這一部分概述了自動(dòng)駕駛汽車自動(dòng)化系統(tǒng)的典型體系結(jié)構(gòu)，并對(duì)感知系統(tǒng)、決策系統(tǒng)及其子系統(tǒng)的職責(zé)進(jìn)行了評(píng)述。

下圖顯示了自動(dòng)駕駛汽車系統(tǒng)的典型架構(gòu)框圖，其中感知和決策系統(tǒng)顯示為不同顏色的模塊集合。感知系統(tǒng)負(fù)責(zé)使用車載傳感器捕獲的數(shù)據(jù)，如光探測(cè)和測(cè)距（LIDAR）、無(wú)線電探測(cè)和測(cè)距（雷達(dá)）、攝像機(jī)、全球定位系統(tǒng)（GPS），慣性測(cè)量單元（IMU）、里程表，以及有關(guān)傳感器模型、道路網(wǎng)絡(luò)、交通規(guī)則、汽車動(dòng)力學(xué)等的先驗(yàn)信息的決策。

決策系統(tǒng)負(fù)責(zé)將汽車從初始位置導(dǎo)航到用戶定義的最終目標(biāo)，考慮到車輛狀態(tài)和環(huán)境的內(nèi)部表現(xiàn)，以及交通規(guī)則和乘客的舒適度。為了在整個(gè)環(huán)境中導(dǎo)航汽車，決策系統(tǒng)需要知道汽車在其中的位置。定位器模塊負(fù)責(zé)根據(jù)環(huán)境的靜態(tài)地圖估計(jì)車輛狀態(tài)（姿態(tài)、線速度、角速度等）。這些靜態(tài)地圖在自動(dòng)操作之前自動(dòng)計(jì)算，通常使用自動(dòng)駕駛汽車本身的傳感器，盡管需要手動(dòng)注釋（即人行橫道或紅綠燈的位置）或編輯（即移除傳感器捕獲的非靜態(tài)物體）。自動(dòng)駕駛汽車可以使用一個(gè)或多個(gè)不同的離線地圖，如占用網(wǎng)格地圖、緩解地圖或地標(biāo)地圖，進(jìn)行定位。

定位模塊接收離線地圖、傳感器數(shù)據(jù)和平臺(tái)里程計(jì)作為輸入，并生成自動(dòng)駕駛汽車的狀態(tài)作為輸出。需要注意的是，雖然GPS可能有助于定位控制器的處理，但由于樹(shù)木、建筑物、隧道等造成的干擾，使得GPS定位不可靠，僅GPS在城市環(huán)境中進(jìn)行適當(dāng)?shù)亩ㄎ皇遣粔虻?。映射器模塊接收離線地圖和狀態(tài)作為輸入，并生成在線地圖作為輸出。該在線地圖通常是離線地圖中的信息和使用傳感器數(shù)據(jù)和當(dāng)前狀態(tài)在線計(jì)算的占用網(wǎng)格地圖的合并。在線地圖最好只包含環(huán)境的靜態(tài)表示，因?yàn)檫@可能有助于決策系統(tǒng)的某些模塊的操作。為了允許檢測(cè)和移除在線地圖中的移動(dòng)對(duì)象，通常使用移動(dòng)對(duì)象跟蹤模塊或MOT。

行為選擇器模塊負(fù)責(zé)選擇當(dāng)前的駕駛行為，如車道保持、交叉口處理、紅綠燈處理等。行為選擇器根據(jù)當(dāng)前駕駛行為選擇目標(biāo)，并在決策時(shí)間范圍內(nèi)避免與環(huán)境中的靜態(tài)和移動(dòng)障礙物發(fā)生碰撞。運(yùn)動(dòng)規(guī)劃模塊負(fù)責(zé)計(jì)算從當(dāng)前車輛狀態(tài)到當(dāng)前目標(biāo)的軌跡，該軌跡遵循行為選擇器定義的路徑，滿足車輛的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束，并為乘客提供舒適性。

在這一部分中，我們研究了文獻(xiàn)中提出的自動(dòng)駕駛汽車感知系統(tǒng)的重要方法，包括定位（或定位）、離線障礙物映射、道路映射、移動(dòng)障礙物跟蹤和交通信號(hào)檢測(cè)與識(shí)別。

定位模塊負(fù)責(zé)估計(jì)自動(dòng)駕駛汽車相對(duì)于地圖或道路的姿態(tài)（位置和方向）（例如，由路緣或道路標(biāo)記表示）。大多數(shù)通用定位子系統(tǒng)都是基于GPS的。然而，總的來(lái)說(shuō)，它們不適用于城市自動(dòng)駕駛汽車，因?yàn)镚PS信號(hào)不能保證在封閉區(qū)域，如樹(shù)下、城市峽谷（被大型建筑物包圍的道路）或隧道中。文獻(xiàn)中提出了各種不依賴GPS的定位方法。它們主要分為三類：基于激光雷達(dá)的、基于激光雷達(dá)加相機(jī)的和基于相機(jī)的?；诩す饫走_(dá)的定位方法完全依賴于激光雷達(dá)傳感器，具有測(cè)量精度高、處理方便等優(yōu)點(diǎn)。然而，盡管激光雷達(dá)行業(yè)努力降低生產(chǎn)成本，但與相機(jī)相比，它仍然有很高的價(jià)格。在典型的基于LIDAR+camera的定位方法中，LIDAR數(shù)據(jù)僅用于建立地圖，并使用相機(jī)數(shù)據(jù)估計(jì)自動(dòng)駕駛汽車相對(duì)于地圖的位置，從而降低了成本?；跀z像機(jī)的定位方法是廉價(jià)和方便的，盡管通常不太精確和可靠。

經(jīng)典方法提出了一種結(jié)合三維點(diǎn)配準(zhǔn)算法的多層自適應(yīng)蒙特卡羅定位（ML-AMCL）方法。為了估計(jì)汽車姿態(tài)，從三維激光雷達(dá)測(cè)量中提取水平層，并使用單獨(dú)的AMCL實(shí)例將層與使用三維點(diǎn)注冊(cè)算法構(gòu)建的三維點(diǎn)云地圖的二維投影對(duì)齊。對(duì)于每個(gè)姿態(tài)估計(jì)，對(duì)一系列的里程測(cè)量進(jìn)行一致性檢查。將一致的姿態(tài)估計(jì)融合到最終的姿態(tài)估計(jì)中。該方法在實(shí)際數(shù)據(jù)上進(jìn)行了評(píng)估，得到相對(duì)于GPS參考的位置估計(jì)誤差為0.25m。然而，地圖是昂貴的存儲(chǔ)，因?yàn)樗且粋€(gè)三維地圖。Veronese等人提出了一種基于MCL算法的定位方法，該方法通過(guò)二維在線占有柵格地圖和二維離線占有柵格地圖之間的地圖匹配來(lái)校正粒子的姿態(tài)，如下圖所示。評(píng)估了兩種地圖匹配距離函數(shù)：改進(jìn)了傳統(tǒng)的兩個(gè)柵格地圖之間的似然場(chǎng)距離，以及兩個(gè)高維向量之間的自適應(yīng)標(biāo)準(zhǔn)余弦距離。對(duì)IARA自動(dòng)駕駛汽車的實(shí)驗(yàn)評(píng)價(jià)表明，利用余弦距離函數(shù)，定位方法可以在100hz左右工作，橫向和縱向誤差分別為0.13m和0.26m。 

