我们在前几节中介绍了自动驾驶的方法在寻找路径、选择最佳操纵和构建可行轨迹方面具有良好的效果。然而，自动驾驶仍然存在局限性，自动驾驶还远没有达到人类驾驶能力的水平。我们将在本节中描述一些已确定的局限性需要未来持续的研究方向。
风险评估
今天发生的许多事故都是人类驾驶员错误的感知和决策造成的。由于准确的风险评估对于防止碰撞至关重要，因此，自动驾驶被认为可以大大减少此类错误。虽然目前的系统已经成功地应用于在真实环境中寻找路径和探测障碍物，但是碰撞仍然会发生。因此，必须更加重视实时准确的风险评估。现有的大多数风险评估方法预测轨迹，然后检测可能的碰撞。然而，这种方法会产生巨大的计算成本，并检查所有可能的轨迹。一个有用的建议是，只有在检测到异常或危险的操纵（Lefèvre et al.，2012a）或交通状况被标记为危险时，才执行轨迹计算和碰撞检查，而不是详尽地计算和预测每个历元（感应周期）的其他交通参与者的轨迹从运输工程的角度来看。
还应利用适当的数学基础，如贝叶斯博弈论（Harsanyi，1967）；此类概念已成功地应用于机器人学中的许多基于agent的问题中（Antoniades等人，2003；Emery Montemerlo，2005）。这种方法有助于实时处理交互作用，例如在交叉口、汇入交通流或在感知受限的情况下超车。
此外，考虑到ego车辆(自动驾驶本业内称配合自动驾驶测试的车辆为ego)不仅会与其他自动驾驶车辆互动，还会与人类驾驶的车辆、摩托车驾驶员、骑自行车的人和行人互动，规划算法应探索人类（作为驾驶员/驾驶员或行人在不同的交通场景和操作环境下）行为模型的推理能力，并应以轨迹预测或推断其他道路参与者在交叉路口的行为的形式使用所产生的智能。
现有的路径规划问题的方法源于机器人技术的早期发展，这些技术将车辆视为一个独立的实体。实际上，自动驾驶车辆将成为更广泛（混合）交通系统的参与者。因此，未来的研究必须探索交通工程概念的结合，如碰撞前兆的识别、间隙接受度和网络级碰撞预测，从而在风险评估和碰撞预测中考虑周围交通系统的复杂性。可以为车辆即将进行的每一次操纵提供行为模型（例如Hidas，2002；Llorca等人，2014；Saifulgaman和Zheng，2014），以将操纵标记为标称或非标称。可以指示危险情况的实时高度分解交通流数据和历史碰撞数据可以轻松地在自主车辆软件体系结构的规划模块中实现，从而提高作为危险路段早期指示的决策能力。实时交通事故预测是交通工程师多年来一直在研究的一个问题，由此产生了久经考验的方法，能够准确地指示网络级的碰撞风险（图12）。这些模型可以应用于自动驾驶车辆规划，简化了车辆危险情况的实时计算和评估，同时也增加了自我车辆的感知视野。
轨迹规划也将受益于从车辆级到网络级分散方法的相同精神。优化过程可以在空间上扩展，而不是试图在单个独立的车辆轨迹上优化和评估风险。在这一概念中，共享公共交通系统（例如路段、特定公路、城镇或城市）的车辆的一系列轨迹可以优化。
就风险指标而言，为了克服TTC的局限性（什么是TTC 点击自动驾驶机动动作规划和决策），可以探索微分几何的应用。应用微分几何可以研究质点在曲线上运动的运动特性。考虑到这一概念，可以采用Frenét frame11，而不是使用全球坐标系中的直线来计算距离（对于TTC）。使用Frenét框架，可以在描述道路几何结构的曲线上计算距离，从而描述车辆的运动。使用曲线上的距离计算TTC的方法如图13所示。与使用到车辆1的直线距离（D1）不同，距离Dc可用于计算TTC，因为它更能代表车辆路径。此外，如果使用直线距离（D2），则第2车可能被认为是对ego车辆的“威胁”。如果采用沿道路的弯曲距离，则情况并非如此。
此外，将风险评估与空间探索相结合的方法可以得到有效利用。这类方法的例子有风险RRT（Rios Martinez等人，2011年），它已经成功地测试了行人中的移动机器人，以及包含车辆移动性变化的知情状态格（Howard，2009年）。
