#百人创作先锋团#自动驾驶已成热门话题，实现这个技术的决定性因 原创

结论先行：关于自动驾驶和智能驾驶的热门话题，其中车辆运动控制是自动驾驶技术中的关键，它处在自动驾驶技术链末端，承担智能系统的主体行为，对自动驾驶系统算法架构起到支持和实现的责任；那么实现车辆运动控制的是环境感知层、决策规划层、控制执行层这些技术来决定。

谈到自动驾驶这个热门话题，自动驾驶系统作为一种智能车辆的主动安全模块，它的关键功能为：由车载传感器获得的车辆自身状态和周边环境的信息，其中传感器为毫米波雷达、摄像头、激光雷达等，并对这些信息实时进行处理，这样来分析车辆的行车目的和安全的状态，得到自动驾驶或辅助驾驶的控制指令，然后对驱动、转向和制动系统来执行控制的指令，达到自动驾驶或者辅助驾驶的功能效果。伴随着毫米波雷达、激光雷达和组合导航系统等技术的逐渐成熟化后，智能驾驶系统的可靠度和安全性也逐渐提高；随着5G、车联网和深度学习等关键技术的提升，它的驾驶能力将逐渐达到驾驶员的水准。当下根据智能驾驶系统的自动驾驶技术水平，美国汽车工程师学会SAE将自动驾驶技术进行分级：L0 ~ L5，从小到大说明自动驾驶技术水平从低到高；当下国内外大部分主机厂的智能驾驶水准为L2 级水平。

由于自动驾驶技术的应用前景，那么能够应用在自动驾驶出租车、社区物流、干线物流和港口物流等工况下，各大汽车主机厂和初创公司都在自动驾驶技术的研发方面投入巨资和人才。从研发路线方面，每个企业的规划不一致：传统汽车主机厂以达到量产来盈利的目的，一般采取较为保守的态度，搭载的是从 L2 ~ L3 级的水准，且逐步达到 L4 级，未来才规划L5 级的技术路线，由于近年的快速发展，比如，长安、广汽新能源逐步发布 L3 级自动驾驶量产型汽车，其中涵盖长安 UNI-T、广汽新能源 Aion LX，这意味自动驾驶汽车已达到规模化量产的时代；而以 图森未来、Waymo、Pony.ai 为典型的自动驾驶初创公司，它们直接选择 L4 级高度自动驾驶技术的开发，搭载高精度地图、多传感器融合感知、组合导航定位的技术手段，通过车载高性能运算平台进行汽车的感知、规划、控制和决策，从技术上先实现 L4级自动驾驶，再去研究落地应用的场景和量产实现的方法。

车辆运动控制是自动驾驶技术中的重要部分，它处在自动驾驶技术链末端，承担智能系统的主体行为，它是车辆和相关模块沟通的关键，它对自动驾驶系统算法架构起到支持和实现的责任。运动控制模块基于车辆状态和所规划轨迹，由控制车辆的转向、驱动和制动系统，进一步控制车辆沿规划的路径和一定的速度来行驶。

无论是逐步推进式的技术路线，抑或是直接切入L4 级自动驾驶的路线，它们的核心是车辆的运动控制技术。且对 L4 级自动驾驶技术来说，为适应更丰富的应用场景，车辆的运动控制算法需将更复杂车辆状态与环境因素考虑进去，来解决复杂工况下的路径跟踪问题，具有较高的研究和应用的价值。那么研究车辆运动控制对自动驾驶的技术发展和落地应用非常关键。

谈到车辆运动控制和自动驾驶，那么必然要上升到自动驾驶的环境感知层、决策规划层、控制执行层。
关于环境感知层，它作为自动驾驶汽车关键技术中的基石，环境感知子系统是轨迹预测、行为决策、轨迹规划子系统的输入。环境感知子系统运用相机、激光雷达和毫米波雷达等传感器来得到自动驾驶汽车周围的道路环境信息，以此来完成对交通信号灯和动静态障碍物等驾驶场景中道路元素的提取和识别。其中环境感知系统分为：高精度地图构建、动态环境实时检测。

关于高精度地图的构建，它是为利用驾驶场景中的先验知识，为自动驾驶汽车构建高精度地图，和通常的数字化地图进行对比，高精度地图的数据精度可以精确到厘米级别，且可以涵盖除道路拓扑信息以外的高维度道路环境信息，比如交通信号灯、交通标识和道路标线等，高精度地图将驾驶场景中有利于自动驾驶汽车行驶的知识存储为结构化的数据，比如车道线位置、交通标识和道路边缘的信息。高精度地图可以在一定程度上减小自动驾驶汽车对环境感知系统的依赖性，深入提高自动驾驶的行驶安全性，那么在自动驾驶领域广泛被应用。