一些方法利用激光雷達(dá)數(shù)據(jù)建立地圖，利用攝像機(jī)數(shù)據(jù)估計(jì)自動(dòng)駕駛汽車相對(duì)于地圖的位置。Xu等人提出了一種立體圖像與三維點(diǎn)云地圖匹配的定位方法。地圖由一家地圖公司（http://www.）生成，由幾何數(shù)據(jù)（緯度、經(jīng)度和海拔）和從里程表、RTK-GPS和2D激光雷達(dá)掃描儀獲取的緩解數(shù)據(jù)組成。他們將地圖的三維點(diǎn)從真實(shí)坐標(biāo)系轉(zhuǎn)換到攝像機(jī)坐標(biāo)系，并從中提取深度和強(qiáng)度圖像。采用MCL算法，通過(guò)將汽車攝像機(jī)拍攝的立體深度和強(qiáng)度圖像與從3D點(diǎn)云地圖中提取的深度和強(qiáng)度圖像進(jìn)行匹配來(lái)估計(jì)汽車的位置。該方法在實(shí)際數(shù)據(jù)上進(jìn)行了評(píng)估，并給出了0.08 m到0.25 m之間的位置估計(jì)誤差。VIS16提出了一種將地面全景圖與一年中不同季節(jié)拍攝的衛(wèi)星圖像相匹配的自動(dòng)駕駛汽車定位方法。在他們的方法中，激光雷達(dá)數(shù)據(jù)被分為地面/非地面類別。接下來(lái)，利用激光雷達(dá)數(shù)據(jù)將全景相機(jī)拍攝的自駕車地面圖像分割成地面/非地面區(qū)域，然后進(jìn)行扭曲以獲得鳥(niǎo)瞰圖。利用kmeans聚類將衛(wèi)星圖像分割成地面/非地面區(qū)域。然后利用MCL將鳥(niǎo)眼圖像與衛(wèi)星圖像進(jìn)行匹配，估計(jì)姿態(tài)。該方法在NavLab11自動(dòng)駕駛汽車上進(jìn)行了驗(yàn)證，獲得了3m~4.8m的位置估計(jì)誤差。

有些方法主要依靠攝像機(jī)數(shù)據(jù)來(lái)定位自駕車。Brubaker等人提出了一種基于視覺(jué)里程和道路地圖的定位方法。他們使用OpenStreetMap，從中提取出感興趣區(qū)域內(nèi)連接他們的所有十字路口和所有可行駛道路（以分段線性段表示）。然后建立了一個(gè)基于圖的路線圖表示法和一個(gè)汽車如何通過(guò)該圖的概率模型。利用這個(gè)概率模型和視覺(jué)里程測(cè)量，他們估計(jì)汽車相對(duì)于路線圖的位移。使用遞歸貝葉斯濾波算法，通過(guò)利用圖形的結(jié)構(gòu)和車輛如何移動(dòng)的模型（通過(guò)視覺(jué)里程計(jì)測(cè)量）在圖形中執(zhí)行推斷。該算法能夠通過(guò)增加當(dāng)前姿勢(shì)位于與最新汽車運(yùn)動(dòng)（直線行駛距離和最近的曲線）相關(guān)的圖形點(diǎn)的概率，并通過(guò)降低其位于不相關(guān)的點(diǎn)的概率來(lái)精確定位汽車在圖形中的位置。定位方法在KITTI視覺(jué)里程數(shù)據(jù)集上進(jìn)行評(píng)估，并在行駛52秒后能夠在包含2150公里可行駛道路的18平方公里地圖上定位車輛，精度為4米。一些方法使用相機(jī)數(shù)據(jù)來(lái)構(gòu)建特征地圖。Ziegler等人描述了自主車輛Bertha在歷史悠久的Bertha-Benz紀(jì)念路線上自主駕駛所使用的定位方法。提出了兩種基于互補(bǔ)視覺(jué)的定位技術(shù)：基于點(diǎn)特征的定位（PFL）和基于車道特征的定位（LFL）。在PFL中，使用從當(dāng)前相機(jī)圖像中提取的DIRD描述符，將當(dāng)前相機(jī)圖像與先前在映射過(guò)程中獲取的相機(jī)圖像序列的圖像進(jìn)行比較。從映射過(guò)程中捕獲的圖像的全局位置恢復(fù)全局位置估計(jì)。在LFL中，地圖半自動(dòng)計(jì)算，提供道路標(biāo)記特征（水平道路信號(hào)）的全局幾何表示。通過(guò)檢測(cè)從攝像機(jī)圖像的鳥(niǎo)瞰圖中提取的道路標(biāo)記特征并將其與存儲(chǔ)在地圖中的水平道路信號(hào)相關(guān)聯(lián)，將當(dāng)前攝像機(jī)圖像與地圖匹配。然后，由PFL和LFL獲得的位置估計(jì)被Kalman濾波器組合（作者不提供組合定位誤差的估計(jì)）。Jo等人提出了類似于LFL的定位方法。一些方法使用相機(jī)數(shù)據(jù)來(lái)構(gòu)造特征地圖，但采用了其他類型的特征。Radwan等人提出了一種基于文本特征檢測(cè)的定位方法?，F(xiàn)成的文本提取技術(shù)用于識(shí)別環(huán)境中的文本標(biāo)簽。采用MCL算法對(duì)多個(gè)觀測(cè)值進(jìn)行融合。該方法在實(shí)際數(shù)據(jù)上進(jìn)行了評(píng)估，并給出了1 m到25 m之間的位置估計(jì)誤差。Spangenberg等人提出使用桿狀地標(biāo)作為主要特征，因?yàn)樗鼈兪仟?dú)特的、長(zhǎng)期穩(wěn)定的，并且可以被立體攝像機(jī)檢測(cè)到。此外，它們?cè)试S內(nèi)存高效的映射表示。特征檢測(cè)主要由立體攝像機(jī)完成。定位采用MCL算法結(jié)合Kalman濾波器進(jìn)行魯棒性和傳感器融合。該方法在自主車輛上進(jìn)行了評(píng)估，得到了0.14m到0.19m之間的位置估計(jì)誤差。一些方法建議使用神經(jīng)網(wǎng)絡(luò)對(duì)自動(dòng)駕駛汽車進(jìn)行定位。它們由相關(guān)的攝像機(jī)圖像和相關(guān)的全局位置組成。在映射階段，神經(jīng)網(wǎng)絡(luò)建立環(huán)境的表示。為此，它學(xué)習(xí)一系列圖像和圖像被捕獲的全局位置，這些位置存儲(chǔ)在一個(gè)神經(jīng)地圖中。在定位階段，神經(jīng)網(wǎng)絡(luò)利用神經(jīng)網(wǎng)絡(luò)地圖提供的先驗(yàn)知識(shí)來(lái)估計(jì)當(dāng)前觀測(cè)圖像的全局位置。這些方法存在儀表刻度誤差，難以實(shí)現(xiàn)大面積自主車輛的定位。