缩减搜索空间
现有的局部路径搜索和轨迹级技术（点击了解自动驾驶实时路径规划算法简介（Local search局部搜索））大多是在规划的最底层应用动作空间搜索。因此，保证安全性的状态空间也可以与模型预测控制相关的轨迹生成一起进一步研究，例如Howard（2009）中用于行星探测器的轨迹生成。模型预测控制可以确保终端状态的必要输入由机器人小车本身确定，并且在控制过程中也可以提供反馈，以应对规划过程中可能出现的噪声。此外，更复杂的操作可以嵌入到规划中，因此，对状态空间进行采样可以变得更快、更有效。
此外，在道路或车道边界内构造先验搜索空间，通过处理状态空间的穷尽采样和贪婪搜索，可以提高路径搜索技术的效率。穷举抽样使用了太多的计算资源，贪婪的搜索可能导致不可行的路径（即那些位于道路边界之外或与障碍物相交的路径），因此基于道路或车道的搜索空间可以潜在地解决这些问题，而不会损失计算能力，并且必须在线丢弃路径。
传感和V2X通信
（V2X 了解自动驾驶的三种解决方案）
传感器是自动驾驶车辆的眼睛和耳朵，因此必须采取一切措施确保它们正确“看到”。这可以通过使用高精度（尽管昂贵）的传感器来实现，或者通过使用增强的传感器融合技术，通过整合现成的低成本（尽管是多个）收集的相对不准确的数据，传感器无论原理是什么的，车载传感器受其视线和范围的限制。
在保持传感系统低成本的同时，需要在全天候昼夜进行高性能传感，这可能导致采用带有热传感器或声学传感器的摄像机。在红外探测条件下，它比普通的红外摄像机（BES-2015）的光照影响更小。热像仪已成功应用于目标识别（如Besbes等人，2015）和道路检测（Peláez等人，2015）。通过使用热摄像头，机动（如车辆）和非机动物体（如行人、骑车人和动物）可以很容易地通过其发射的热能进行识别，而不受照明条件的影响。
另一方面，声学摄像头实时可视化声音的来源和强度（GFaI tech，2014）。因此，这些摄像头可以证明是一个有前途的替代方案，以取代所有道路使用者的近距离感测，因为它们会发出声音。因此，在所有照明条件下，即使自动驾驶车辆“看不见”，也可以从其发动机的声音中检测到机动车辆。
因此，在追求无碰撞路径规划过程中，将热摄像机和声学摄像机作为传感元件将提供额外的完整性。但应注意的是，这些摄像机对天气条件非常敏感，因为降水可能会改变障碍物的热能和声音检测，从而导致数据不可靠（Eskandarian，2012）。因此，必须进一步研究和验证它们在规划数据可靠性和完整性方面的实时应用
车辆通信系统主要是通过临时手段建立起来的，通过增加感知视界和增加智能，为当前传感技术的局限性提供了一个有希望的帮助。车辆将能够通过车辆对车辆（V2V）通信与周围车辆通信，通过车辆到基础设施（V2I）通信与周围的基础设施（例如红绿灯）以及非机动交通参与者（即行人或骑自行车者）通过车辆到设备通信（V2D）携带的设备。V2V、V2I和V2D通信统称为V2X通信。这种被称为车辆自组织网络（VANETs）的adhoc网络采用了许多网络技术，例如Wi-Fi、WiMax、蓝牙，尤其是专用短程通信（DSRC）（一种Wi-Fi技术）。DSRC技术主要是由美国运输部（DoT）开发和推广的，用于延迟敏感的车辆通信（如安全信息）。DSRC的射程约为300米，旨在提高当前传感技术的传感范围和前瞻能力。最近的研究表明，将感知到的智能和周围环境（包括基础设施）的能力结合起来，可以有效地实现精确定位（尤其是在城市峡谷等缺少GPS的情况下）、盲点检测和环顾角落。预计V2X通信将改善对非机动交通参与者（例如行人、骑自行车的人、动物）的检测，尤其是通过扩展通信网络（包括非机动交通参与者）从盲区接近时。
