自动驾驶车辆运动规划综述（下）

世界各地运动规划发展

尽管智能汽车的概念开始于1939年纽约世界博览会上通用汽车（GM）的Futurama演示，但是经过几十年才将该概念转化为现实。图3展示了迄今为止车辆自动化的重要演示和发展的时间线。EUREKA-PROMETHEUS项目于1987年至1994年间在欧洲率先开展了这项研究，其中来自沃尔沃和戴姆勒等工业合作伙伴的不同车辆实现了自动化。在曲线段中实现螺旋线路径以帮助控制系统来跟随路径。

PATH项目与通用公司（GM）合作，在加州圣地亚哥展示了其队列演示（作为97年演示的一部分）。该演示在专用车道上由八辆车组成车队，车辆之间的间隔为6米。卡耐基梅隆大学也参与其中，使用他们的Navlab车辆提供了自由车辆演示。在同一年中，在荷兰的一次演示引入了CTS的首项运行服务，其在Schiphol机场使用班车服务。CTS解决了提供上门和按需服务的最后一公里问题。在上述系统中，反应式控制和车辆-道路协作优于路径规划技术。

最初测试路径规划技术的项目之一为VisLab的ARGO项目。在基于视觉的系统中，规划技术包括调整五次多项式样条曲线到由前视相机检测到的车道标记中。之后，Darpa PerceptOR项目促进了越野车的自动导航技术的发展。这是在Darpa挑战赛（Grand和Urban挑战赛）中实现的，该挑战赛激励了自动导航系统的研究，并且发展了路径规划技术（见图3）。

首辆Google汽车于2009年问世。Google无人驾驶汽车已经举办了几次公开的演示，实现了超过700,000英里没有由自动化而发生事故的行驶。Google还推动了这种类型技术的立法，于2012年5月（内华达州颁布首条自动驾驶法律的两个月后）获得第一张自动驾驶车辆的许可证。遗憾的是，目前还没有关于用于实现那些结果的运动规划或者控制技术的出版物。

Vislab国际自主挑战赛（VIAC）于2010年举行。车辆以自主模式从意大利（帕尔马）行驶到中国（上海），其中规划基于考虑螺旋曲线生成的代价函数。在同一年以及2012年，现代汽车集团在韩国举办了他们自己的自动驾驶车辆比赛。2010年的挑战赛着重于路径跟随和避障。2012年的挑战赛着重于理解城市驾驶和检测交通信号。运动规划技术包括螺旋线、RRT等。

2011年的European Grand Cooperate Driving挑战赛（GCDC）促进了纵向车辆控制。尽管如此，一些团队已经开发了路径规划策略（例如AnnieWAY的state lattice）。在这种意义上，有人呼吁在2016年举办第二届GCDC挑战赛，届时将考虑车队的横向控制、繁忙道路合并和城市环境。

最近，奥迪与斯坦福大学联合推出了高性能的车辆控制系统，使用螺旋线来规划曲线路段。其众多演示包括：1）2010年在派克峰的峰顶上比赛；2）2012年在Thunderhill Raceway公园进行一圈比赛，在2014年F1赛道时速达到150mph；3）2015年在从硅谷到拉斯维加斯的真实场景中实现自动驾驶。同样在2015年，德尔福汽车公司首次在美国举行了海岸到海岸的驾驶，在9天内从旧金山行驶到纽约。表格III概述了国际研究小组及其相关工作。

讨论

智能规划算法的研发是设计机器人架构时的关键问题之一。自动驾驶车辆研究领域的相关约束（即交通规则、高速或者道路布局）将实时的运动规划转化为在复杂环境中实现自动驾驶的关键方面。本工作从两个角度回顾了运动规划技术的现状：1）考虑不同的技术，有四种主要的算法：图搜索、基于采样、插值和数值优化；2）考虑已经在自动驾驶车辆上实现运动规划技术的世界各地研究小组，其在实际道路上测试算法的表现。

研究小组最近在实际实现中使用了两种主要的算法：

1）大多数研究小组实现插值来解决规划问题。具体而言，最近的演示使用了螺旋线（奥迪、帕尔马/Vislab或者斯坦福大学）、贝塞尔曲线（Inria）和多项式曲线（戴姆勒或者Inria）。选择这种技术的主要原因为结构化环境中的增强地图能够提供需要的路径点，即GPS数据。然后，根据平滑性、连续性、车辆约束、速度和舒适度生成最优曲线。

2）图搜索是处理实际实现时最常用的第二种算法。具体而言，state lattice是最常用的，即CMU、KIT、GMC。选择这种技术的主要原因为，其能够在考虑舒适度、安全和车辆约束的情况下实时地快速搜索最优路径。尽管获得的解仅是在分辨率上完整的（依赖于底层网格/lattice的分辨率）。

当前挑战与动态环境中的实时规划计算相关。在城市场景中，必须考虑多个因素，即行人、骑行者以及其它车辆，这需要对确定性的轨迹进行连续评估（和重新计算）。在有限时间内生成一条新的与多个动态障碍物不发生碰撞的轨迹是一个尚未解决的挑战。这主要是由耗时的感知算法所造成的，急剧地减小了运动规划决策窗口。当前的实现还不能够克服这一限制。

由于规划阶段是感知和控制之间的纽带，当开发新的路径规划算法时，当前工作需要同时考虑：感知不确定性和控制约束。路径规划的最新发展旨在正确地处理动态环境数据采集过程中的不确定性。这允许实时地对环境具有更好的理解，使规划过程能够通过考虑框架中的数据获取/感知阶段的不确定性来防止危险情况的发生。从控制的角度看，必须考虑多种约束，从车辆运动学限制到乘客的舒适度。最新的发展旨在考虑规划阶段的一些约束，从而获得平滑且可实现的轨迹，减少控制阶段约束。下一步应该着重于开发能够融合感知不确定性和控制约束的算法。这项工作已经由KIT（工作Making bertha drive —an autonomous journey on a historic route）和CMU（工作Motion planning under uncertainty for on-road autonomous driving）率先开始。

自动驾驶车辆研究的新趋势为，在控制循环中添加驾驶员。从路径规划研究的角度看，使用HMI将轨迹传达给驾驶员，充当ADAS的角色。当生成安全、平滑和可实现的轨迹时，这通过多重融合感知不确定性、控制约束和驾驶员经验，从而创造了新的研究挑战。

文章转载自公众号：自动驾驶专栏