離線障礙物地圖子系統(tǒng)負(fù)責(zé)自動(dòng)駕駛汽車環(huán)境中障礙物地圖的計(jì)算。該子系統(tǒng)對(duì)于允許自主車輛在公共道路上安全行駛而不與障礙物（如路標(biāo)、路緣）碰撞至關(guān)重要。障礙地圖包含與汽車可能或可能無(wú)法導(dǎo)航的位置相關(guān)的信息，區(qū)分自由（可穿越）空間和占用空間。汽車必須總是在空余的地方。障礙物地圖由地圖繪制階段的傳感器數(shù)據(jù)構(gòu)建，并存儲(chǔ)在自主操作階段供以后使用。狀態(tài)空間的表示通常區(qū)別于拓?fù)浜投攘勘硎?。拓?fù)浔硎緦顟B(tài)空間建模為一個(gè)圖，其中節(jié)點(diǎn)表示重要位置（或特征），邊表示它們之間的拓?fù)潢P(guān)系（例如位置、方向、鄰近性和連接性）。這些分解的分辨率取決于環(huán)境的結(jié)構(gòu)。度量表示通常將狀態(tài)空間分解為規(guī)則間隔的單元。這種分解不依賴于特征的位置和形狀。度量表示的空間分辨率往往高于拓?fù)浔硎镜目臻g分辨率。這樣的多功能性和高效性使得它們成為最常見(jiàn)的空間表現(xiàn)形式。

道路地圖子系統(tǒng)負(fù)責(zé)收集自駕車周圍道路和車道的信息，并將其表示在具有幾何和拓?fù)涮匦缘牡貓D中，包括相互連接和限制。道路制圖子系統(tǒng)的主要內(nèi)容是地圖表示和地圖創(chuàng)建。

1） 道路圖表示與障礙地圖一樣，道路圖通常區(qū)分為度量地圖和拓?fù)涞貓D。

a） 度量表示路線圖的簡(jiǎn)單度量表示是一個(gè)網(wǎng)格圖，它將環(huán)境離散為一個(gè)固定大小的單元矩陣，該矩陣包含有關(guān)是否屬于某條道路的信息以及移動(dòng)到其相鄰單元的成本。道路網(wǎng)格地圖簡(jiǎn)單易懂。然而，如果移動(dòng)成本在路線圖的大范圍內(nèi)是一致的，那么使用網(wǎng)格表示可能需要浪費(fèi)內(nèi)存空間和處理時(shí)間。路線點(diǎn)序列是壓縮大型道路網(wǎng)格地圖中路徑描述的一種替代方法。路線點(diǎn)是沿路線柵格地圖中的路徑的點(diǎn)。路線點(diǎn)序列可以手動(dòng)定義，也可以自動(dòng)從道路網(wǎng)格地圖中提取。對(duì)于2005年DARPA大挑戰(zhàn)，提出了路線數(shù)據(jù)定義文件（RDDF），它是一個(gè)格式化文件，包含指定自主車輛運(yùn)行路徑的航路點(diǎn)坐標(biāo)和其他相關(guān)信息（緯度、經(jīng)度、橫向邊界偏移和航速）。Carneiro等人為無(wú)人駕駛汽車IARA提出一個(gè)路線圖，以推斷城市道路中車道的位置和相關(guān)特性，該路線圖同時(shí)使用了道路網(wǎng)格圖和RDDF路徑，如下圖所示。IARA的道路網(wǎng)格地圖包含0.2×0.2 m的正方形單元格。為屬于車道的每個(gè)單元格分配一個(gè)非零代碼。從1到16的代碼表示單元格到車道中心的相對(duì)距離，以及單元格中存在的車道標(biāo)記類型（斷開(kāi)、實(shí)心或無(wú)）。IARA的RDDF路徑包含間距為0.5米的航路點(diǎn)，并通過(guò)獎(jiǎng)勵(lì)靠近車道中心的單元格的算法自動(dòng)從道路網(wǎng)格地圖中提取。IARA的道路網(wǎng)格圖和RDDF路徑在聯(lián)邦圣埃斯皮里托大學(xué)（UFES）主校區(qū)的環(huán)形道路上進(jìn)行了3.7公里的自動(dòng)測(cè)試。

b） 拓?fù)浔硎韭肪€圖的一種更復(fù)雜的表示是拓?fù)鋱D，它將環(huán)境描述為一個(gè)圖形模型，其中頂點(diǎn)表示位置，邊表示它們之間的拓?fù)潢P(guān)系。拓?fù)鋱D可以包含更復(fù)雜的信息，包括多車道、車道交叉口和車道合并。針對(duì)2007年DARPA城市挑戰(zhàn)賽，提出了路線網(wǎng)絡(luò)定義文件（RNDF），這是一個(gè)拓?fù)鋱D，定義為指定無(wú)人駕駛汽車運(yùn)行路段的格式化文件。根據(jù)該文件，道路網(wǎng)絡(luò)包括一個(gè)或多個(gè)路段，每個(gè)路段包括一個(gè)或多個(gè)車道。路段的特征是車道數(shù)、街道名稱和速度限制。車道的特征是車道的寬度、車道標(biāo)線和一組航路點(diǎn)。車道之間的連接以出口和入口航路點(diǎn)為特征。厄姆森等人。URM08使用RNDF的圖表模型作為自動(dòng)駕駛汽車的老板（卡內(nèi)基梅隆大學(xué)的汽車在2007年DARPA城市挑戰(zhàn)賽中獲得第一名）。圖中的每個(gè)節(jié)點(diǎn)表示一個(gè)航路點(diǎn)，方向邊緣表示將該節(jié)點(diǎn)連接到它可以到達(dá)的所有其他航路點(diǎn)的車道。基于多個(gè)因素的組合，將成本分配給邊緣，這些因素包括穿過(guò)與邊緣相關(guān)聯(lián)的車道的預(yù)期時(shí)間、車道長(zhǎng)度和環(huán)境的復(fù)雜性。Ramm等人。[RAM11]提出了OpenStreetMap（OSM），它使用節(jié)點(diǎn)、方式和關(guān)系這三個(gè)基本體用拓?fù)鋱D來(lái)建模環(huán)境。節(jié)點(diǎn)表示地理點(diǎn)，方式表示節(jié)點(diǎn)列表（多段線），關(guān)系由任意數(shù)量的成員組成，這些成員可以是三種類型中的任何一種，并且具有指定的角色。其他道路特性（如行駛方向和車道數(shù)）作為元素的特性給出。Bender等人。BEN14提出了一個(gè)高度詳細(xì)的拓?fù)渎肪€圖，稱為lanelet地圖，用于自動(dòng)車輛泊位。lanelet地圖包括道路的幾何和拓?fù)涮卣鳎绲缆?、車道和交叉口，使用原子互?lián)的可駕駛路段，稱為lanelets，如下圖所示。lanelet的幾何圖形由左邊界和右邊界定義，每個(gè)邊界對(duì)應(yīng)一個(gè)點(diǎn)列表（多段線）。此表示隱式定義每個(gè)車道的寬度和形狀及其駕駛方向。lanelet的鄰接構(gòu)成一個(gè)加權(quán)有向圖，其中每個(gè)lanelet表示一個(gè)頂點(diǎn)，lanelet的長(zhǎng)度表示其出邊的權(quán)重。其他元素描述了限制條件，如速度限制和交通規(guī)則，如交叉口和合并權(quán)。lanelet地圖在歷史悠久的Bertha-Benz紀(jì)念路線上進(jìn)行了103公里的自動(dòng)測(cè)試。高清地圖（HD-maps）是為無(wú)人駕駛汽車提供動(dòng)力的新一代拓?fù)涞貓D。高清地圖具有厘米級(jí)的高精度，包含豐富的信息，如車道位置、道路邊界和道路曲率。由于創(chuàng)建高清地圖的成本很高，因此有一些平臺(tái)可以作為服務(wù)提供高清地圖。Dharia對(duì)頂級(jí)供應(yīng)商進(jìn)行了評(píng)估和排名，分別是Google、HERE、TomTom和Apple。