除了提高自动驾驶车辆的感应能力外，车辆通信还可以通过准确的长期风险评估来提高规划方法的性能（Lefèvre等人，2012b）。风险评估和规划的一个重要部分是检测障碍物，然后预测障碍物的轨迹。目前的技术依赖于车载传感器感知，由于感知数据的不准确，缺乏长期预测能力。未来的发展必须着眼于通过车辆通信，从周围障碍物或车辆实时获取障碍物的实际状态、实际操纵和更准确和更长期的轨迹预测。
在操纵规划和决策过程中，车辆通信可以帮助例如在车辆接近信号交叉口时进行速度调整，以便车辆在绿灯期间到达交叉口。这样做可以节省决策（停止或加速）的努力，也可以通过减少中途停车的行动来节省燃料（Rakha和Kamalanathsharma，2011；Ilgin Guler等人，2014）。在无信号交叉口中，所有参与者的操纵应事先知道，从而减少拥挤和碰撞（Wu等人，2013年）。
车辆之间的通信也可用于分享有关道路状况的信息，如漏油、停放车辆和临时道路堵塞（Drobot等人，2012年；Marshall，2014年）。如图14所示，检测到道路异常或湿滑路面的第一车辆可以将该信息传送给后面的车辆，以便提前提供更好的态势感知，以便规划沿着该路段的安全路径或轨迹。V2X通信应用于自动车辆感知和控制的示例如图14所示（Kim等人，2013年）。
在使用运输工程技术来估计风险的情况下，车辆通信可以证明是在线收集交通流数据并将其传输给交通管理机构或该地区其他车辆的有效媒介。
虽然已经进行了大量的研究，但大部分的验证都是在受控的模拟环境中进行的。现在有必要增加在真实环境中的实验量，考虑到不符合标准交通模型的偶尔的混沌交通。此外，升级基础设施（例如采用V2I通信）成本高昂，并且需要设计规划技术，依赖于无基础设施的车辆通信，从而在交叉口实现无缝移动。然而，需要进行研究来评估车辆通信的实时实施及其对规划的影响。通信干扰、实时约束、通信速度和检测性能只是车辆通信的几个方面，需要在将其纳入自主车辆规划模块之前进行检查，并将其纳入依赖它们的方法中。整合来自V2X和车载传感器的信息以提供更好的信息将是一个研究挑战。然而，随着V2X技术的全面推广，在改善车辆及其规划模块之间的协调方面有着巨大的潜力。
车辆建模
单车模型已经被证明是一个有效的模型，虽然简单化，汽车类车辆。研究人员专注于车辆运动的运动学性质，但也应考虑到动力学。动态建模车辆可以从规划阶段模拟车辆的真实能力，从而使轨迹模块更容易跟踪和跟踪为车辆指定的路径或轨迹。同时考虑到车辆发动机的动力、轮胎和路面之间的相互作用或真实汽车的转弯能力的模型可能会在计算中增加一点负担（由于车辆模型中增加了尺寸），但可能会提高自动驾驶车辆的整体道路性能。对于操纵而言，这一点变得更加重要，尤其是在受限空间内进行的操纵或包括车辆之间的密切相互作用。可以看出，在诸如避免碰撞的操纵中，必须考虑车辆的动力学和其他性能。
测试以及验证
如前所述，自动驾驶技术的测试需要在经过模拟和控制实验测试后，针对真实世界的实验。由于现场试验可能能够证明自动驾驶车辆是一种安全可靠的运输方式（Dokic等人，2015年），因此需要进行更多的试验。首先，应考虑在所有天气和能见度条件下自动驾驶。碰撞预测（Yu et al.，2015）中对雨雪或雾天驾驶进行了调查，但除了路线确定层面（e.g.Maddern et al.，2014），尚未将其纳入自动驾驶车辆的规划方法中。到目前为止，已经对高速公路、交叉口、环形交叉口和合流方案进行了测试，但立交桥、让路方案和分流路段可以提高规划方法的适用性和自主性开车。最后，还应研究基础设施的准备程度，以及应对紧急情况，以涵盖所有驾驶情况。
处理动态和不确定环境
自动驾驶车辆在动态和不确定的运输环境中运行。这不仅是由于道路信号等环境的变化，以及其他道路使用者的出现和消失，还因为车辆不断地以潜在的高速从一个地方移动到另一个地方。态势感知和评估是为车辆规划算法提供必要信息的关键。人类驾驶员不仅要了解他们的意图和现状，而且要预测他们可能去的地方，从而保持与其他道路使用者的安全隔离