下图中离线地图构建分2部分，其一，由激光雷达和相机这样的传感器融合检测道路实体信息，其二，在自动提取基础上和人工标注相结合的方法，由谷歌获取道路路网的信息。再由环境感知系统和实时定位信息截取自动驾驶汽车目前所处的高精度地图片段，而且及时发给决策规划子系统。

关于动态道路环境的实时检测，它是通过多源异构传感器针对自动驾驶汽车目前所处的驾驶场景来采取实时检测和识别，其中相机的功能是检测交通信号灯和交通标识的道路实体，激光雷达的功能是道路边沿的检测和提取，将它与对动静态障碍物的检测、识别、跟踪。静态障碍物检测提供静态障碍物的形状和方位的信息，动态障碍物检测的功能是检测动态障碍物的位置、类型、航向、速度的信息。

关于决策规划层，自动驾驶汽车的决策规划层整体架构图如下所示，其中涵盖行为决策、全局规划、轨迹规划的3个子系统。其中全局规划的功能是生成全局参考的路径。行为决策在场景评估模块的横纵向评估参数基础上，它为自动驾驶汽车及时生成决策指令，轨迹规划子系统的功能是在决策指令的基础上生成可执行的驾驶轨迹。

关于全局路径规划，它的模块是在用户驾驶任务、GPS定位信息和RNDF路网文件的基础上，在全局地图中搜索出最优的驾驶路线，且把获取的全局参考路径发给轨迹规划和行为决策系统。全局路径规划层应立刻应对路段阻塞和局部路网错误的突发状况且重新搜索出新的全局参考路径。

关于行为决策，自动驾驶汽车的行为决策系统框架如下所示，其中行为决策系统的输入是高精度地图、占据栅格图、车辆位姿、驾驶经验和交通规则、动态障碍物列表，它输出的是合理性、安全性和智能性的驾驶动作。

在行为决策子系统中，它涵盖3个组成模块：驾驶场景评估模块、场景建模模块和在线知识推理模块。其中，驾驶知识库分为：事实、规则，这是用来表达和存储与驾驶场景相关的知识属性，其中涵盖人类驾驶经验、交通参与者模型、道路属性和交通法规，而驾驶知识库的建立是在离线状态下完成的。驾驶知识库中的事实部分由在线感知系统对道路元素和元素公理概念来达到实例化效果，驾驶知识库中的规则部分由提取交通法规和人类驾驶经验来获取的。驾驶场景评估模块对驾驶场景实体概念模型是在安全性、合法性、有效性的基础上来评估，以此来获得横纵向评估结果，知识推理按照驾驶知识库和横纵向评估参数来进行在线知识推理得到驾驶动作。

关于轨迹规划，自动驾驶汽车轨迹规划子系统的系统架构如下所示，其中这个系统第一要对全局规划模块得到的全局参考轨迹来实现平滑的效果，并在Frenet坐标系的基础上对平滑后的全局参考轨迹来采取自适应采样的方式，并在MPC的基础上为各个终端采样点生成一条达到车辆运动学约束的空间路径，而后在时空栅格图的基础上为空间路径集合划分风险等级，采用S-T图为高风险路径产生对不一样交互驾驶策略的速度曲线，运用三段曲线优化法为低风险路径生成而考虑决策交通限速的速度曲线，再把空间路径和速度曲线匹配获得可行轨迹的集合，采取多属性代价函数筛选出达到预见性、安全性和智能性的指标下的最优轨迹，最终把最优轨迹发给控制执行层来执行。

关于控制执行层，自动驾驶汽车控制执行层的系统框架图如下所示，控制执行层涵盖控制子系统、执行子系统，其中控制子系统又涵盖速度跟踪、紧急状态控制、路径跟踪，部分自动驾驶汽车采用基于PID闭环反馈的跟踪控制算法来达到对路径和速度有效跟踪的效果，紧急状态控制模块是对自动驾驶系统失效的状况下，由接收急停控制器生产的干预信号对自动驾驶汽车来实现人工控制。
其中执行子系统采取外接式安装，它的安装过程比较方便，而且对原车的改动比较小，且能自适应不同的车型。控制子系统的功能是跟踪可执行轨迹，并把产生的控制指令在CAN通信基础上交由执行子系统执行，其中指令包括油门、转向、制动。