2） 路線圖創(chuàng)建創(chuàng)建路線圖的最簡(jiǎn)單方法是從航空?qǐng)D像中提取道路形狀的手動(dòng)注釋。然而，大型城市道路網(wǎng)所需的大量人工操作可能會(huì)使人工標(biāo)注變得不可行。為此，人們提出了從航空?qǐng)D像自動(dòng)生成道路圖的方法。

a） Urmson等人使用從航空?qǐng)D像中提取的道路形狀的手動(dòng)注釋，以便為自動(dòng)駕駛汽車的駕駛臺(tái)創(chuàng)建道路圖。得到的局部道路形狀是準(zhǔn)確的，但由于圖像的分辨率和全局配準(zhǔn)的影響，全局位置不太準(zhǔn)確。為此，他們的定位方法采用位置濾波處理道路模型誤差。Bender等人。BEN14還采用了自動(dòng)車輛泊位的lanelet地圖的所有元素和屬性的手動(dòng)標(biāo)注。使用OSM格式和java OSM編輯器，使用虛擬頂視圖圖像作為L(zhǎng)ANELET的手動(dòng)注釋的基礎(chǔ)。

b） 自動(dòng)生成從航空?qǐng)D像自動(dòng)生成路線圖的方法很多。韋格納等人使用高階條件隨機(jī)場(chǎng)（CRF）通過(guò)將圖像分割為超級(jí)像素并添加連接這些超級(jí)像素的路徑來(lái)模擬道路網(wǎng)絡(luò)的結(jié)構(gòu)。Mnih和Hinton使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）獲得路段。道路分割的一個(gè)補(bǔ)充任務(wù)是從俯視圖或正面圖像中檢測(cè)車道。Aeberhard等人對(duì)于寶馬的自動(dòng)駕駛汽車，使用地面柵格地圖，其中每個(gè)單元表示具有高反射率的地面位置的概率。采用二次多項(xiàng)式模型提取道路邊界。車道定位與數(shù)字地圖結(jié)合使用，以獲得對(duì)環(huán)境的更高層次的理解。地圖主要由兩層組成：語(yǔ)義幾何層和定位層。語(yǔ)義幾何層包含車道模型幾何和車道連通性等高層語(yǔ)義信息。定位層包含車道標(biāo)線和道路邊界，與GPS和車輛里程計(jì)一起，可用于將車輛匹配到地圖上。

Lee等人還使用激光雷達(dá)緩解數(shù)據(jù)來(lái)檢測(cè)車道標(biāo)記和攝像機(jī)圖像，以防車道劃分不明確。道路上的車道標(biāo)記是為了在夜間與前照燈一起使用具有良好反光效果的特殊油漆而制成的。有了這個(gè)特性，激光雷達(dá)可以檢測(cè)到道路標(biāo)記，即使是在光照因雨或陰影而改變的情況下。基于攝像機(jī)圖像的車道標(biāo)線檢測(cè)技術(shù)只在易受攻擊的情況下運(yùn)行（如背光和低光）。這種方法在韓國(guó)首爾2公里的航程中得到了成功的測(cè)試。Carneiro等人使用深度神經(jīng)網(wǎng)絡(luò)（DNN）來(lái)推斷自主車輛IARA水平信號(hào)不良或無(wú)水平信號(hào)的車道的位置和相關(guān)特性。DNN將LIDAR緩解柵格地圖分割為道路柵格地圖，將非零代碼（從1到16）分配給屬于車道的地圖單元，這些單元表示到車道中心的相對(duì)距離和單元中車道標(biāo)記的類型。利用數(shù)十公里的道路標(biāo)線數(shù)據(jù)集對(duì)DNN進(jìn)行訓(xùn)練，使DNN的精度足以滿足IARA的實(shí)際自主駕駛。道路分割并不直接提供路線圖，它定義地圖單元是否是道路的一部分。為了解釋道路分割、提取拓?fù)浣Y(jié)構(gòu)和構(gòu)建路線圖，需要一個(gè)復(fù)雜的后處理流水線。巴斯塔尼等人提出了道路追蹤方法，該方法尋求直接從CNN生成路線圖，而不是依賴中間圖像表示。它使用一個(gè)迭代的圖形構(gòu)建過(guò)程，一次添加一個(gè)單獨(dú)的路段，并使用CNN來(lái)決定下一個(gè)要添加的路段。對(duì)15個(gè)城市24平方公里的航空影像進(jìn)行的逐點(diǎn)匹配檢驗(yàn)，平均誤差為5%。

運(yùn)動(dòng)目標(biāo)跟蹤（MOT）子系統(tǒng)（也稱為多目標(biāo)檢測(cè)與跟蹤-DATMO）負(fù)責(zé)檢測(cè)和跟蹤自動(dòng)駕駛汽車周圍環(huán)境中運(yùn)動(dòng)障礙物的姿態(tài)。該子系統(tǒng)對(duì)于使自主車輛做出決策和避免與潛在移動(dòng)物體（如其他車輛和行人）碰撞至關(guān)重要。隨著時(shí)間的推移，移動(dòng)障礙物的位置通常是根據(jù)測(cè)距傳感器（如激光雷達(dá)和雷達(dá)）或立體相機(jī)捕獲的數(shù)據(jù)來(lái)估計(jì)的。單目攝像機(jī)的圖像能夠提供豐富的視覺(jué)信息，可以用來(lái)改進(jìn)運(yùn)動(dòng)障礙假設(shè)。針對(duì)傳感器測(cè)量的不確定性，采用Bayes濾波器（如Kalman和粒子濾波器）進(jìn)行狀態(tài)預(yù)測(cè)。MOT方法主要分為六類：傳統(tǒng)的、基于模型的、基于立體視覺(jué)的、基于柵格地圖的、基于傳感器融合的和基于深度學(xué)習(xí)的。

傳統(tǒng)的MOT方法主要包括三個(gè)步驟：數(shù)據(jù)分割、數(shù)據(jù)關(guān)聯(lián)和過(guò)濾。在數(shù)據(jù)分割階段，利用聚類或模式識(shí)別技術(shù)對(duì)傳感器數(shù)據(jù)進(jìn)行分割。在數(shù)據(jù)關(guān)聯(lián)步驟中，使用數(shù)據(jù)關(guān)聯(lián)技術(shù)將數(shù)據(jù)段與目標(biāo)（移動(dòng)障礙物）關(guān)聯(lián)。在濾波階段，對(duì)于每個(gè)目標(biāo)，通過(guò)取分配給目標(biāo)的數(shù)據(jù)的幾何平均值來(lái)估計(jì)位置。位置估計(jì)通常由卡爾曼濾波或粒子濾波進(jìn)行更新。

