無人駕駛系統介紹
無人駕駛系統很是複雜，由多個模塊組成，例如感知、融合、規劃、控制、定位等等組成。其中規劃主要包括行爲決策、運動軌跡規劃等等。web
行爲決策
行爲決策是人們在行動以前按照某些行爲準則在若干可行備選方案中選擇或判斷某種最佳行動方案的思惟活動。
行爲決策系統根據駕駛員的任務請求以及車輛的行駛狀態和環境感知信息，對任務進行優先級排序，對車輛的駕駛行爲，包括換道、超車和躲避障礙物等進行決策，並將行爲決策的結果傳給運動軌跡規劃系統。算法
運動軌跡規劃
運動軌跡規劃系統根據行爲決策的結果以及車輛的行駛狀態和環境信息，考慮時間因素，規劃出車輛的行駛軌跡。規劃的軌跡包括和時間相關的速度、加速度、行駛時間、燃油消耗量等狀態和控制量，並將軌跡信息傳給運動控制系統，運動控制系統接收到規劃軌跡的詳細信息之後，對車輛的姿態進行控制使其沿着規劃軌跡進行循跡行駛，以達到對智能車輛自動控制的目的。微信
運動軌跡規劃是運動控制的前提。所以，要對某種駕駛行爲實施控制，首先要根據車輛的行駛狀態和道路信息規劃出指望的運動軌跡，並從中提取須要的軌跡參數提供給後續跟蹤控制器，以便於控制器可以控制車輛按照規劃的軌跡行駛。
運動軌跡規劃通常首先生成路徑，而後在路徑的基礎上考慮時間因素及車輛的運動學和動力學模型，經過平滑和速度規劃等步驟獲得開環的運動軌跡。可是對車輛沿着規劃軌跡行駛的穩定性分析也存在必定的困難，即運動控制可否控制車輛準確地沿着規劃軌跡行駛而不發生側滑或側翻等達不到行駛穩定性要求的問題。app
路徑規劃的不一樣之處
運動軌跡規劃與路徑規劃是有所區別的，路徑規劃主要是生成從起點到終點不發生碰撞的靜態幾何軌線，不包含時間概念；而軌跡規劃考慮時間因素，生成的不只是軌跡，還包括車輛行駛速度、加速度、行駛時間和燃油消耗量等狀態和控制參數。
車輛運動控制的主要任務是利用對車輛速度和方向的控制實現車輛位姿對規劃軌跡的快速跟蹤，並對車輛沿着規劃軌跡行駛的狀態和控制參數的響應參數進行閉環反饋，使得車輛可以準確沿着規劃軌跡進行循跡行駛。函數
路徑規劃的定義
路徑規劃方法是在障礙物環境下，按照必定的評價標準規劃出一條從起始狀態(位置，姿態)到目標狀態的無碰路徑，主要考慮局部移動主體和障礙物之間的幾何關係，找到一條不發生碰撞的路徑。路徑是一條靜態的幾何軌線，不包含時間概念，一般表示智能車輛在笛卡爾座標下的位置和姿態關係。
根據智能車輛對環境信息掌握的程度，路徑規劃能夠分爲兩種：學習
環境信息徹底已知的全局路徑規劃優化
環境信息徹底未知或部分未知，經過傳感器在線對智能車輛的行駛環境進行感知，以獲取障礙物的位置形狀和尺寸等信息的局部路徑規劃spa
路徑規劃方法
在無人駕駛或者機器人路徑規劃總，路徑規劃其實在廣義上分爲兩種：.net
全局路徑規劃–這種路徑規劃就跟你在高德地圖上的導航同樣，規劃了全局範圍的、從起點到終點的行駛路徑設計
局部路徑規劃–在全局路徑規劃的基礎上，當你想要躲避障礙物、變道、超車等等操做時，就會涉及到局部路徑規劃技術，經過局部路徑規劃，可使得無人駕駛汽車更加平穩的度過這些操做
全局路徑規劃
全局路徑規劃方法有 Dubins 路徑及其改進算法、可視圖法和單元分解法等方法。
Dubins路徑方法
Dubins路徑是生成光滑路徑最經常使用、最普遍、最出名的一種方法。其表示機器人向前行駛的最短路徑，經過兩個圓弧和直線段組成，其中直線段部分是對應的圓弧的切線。
