

自动驾驶决策与规划概述

决策与规划体系结构

分层递阶式决策规划

反应式体系结构

混合式体系结构

决策与规划系统的关键环节

路径规划

轨迹规划

行为决策

异常处理

自动驾驶的路径规划技术

维诺图法

栅格法

Dijkstra算法

A*算法

自动驾驶的行为决策方法

基于规则的行为决策方法

基于强化学习的行为决策方法

自动驾驶的运动规划

局部规划方法

动态窗口局部运动规划算法（DWA）

---

自动驾驶决策与规划概述

决策规划是自动驾驶的核心技术，确保车辆流畅、准确地执行各种驾驶行为。

融合多传感信息，根据驾驶需求进行决策，避开障碍物，规划多条安全路径，并选择最优路径作为行驶轨迹。

决策规划系统类比于人类大脑，负责处理和分析驾驶过程中的各种信息。

决策规划系统需要从环境感知模块获取实时的环境感知信息，包括道路情况、车辆周围障碍物信息、交通信号信息等。

根据驾驶需求和环境感知信息，决策规划系统需要进行任务决策，包括路径规划、速度规划、加速度规划等。

决策规划系统需要将任务决策的结果转化为控制执行信号，提供给车辆控制系统，再由控制系统控制车辆按照规划轨迹行驶。

作为自动驾驶体系结构的关键部分，该模块利用环境感知、车辆状态信息和驾驶任务需求来制定决策和规划。

包含路径规划、行为决策和运动规划三个子模块。路径规划负责全局路径选择，行为决策关注局部行为决策，而运动规划则处理局部轨迹和速度规划。

这一模块直接反映了自动驾驶系统的智能水平，其性能对车辆行驶安全性和整车性能具有重要影响。

决策与规划体系结构

分层递阶式体系结构是一个串联系统结构，由一系列负责特定任务的模块组成，这些模块按特定层次结构排列，形成递阶式系统。

分层递阶式决策规划

分层递阶式决策规划结构可以很好地处理复杂的问题。通过将问题分解为多个简单的问题，它可以逐步精细地解决问题，从而提高系统的准确性和效率。

分层递阶式决策规划结构可以将智能控制算法应用到系统中，从而实现对车辆行为的智能控制。

由于分层递阶式决策规划结构具有良好的模块化特点，因此可以方便地添加或删除模块，以满足系统的不同需求。

需要大量传感器来感知环境状态信息，导致成本和技术难度增加。

存在大量计算需求，如传感器数据处理和信息融合，可能遇到计算瓶颈。为解决此问题，需采用高效算法和并行计算技术。

反应式体系结构

每个控制层可以直接基于传感器的输入进行决策，因而它所产生的动作是传感器数据直接作用的结果，可突出“感知-动作”的特点，易于适应完全陌生的环境。

基于行为的反应式体系结构是反应式体系中最常用的结构，存在着多个并行的控制回路。针对各个局部目标设计对应的基本行为，这些行为通过协调配合后作用于驱动装置，产生有目的的动作，形成各种不同层次的能力。

反应式体系结构具有实时性和灵活性，能够快速响应环境变化，适应完全陌生的环境。

基于行为的反应式体系结构强调“感知-动作”，易于适应环境，不易受限于当前状态。

低层次模块具有独立控制系统运动的功能，不必等待高层次处理完毕即可产生有意义动作。

设计成简单特殊任务的感知、规划和控制模块可以紧密集成，占用存储空间小，响应快速，实时性强。

反应式体系结构中，需要特定的协调机制解决各个控制回路对同一执行机构争夺控制的冲突。

随着任务复杂程度以及各种行为之间交互作用的增加，预测一个体系整体行为的难度将会增大。

反应式体系结构缺乏较高等级的智能，需要设计特定的协调机制来解决各个控制回路之间的冲突。

混合式体系结构

混合式体系结构是解决分层递阶式和反应式体系结构问题的一种方案，通过结合两者的优点，实现行驶环境复杂多变时的使用需求。

在全局规划层次上，混合式体系结构生成面向目标定义的分层递阶式行为。 在局部规划层次上，生成面向目标搜索的反应式体系的行为分解。