基于模型的方法直接從傳感器數(shù)據(jù)中推斷，使用傳感器的物理模型和對(duì)象的幾何模型，并使用非參數(shù)濾波器（如粒子濾波器）。不需要數(shù)據(jù)分割和關(guān)聯(lián)步驟，因?yàn)閹缀螌?duì)象模型將數(shù)據(jù)關(guān)聯(lián)到目標(biāo)。

基于立體視覺(jué)的方法依靠立體圖像對(duì)提供的顏色和深度信息來(lái)檢測(cè)和跟蹤環(huán)境中的運(yùn)動(dòng)障礙物。Ess等人提出了一種障礙物檢測(cè)和識(shí)別方法，該方法僅使用來(lái)自前視立體攝像機(jī)的同步視頻。他們的工作重點(diǎn)是基于行人和汽車探測(cè)器每幀輸出的障礙物跟蹤。對(duì)于障礙物檢測(cè)，他們采用了一種帶有方向梯度直方圖（HOG）特征的支持向量機(jī)（SVM）分類器，將每個(gè)圖像區(qū)域分類為障礙物或非障礙物。對(duì)于障礙物跟蹤，他們應(yīng)用一種假設(shè)和驗(yàn)證策略，將一組軌跡擬合到可能檢測(cè)到的障礙物上，使得這些軌跡一起具有很高的后驗(yàn)概率。候選軌跡集由擴(kuò)展卡爾曼濾波器（EKFs）生成，EKFs由障礙物檢測(cè)初始化。最后，使用模型選擇技術(shù)僅保留一組解釋過(guò)去和現(xiàn)在觀測(cè)結(jié)果的最小且無(wú)沖突的軌跡。對(duì)于MOT，采用半全局匹配（SGM）方法從立體圖像對(duì)中重構(gòu)出稠密視差圖像。三維環(huán)境中的所有障礙物都由一組稱為超級(jí)像素或stixels的垂直方向的薄矩形來(lái)近似。使用Kalman濾波器跟蹤隨時(shí)間變化的stixel。最后，使用空間、形狀和運(yùn)動(dòng)約束將stixel分割為靜態(tài)背景和移動(dòng)障礙物。在時(shí)空分析的基礎(chǔ)上，提出了一種基于外觀的檢測(cè)與識(shí)別方案，該方案利用特定類別（行人和車輛）模型，提高了視覺(jué)感知的魯棒性。

實(shí)時(shí)識(shí)別主要包括三個(gè)階段：感興趣區(qū)域（ROI）、障礙物分類和目標(biāo)跟蹤。Chen等人使用半全局匹配算法從立體圖像對(duì)計(jì)算視差圖。在視差圖的輔助下，簡(jiǎn)單線性迭代聚類產(chǎn)生的圖像分割邊界分為共面邊界、鉸鏈邊界和遮擋邊界。利用改進(jìn)的隨機(jī)樣本一致性（RANSAC）算法在自我運(yùn)動(dòng)估計(jì)過(guò)程中獲得運(yùn)動(dòng)點(diǎn)。最后，根據(jù)邊界類型和運(yùn)動(dòng)情況，采用超像素合并的方法提取運(yùn)動(dòng)障礙物。

基于柵格地圖的方法首先構(gòu)建動(dòng)態(tài)環(huán)境的占用柵格地圖。地圖構(gòu)建步驟之后是數(shù)據(jù)分割、數(shù)據(jù)關(guān)聯(lián)和過(guò)濾步驟，以便提供場(chǎng)景的對(duì)象級(jí)表示。Nguyen等人提出了一種基于網(wǎng)格的立體攝像機(jī)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法。他們的工作重點(diǎn)是行人檢測(cè)和跟蹤。從立體圖像對(duì)重建三維點(diǎn)。利用逆?zhèn)鞲衅髂Ｐ?，基于相關(guān)的三維點(diǎn)估計(jì)網(wǎng)格地圖中每個(gè)單元的占用概率。采用分層分割的方法，根據(jù)網(wǎng)格單元之間的區(qū)域距離，將網(wǎng)格單元?jiǎng)澐殖扇舾啥?。最后，采用交互式多模型（IMM）方法對(duì)移動(dòng)障礙物進(jìn)行跟蹤。Azim和Aycard使用基于八叉樹(shù)的3D局部占用柵格地圖，該地圖將環(huán)境劃分為占用、自由和未知體素。在構(gòu)建局部網(wǎng)格地圖后，基于局部網(wǎng)格地圖中自由空間和占用空間的不一致性，可以檢測(cè)出移動(dòng)障礙物。動(dòng)態(tài)體素被聚集成移動(dòng)的物體，這些物體被進(jìn)一步劃分成層。使用從每個(gè)層提取的幾何特征，將移動(dòng)對(duì)象分類為已知類別（行人、自行車、汽車或公共汽車）。

基于傳感器融合的方法融合來(lái)自各種傳感器（如激光雷達(dá)、雷達(dá)和照相機(jī)）的數(shù)據(jù)，以探索它們各自的特點(diǎn)，提高環(huán)境感知能力。Darms等人介紹了自動(dòng)駕駛汽車“Boss”采用的基于傳感器融合的運(yùn)動(dòng)車輛檢測(cè)與跟蹤方法（卡內(nèi)基梅隆大學(xué)的汽車在2007年DARPA城市挑戰(zhàn)賽中獲得第一名）。MOT子系統(tǒng)分為兩層。傳感器層從傳感器數(shù)據(jù)中提取特征，這些特征可用于根據(jù)點(diǎn)模型或盒模型描述移動(dòng)障礙物假設(shè)。傳感器層還嘗試將特征與來(lái)自融合層的當(dāng)前預(yù)測(cè)假設(shè)相關(guān)聯(lián)。無(wú)法與現(xiàn)有假設(shè)關(guān)聯(lián)的功能用于生成新的建議。對(duì)與給定假設(shè)相關(guān)聯(lián)的每個(gè)特征生成觀察，封裝更新假設(shè)狀態(tài)估計(jì)所需的所有信息。融合層根據(jù)傳感器層提供的建議和觀測(cè)，為每個(gè)假設(shè)選擇最佳跟蹤模型，并使用卡爾曼濾波器估計(jì)（或更新）假設(shè)狀態(tài)的估計(jì)。Cho等人描述卡內(nèi)基梅隆大學(xué)新的實(shí)驗(yàn)性自主車輛使用的新MOT子系統(tǒng)。以前的MOT子系統(tǒng)，由Darms等人提出。Mertz等人使用可直接從二維激光雷達(dá)、從三維激光雷達(dá)投影到二維平面或從多個(gè)傳感器（激光雷達(dá)、雷達(dá)和相機(jī)）融合獲得的掃描線。掃描線被轉(zhuǎn)換成世界坐標(biāo)并被分割。為每個(gè)線段提取直線和角點(diǎn)特征。分段與現(xiàn)有障礙物相關(guān)聯(lián)，并使用卡爾曼濾波器更新目標(biāo)的運(yùn)動(dòng)學(xué)。Byun等人合并由多個(gè)傳感器（如雷達(dá)、二維激光雷達(dá)和三維激光雷達(dá)）生成的移動(dòng)障礙物軌跡。將二維激光雷達(dá)數(shù)據(jù)投影到二維平面上，利用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波器（JPDAF）跟蹤運(yùn)動(dòng)障礙物。三維激光雷達(dá)數(shù)據(jù)被投影到一幅圖像上，并使用區(qū)域增長(zhǎng)算法分割成運(yùn)動(dòng)障礙物。最后，利用迭代最近點(diǎn)（ICP）匹配或基于圖像的數(shù)據(jù)關(guān)聯(lián)來(lái)估計(jì)或更新軌跡的姿態(tài)。Xu等人。XU15描述了卡內(nèi)基梅隆大學(xué)的新型無(wú)人駕駛實(shí)驗(yàn)車對(duì)用于保持距離的移動(dòng)障礙物的上下文感知跟蹤。給定行為上下文，在道路網(wǎng)絡(luò)中生成ROI。找到感興趣區(qū)域內(nèi)的候選目標(biāo)并將其投影到道路坐標(biāo)中。通過(guò)將來(lái)自不同傳感器（激光雷達(dá)、雷達(dá)和攝像機(jī)）的所有候選目標(biāo)關(guān)聯(lián)起來(lái)，獲得距離保持目標(biāo)。薛等人融合激光雷達(dá)和攝像機(jī)數(shù)據(jù)，提高行人檢測(cè)的準(zhǔn)確性。他們利用行人高度的先驗(yàn)知識(shí)來(lái)減少錯(cuò)誤檢測(cè)。他們根據(jù)針孔攝像機(jī)方程，結(jié)合攝像機(jī)和激光雷達(dá)的測(cè)量來(lái)估計(jì)行人的高度。