可是這個方法有個很大的缺點，那就是在圓弧和直線的鏈接點處不連續，若是想要精確按照預先設定好的路徑行駛，就必需要在鏈接點處停下來，而後原地轉彎，再開始行駛。這對於無人駕駛來講，是徹底沒法接受的！！
Dubins路徑改良算法
後來Scheuer等大佬在Dubins路徑規劃算法上進行了改良，使得行駛路徑由原來的圓弧+直線變成了圓弧+直線段+CC（Continous Curvature）轉向路徑 ** 3段組成，圓弧和直線段之間使用CC轉向路徑進行相連，這樣就避免了路徑在鏈接點處不連續，須要原地停下來轉向的尷尬出現。
CC轉向路徑是一種特殊的螺旋曲線，它的曲率隨着曲線長度的變化而變化，可是曲率一直是連續變化的**。可是其生成的路徑在長度上有可能就不是最短的了，並且生成的路徑曲線的座標（x，y）沒法直接閉環來表示，只能經過對曲線長度s進行積分獲得，計算成本較大。
局部路徑規劃
局部路徑規劃有人工勢場法、模糊邏輯算法和基於行爲的路徑規劃算法等方法。
模糊邏輯算法
模糊邏輯算法主要是對駕駛員的駕駛經驗進行模擬，將駕駛員生理上的感知和行爲動做進行結合，而後根據傳感器提供的信息，經過查表能夠獲得規劃軌跡的信息。
該算法最符合人類的思惟習慣和行爲特色，可以很好的體現出跟人駕駛行爲上的一致性。可是因爲太過於模糊的設計函數，致使該方法主要依賴人的經驗和試驗，總結、量產十分困難。且一旦模糊規則制定後，再次想要調整起來困難重重。所以業界的主要用法都是講其他其餘邏輯方法相結合使用。
基於行爲的路徑規劃算法
基於行爲的路徑規劃算法是把機器人須要完成的任務進行分解成一些簡單的行爲單位，機器人根據行爲的優先級以及須要完成任務做出適當的反應。
可是因爲是對任務進行了分解，因此對於不一樣的行爲來講須要完成不一樣的目標，不一樣的行爲之間常常會產生衝突。此時就須要使用仲裁機制來對這些行爲進行仲裁協調，誰先誰後。落實到具體操做上時，同一時刻只能有一個行爲或者任務在被執行，行爲按照不一樣的執行順序組合成了一個完整的任務。
該方法實時性很強，且很是靈活，可是缺點是在多種行爲模式下，它的系統對於正確判斷的機率會下降。
基於再勵學習的路徑規劃算法
基於再勵學習的路徑規劃算法來源於行爲心理學，用動物學習心理的「試錯法」原理，對機器人在未知環境中移動的路徑進行規劃。
此方法利用評價性反饋信號在與環境的交互反饋中進行學習，爲實現智能系統的自學習能力提供有效手段。因爲再勵學習不須要先驗知識和環境模型，也不須要樣本訓練數據，主要是經過與環境的直接交互進行學習，可以在線實現，因此對環境模型不肯定的系統比較適用。可是此算法因爲須要與環境進行直接交互，計算量較大。
基於仿生學的路徑優化算法
該方法準要是模擬一些生物上的生理特色進行的算法，如遺傳算法、CNN、蟻羣優化、栗子濾波等等。
物流IT圈
泛物流行業IT知識分享傳播、從業人士互幫互助，覆蓋快遞快運/互聯網物流平臺/城配/即時配送/3PL/倉配/貨代/冷鏈/物流軟件公司/物流裝備/物流自動化設備/物流機器人等細分行業。長按二維碼即刻加入咱們，若是你是以上行業公司中的IT從業人士加運營小哥微信後可入羣交流。
公衆號
運營小哥
本文分享自微信公衆號 - 物流IT圈（exiter18）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。