基于深度學(xué)習(xí)的方法利用深度神經(jīng)網(wǎng)絡(luò)檢測(cè)運(yùn)動(dòng)障礙物的位置和幾何特征，并基于當(dāng)前攝像機(jī)數(shù)據(jù)跟蹤其未來(lái)狀態(tài)。

交通信號(hào)檢測(cè)識(shí)別子系統(tǒng)負(fù)責(zé)對(duì)交通規(guī)則中定義的標(biāo)志進(jìn)行檢測(cè)和識(shí)別，使車輛能夠根據(jù)交通規(guī)律做出正確的決策。與交通信號(hào)相關(guān)的任務(wù)有很多，在本文中，我們將探討三個(gè)主要主題：交通燈、交通標(biāo)志和自動(dòng)駕駛汽車周圍環(huán)境中的路面標(biāo)記。

紅綠燈檢測(cè)和識(shí)別包括檢測(cè)汽車周圍環(huán)境中一個(gè)或多個(gè)紅綠燈的位置（例如，在圖像中表示）并識(shí)別其狀態(tài)（紅色、綠色和黃色）。文獻(xiàn)中提出了各種交通燈檢測(cè)和識(shí)別方法。在這里，我們只回顧最新的和相關(guān)的。交通信號(hào)燈的檢測(cè)與識(shí)別方法主要分為兩類：基于模型的方法和基于學(xué)習(xí)的方法。交通燈在顏色和形狀信息方面有一個(gè)明確的結(jié)構(gòu)。一個(gè)普通的紅綠燈有三個(gè)燈泡（每個(gè)州一個(gè)：紅色、綠色和黃色）和一個(gè)清晰的形狀。因此，早期的交通燈檢測(cè)和識(shí)別方法大多是基于模型的。這些方法依賴于手工制作的特征工程，它試圖利用人類掌握的關(guān)于物體顏色和形狀的信息來(lái)建立一個(gè)能夠檢測(cè)和/或識(shí)別物體的模型。當(dāng)假設(shè)沒(méi)有嚴(yán)格遵守時(shí)，使用顏色和形狀信息的方法是不可靠的。為了增強(qiáng)其魯棒性，提出了一種不同特征（如顏色、形狀和結(jié)構(gòu)）的組合。例如提出了一個(gè)多特征系統(tǒng)，該系統(tǒng)結(jié)合了顏色（使用顏色分割）、形狀/結(jié)構(gòu)（使用黑盒檢測(cè)）和地理信息（僅在預(yù)期有已知紅綠燈時(shí)使用該系統(tǒng)）。然而，他們的系統(tǒng)在基于模型的方法中普遍存在大量的超參數(shù)，這通常意味著在某些情況下需要重新校準(zhǔn)。作者在一個(gè)內(nèi)部私有數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，并指出故障是由于過(guò)度曝光、遮擋、交通燈的非標(biāo)準(zhǔn)安裝以及其他一些在現(xiàn)實(shí)情況下并不罕見(jiàn)的情況造成的。在基于模型的方法的背景下，這種結(jié)合表明是不夠的。因此，研究者開(kāi)始引入基于學(xué)習(xí)的方法。在基于學(xué)習(xí)的方法中，特征仍然是手工制作的，但是檢測(cè)和/或識(shí)別過(guò)程從基于規(guī)則變?yōu)榛趯W(xué)習(xí)。主要方法包括傳統(tǒng)機(jī)器學(xué)習(xí)方式和深度學(xué)習(xí)方式。

交通標(biāo)志檢測(cè)與識(shí)別包括檢測(cè)環(huán)境中交通標(biāo)志的位置并識(shí)別其類別（如限速、停車和讓行標(biāo)志）。與基于模型的方法相比，基于學(xué)習(xí)的方法得到了改進(jìn)并取得了更好的結(jié)果。隨著深度學(xué)習(xí)在一般計(jì)算機(jī)視覺(jué)任務(wù)中的興起，卷積神經(jīng)網(wǎng)絡(luò)已成為交通標(biāo)志檢測(cè)和識(shí)別領(lǐng)域的研究熱點(diǎn)，在GTSRB和BTS的識(shí)別任務(wù)中分別達(dá)到了F1分?jǐn)?shù)的99.71%和98.86%。

路面標(biāo)線檢測(cè)與識(shí)別包括檢測(cè)路面標(biāo)線的位置并識(shí)別其類型（如車道標(biāo)線、道路標(biāo)線、信息和人行橫道）。路面標(biāo)線檢測(cè)與識(shí)別包括檢測(cè)路面標(biāo)線的位置并識(shí)別其類型（如車道標(biāo)線、道路標(biāo)線、信息和人行橫道）。

大多數(shù)研究一次只處理一種路面標(biāo)線，而不是同時(shí)處理所有標(biāo)線。這可能是因?yàn)榧葲](méi)有一個(gè)廣泛使用的數(shù)據(jù)庫(kù)，也沒(méi)有一個(gè)共識(shí)，即研究人員在處理路面標(biāo)線檢測(cè)和識(shí)別時(shí)，應(yīng)該關(guān)注哪些符號(hào)集。一個(gè)重要的路面標(biāo)記是道路中的車道定義。早些時(shí)候，大多數(shù)車道標(biāo)記檢測(cè)方法都是基于模型或?qū)W習(xí)的。形狀和顏色是最常見(jiàn)的特征，直線和曲線是最常見(jiàn)的車道表示。在BER17c中，作者提出了一個(gè)完整的自我車道分析系統(tǒng)。在這些系統(tǒng)的特點(diǎn)中，作者聲稱能夠檢測(cè)車道及其屬性、人行橫道、車道變換事件和一些路面標(biāo)線。作者還發(fā)布了用于評(píng)估這些類型系統(tǒng)的數(shù)據(jù)集。深度學(xué)習(xí)是最近流行的另一種方法，像GUR16這樣的方法已經(jīng)顯示出很好的效果。作者建議（i）使用兩個(gè)橫向安裝的下向攝像機(jī)，（ii）將橫向距離估計(jì)建模為一個(gè)分類問(wèn)題，其中他們使用CNN來(lái)處理該任務(wù)。在這種情況下，他們主張?jiān)谝粋€(gè)私人數(shù)據(jù)庫(kù)中以小于2像素的平均絕對(duì)誤差（MAE）達(dá)到亞厘米的精度。許多用于車道標(biāo)記檢測(cè)的方法也嘗試用于道路標(biāo)記檢測(cè)。它們通常使用幾何和光度特征。此外，各種道路標(biāo)線檢測(cè)與識(shí)別方法都采用了逆透視映射（IPM），降低了透視效果，從而使問(wèn)題更容易求解，提高了結(jié)果的準(zhǔn)確性。最近，一些方法使用最大穩(wěn)定極值區(qū)域（MSER）來(lái)檢測(cè)感興趣區(qū)域（即可能包含道路標(biāo)記的區(qū)域）和用于識(shí)別道路標(biāo)記的卷積網(wǎng)絡(luò)。在BAI17中，作者提出了IPM、MSER和DBSCAN相結(jié)合的算法來(lái)檢測(cè)道路標(biāo)線，并將PCANet與支持向量機(jī)或線性回歸相結(jié)合進(jìn)行分類。在單獨(dú)評(píng)估分類任務(wù)時(shí)，它們的準(zhǔn)確率高達(dá)99.1%，而在同時(shí)報(bào)告檢測(cè)和識(shí)別性能時(shí)，其準(zhǔn)確率則降至93.1%。在道路標(biāo)記的上下文中，消息通常是單獨(dú)處理的。一些消息檢測(cè)和識(shí)別方法AHM17將不同的消息視為不同的類別（即，它們首先檢測(cè)消息在場(chǎng)景中的位置，然后識(shí)別其類別），而大多數(shù)方法首先識(shí)別字母，然后使用基于OCR的方法進(jìn)行寫(xiě)作。前者通常對(duì)天氣和光照條件更為敏感，但后者可以識(shí)別看不見(jiàn)的信息。在道路標(biāo)線的設(shè)置中，行人過(guò)街經(jīng)常被單獨(dú)調(diào)查。大多數(shù)人行橫道檢測(cè)方法利用人行橫道通常呈現(xiàn)的規(guī)則形狀和黑白圖案。因此，在許多實(shí)際應(yīng)用中，這項(xiàng)任務(wù)被放在了有利于魯棒行人檢測(cè)器的位置。

在本節(jié)中，我們將對(duì)文獻(xiàn)中所報(bào)道的自動(dòng)駕駛汽車決策系統(tǒng)的相關(guān)技術(shù)進(jìn)行研究，包括路線規(guī)劃、行為選擇、運(yùn)動(dòng)規(guī)劃和控制子系統(tǒng)。

路線規(guī)劃子系統(tǒng)負(fù)責(zé)計(jì)算從自駕車的初始位置到用戶操作員定義的最終位置之間通過(guò)道路網(wǎng)絡(luò)的路線。如果用一個(gè)加權(quán)有向圖來(lái)表示道路網(wǎng)，其邊權(quán)表示通過(guò)一個(gè)路段的代價(jià)，那么計(jì)算一條路線的問(wèn)題就可以歸結(jié)為在加權(quán)有向圖中尋找最短路徑的問(wèn)題。然而，對(duì)于大型道路網(wǎng)絡(luò)，經(jīng)典的最短路徑算法，如Dijkstra和A*的復(fù)雜度是不切實(shí)際的。在過(guò)去的十年中，道路網(wǎng)絡(luò)中的路線規(guī)劃算法的性能有了顯著的進(jìn)步。新開(kāi)發(fā)的算法可以在毫秒或更短的時(shí)間內(nèi)計(jì)算出行駛方向。道路網(wǎng)中的路徑規(guī)劃方法在查詢時(shí)間、預(yù)處理時(shí)間、空間利用率和對(duì)輸入變化的魯棒性等方面提供了不同的權(quán)衡。它們主要可分為四類：goal-directed, separator-based, hierarchical, bounded-hop, andcombinations。

目標(biāo)導(dǎo)向技術(shù)通過(guò)避免掃描不在目標(biāo)頂點(diǎn)方向上的頂點(diǎn)來(lái)引導(dǎo)從源頂點(diǎn)到目標(biāo)頂點(diǎn)的搜索。A*是一種經(jīng)典的目標(biāo)導(dǎo)向最短路徑算法。與Dijkstra算法相比，該算法在每個(gè)頂點(diǎn)上使用一個(gè)較低的距離函數(shù)，從而使更接近目標(biāo)的頂點(diǎn)更早地被掃描，從而獲得更好的性能。ALT（A*、地標(biāo)和三角形不等式）算法通過(guò)選取一小組頂點(diǎn)作為地標(biāo)來(lái)增強(qiáng)A*。在預(yù)處理階段，計(jì)算所有地標(biāo)和所有頂點(diǎn)之間的距離。在查詢階段，利用包含地標(biāo)的三角形不等式估計(jì)任意頂點(diǎn)的有效下界距離。查詢性能和正確性取決于是否明智地選擇頂點(diǎn)作為標(biāo)記。另一個(gè)目標(biāo)定向算法是Arc Flags。在預(yù)處理階段，圖被劃分成具有少量邊界頂點(diǎn)和平衡（即類似）頂點(diǎn)的單元。通過(guò)從每個(gè)邊界頂點(diǎn)向后生長(zhǎng)最短路徑樹(shù)，為樹(shù)的所有?。ɑ蜻叄┰O(shè)置第i個(gè)標(biāo)志，計(jì)算單元i的弧標(biāo)志。在查詢階段，該算法將修剪沒(méi)有為包含目標(biāo)頂點(diǎn)的單元格設(shè)置標(biāo)志的邊。arc flags方法具有較高的預(yù)處理時(shí)間，但在目標(biāo)定向技術(shù)中查詢時(shí)間最快。

基于分隔符的技術(shù)基于頂點(diǎn)或邊分隔符。頂點(diǎn)（或邊）分隔符是頂點(diǎn)（或邊）的一個(gè)小子集，其移除將圖分解為幾個(gè)平衡的單元。基于頂點(diǎn)分隔符的算法使用頂點(diǎn)分隔符來(lái)計(jì)算覆蓋圖?？旖葸厡⑻砑拥礁采w圖中，以便保留與完整圖的任何頂點(diǎn)對(duì)之間的距離。覆蓋圖比完整圖小得多，用于加速查詢算法。HPML（High Performance multivel Routing，高性能多級(jí)路由）算法是這種方法的一個(gè)變種，它顯著減少了查詢時(shí)間，但代價(jià)是增加了空間使用量和預(yù)處理時(shí)間，在不同的級(jí)別上為圖添加了更多的快捷方式。

基于弧分隔符的算法使用邊界分隔符將圖分解為平衡的單元，試圖最小化連接不同單元邊界頂點(diǎn)的切割邊數(shù)?？旖莘绞綄⑻砑拥礁采w圖中，以保持每個(gè)單元內(nèi)邊界頂點(diǎn)之間的距離。CRP（Customizable Route Planning，可定制路線規(guī)劃）算法DEL15是為滿足現(xiàn)實(shí)道路網(wǎng)絡(luò)的需求而設(shè)計(jì)的，例如處理轉(zhuǎn)彎成本和執(zhí)行成本函數(shù)的快速更新。它的預(yù)處理有兩個(gè)階段。第一階段計(jì)算多層分區(qū)和覆蓋的拓?fù)?。第二階段通過(guò)自下而上和并行處理單元來(lái)計(jì)算團(tuán)邊的代價(jià)。查詢作為覆蓋圖中的雙向搜索進(jìn)行處理。

層次技術(shù)利用了道路網(wǎng)絡(luò)固有的層次結(jié)構(gòu)，其中主要道路（如公路）組成一個(gè)小的干線子網(wǎng)。一旦源頂點(diǎn)和目標(biāo)頂點(diǎn)距離較遠(yuǎn)，查詢算法只掃描子網(wǎng)的頂點(diǎn)。預(yù)處理階段根據(jù)實(shí)際的最短路徑結(jié)構(gòu)計(jì)算頂點(diǎn)或邊的重要性。CH（compression Hierarchies）算法是一種分層技術(shù)，它實(shí)現(xiàn)了創(chuàng)建快捷方式以跳過(guò)重要性較低的頂點(diǎn)的思想。它重復(fù)執(zhí)行頂點(diǎn)壓縮操作，如果圖中最短路徑唯一且包含要壓縮的頂點(diǎn)，則從圖中刪除最不重要的頂點(diǎn)并在每對(duì)相鄰頂點(diǎn)之間創(chuàng)建快捷方式。CH是通用的，因此可以作為其他點(diǎn)到點(diǎn)算法和擴(kuò)展查詢的構(gòu)建塊。REACH算法是一種分層技術(shù)，在預(yù)處理階段計(jì)算頂點(diǎn)的中心度度量（REACH值），并在查詢階段使用它們來(lái)修剪基于Dijkstra的雙向搜索。設(shè)P是從源頂點(diǎn)s到包含頂點(diǎn)v的目標(biāo)頂點(diǎn)t的最短路徑。v相對(duì)于P的到達(dá)值是r（v，P）=min{距離（s，v），距離（v，t）}。

有界跳技術(shù)通過(guò)向圖中添加虛擬快捷方式來(lái)預(yù)計(jì)算頂點(diǎn)對(duì)之間的距離。由于預(yù)先計(jì)算所有頂點(diǎn)對(duì)之間的距離對(duì)于大型網(wǎng)絡(luò)是不可行的，因此有界跳技術(shù)的目標(biāo)是在跳數(shù)很少的情況下獲得任何虛擬路徑的長(zhǎng)度。

可以將各種技術(shù)組合到利用不同圖形特性的混合算法中。REAL algorithm結(jié)合了REACH和ALT。REACHFlags algorithm結(jié)合了REACH和Arc標(biāo)志。SHARC算法[BAU09]將快捷方式的計(jì)算與多級(jí)弧標(biāo)志結(jié)合起來(lái)。CHASE算法[BAU10]結(jié)合了CH和Arc標(biāo)志。TNR+AF算法結(jié)合了TNR和Arc標(biāo)志。PHAST算法可以與多種技術(shù)相結(jié)合，利用多核cpu和gpu的并行性來(lái)加速它們。巴斯特等人。使用眾所周知的歐洲大陸大小的基準(zhǔn)西歐和現(xiàn)實(shí)世界道路網(wǎng)絡(luò)的簡(jiǎn)化模型，對(duì)這里描述的許多路線規(guī)劃技術(shù)進(jìn)行了實(shí)驗(yàn)性評(píng)估。

運(yùn)動(dòng)規(guī)劃子系統(tǒng)負(fù)責(zé)計(jì)算從自動(dòng)駕駛汽車的當(dāng)前狀態(tài)到行為選擇子系統(tǒng)定義的下一個(gè)局部目標(biāo)狀態(tài)的路徑或軌跡。該運(yùn)動(dòng)方案執(zhí)行局部駕駛行為，滿足汽車的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束，為乘客提供舒適性，避免與環(huán)境中的靜態(tài)和移動(dòng)障礙物發(fā)生碰撞。

運(yùn)動(dòng)計(jì)劃可以是路徑或軌跡。路徑是汽車狀態(tài)的序列，它不定義汽車狀態(tài)如何隨時(shí)間演變。此任務(wù)可委托給其他子系統(tǒng)（如行為選擇子系統(tǒng)）或速度剖面可定義為曲率和接近障礙物的函數(shù)。軌跡是一條指定汽車狀態(tài)隨時(shí)間演化的路徑。

路徑規(guī)劃包括從汽車當(dāng)前狀態(tài)到下一個(gè)目標(biāo)狀態(tài)生成一系列狀態(tài)，這并不定義汽車狀態(tài)隨時(shí)間的演變。路徑規(guī)劃通常分為全局和局部路徑規(guī)劃。在全局路徑規(guī)劃中，在車輛開(kāi)始移動(dòng)之前，使用環(huán)境的脫機(jī)全局地圖計(jì)算全局路徑。在局部路徑規(guī)劃中，當(dāng)汽車行駛時(shí)，利用周圍環(huán)境的在線局部地圖生成局部路徑，使汽車能夠處理行駛中的障礙物。路徑規(guī)劃的方法主要分為兩類：基于圖搜索的和基于插值曲線的方法。

軌跡規(guī)劃包括從自動(dòng)駕駛汽車的當(dāng)前狀態(tài)到下一個(gè)目標(biāo)狀態(tài)的序列生成，該序列指定汽車狀態(tài)隨時(shí)間的演變。軌跡規(guī)劃方法主要分為四類：基于圖搜索的、基于采樣的、基于插值曲線的和基于數(shù)值優(yōu)化的方法。

在自動(dòng)駕駛汽車領(lǐng)域，控制是指工程領(lǐng)域自動(dòng)控制背后的理論，它涵蓋了在沒(méi)有持續(xù)的直接人為干預(yù)的情況下，應(yīng)用各種機(jī)制來(lái)操作和調(diào)節(jié)過(guò)程。在最簡(jiǎn)單的自動(dòng)控制類型中，控制子系統(tǒng)將過(guò)程的輸出與期望的輸入進(jìn)行比較，并使用誤差（過(guò)程的輸出與期望的輸入之間的差異）來(lái)改變過(guò)程的輸入，從而使過(guò)程在受到干擾的情況下保持在其設(shè)定點(diǎn)。在自主車輛中，自動(dòng)控制理論一般應(yīng)用于路徑跟蹤和硬件驅(qū)動(dòng)方法。路徑跟蹤方法的作用是在車輛模型存在誤差等情況下穩(wěn)定運(yùn)動(dòng)計(jì)劃的執(zhí)行。硬件驅(qū)動(dòng)控制的作用是計(jì)算在執(zhí)行器模型和其他模型不準(zhǔn)確的情況下執(zhí)行運(yùn)動(dòng)計(jì)劃的轉(zhuǎn)向、節(jié)氣門(mén)和制動(dòng)執(zhí)行器輸入。路徑跟蹤方法也被稱為控制技術(shù)，因?yàn)樗鼈儾捎米詣?dòng)控制理論，并將路徑視為要控制的信號(hào)。然而，在自主車輛領(lǐng)域，將其稱為路徑跟蹤方法更為合適，以區(qū)別于硬件驅(qū)動(dòng)控制方法。

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。