自动驾驶车辆在动态和不确定的运输环境中运行。这不仅是由于道路信号等环境的变化，以及其他道路使用者的出现和消失，还因为车辆不断地以潜在的高速从一个地方移动到另一个地方。态势感知和评估是为车辆规划算法提供必要信息的关键。人类驾驶员不仅要了解他们的意图和当前状况，而且要预测他们可能移动的地方，以及他们在不久的将来可能的位置，从而保持与其他道路使用者的安全隔离。在了解静态环境和了解ego车辆的位置和状态方面，相对于SLAM等局部环境，已经取得了很好的进展。在跟踪和预测移动物体（如行人、自行车和其他车辆）方面需要进行更多的研究。多目标跟踪将在提高态势感知方面发挥重要作用（Ding和Chen，2013；Ding等人，2015）。此外，背景/背景知识（例如道路状况、交通法规和当地地图/设施）可用于更好地理解其他用户的意图，从而减少对其未来行动的预期的不确定性（Ding等人，2015年；Liu等人，2013年）。
滚动时域概念或模型预测控制为解决车辆规划的动态性和不确定性问题提供了最有前途的方法之一。在这种方法中，规划是通过基于所有可用信息的固定时间范围来制定的（Liu et al.，2010a，b），但仅实施规划的前一小部分。在新的信息到达后，通过再次展望地平线来重复计划。有几个特性使这种方法非常有吸引力。首先，所有车载传感器的范围有限，信息超出已知范围（Liu和Chen，2013）。其次，即使在地平线内，由于交通环境的动态性和不确定性，仍然需要重新规划以应对变化；例如，自动驾驶车辆在接近红绿灯时，会通过重新规划其行动来应对交通灯的变化。第三，有限视界的使用可以减少规划中的计算负担，这使得实现一些计算广泛的规划算法成为可能。尽管在这一领域开展了大量的前期工作（例如，Werling和Liccardo，2012；Kim，2013；Nilsson等人，2013），但还需要进行更多的研究，以充分探索后退地平线概念的潜力。
总结
自动驾驶或自动驾驶车辆的规划模块应确保乘客的安全性和舒适性。它还应使车辆处于与车辆周围的运动学和运动模型约束相关的正确行为。本文批判性地回顾了DARPA城市挑战里程碑之后应用于道路自主驾驶的现有规划方法，并着重介绍了最常用的技术。重点放在增量和局部路径搜索，以及行为和轨迹规划，因为文献中已经讨论了O-D对之间的全局路由。文中指出，增量路径规划依赖于对树或格等数据结构的搜索，而局部路径规划通常是在连续的空间中进行，并从最终状态进行采样。在大多数情况下，机动规划包括障碍物预测和碰撞估计，而大多数方法都缺少上下文。最后，在轨迹层面上，大多数方法都是针对静态或动态障碍物对给定的几何曲线进行优化或变形。
由于决策和动态障碍物的处理被发现是主要关注的领域，因此提出了基于agent的数学公式的实现和交通工程方面的融合。此外，有人建议使用其他传感方式，例如车辆通信，这将增强车辆的视野，并提高其估计能力和定位性能。最后，提出了将动态模型纳入规划的方向，以提高现有方法的实际性能。
需要注意的是，在模拟、模型车环境、试车跑道以及最后的真实世界实验中进行了大量的测试之后，建议的增强功能应逐步纳入自动驾驶中。
参考文章
- Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions -Christos Katrakazas a , Mohammed Quddus a,⇑ , Wen-Hua Chen b,1 , Lipika Deka a
- Learningaboutrisk:Machinelearningforriskassessment- NicolaPaltrinieria,⁎,LouiseComfortb,GenserikReniersc,d,e
- Driving Automation Systems Validation Overview - Altran
文中部分图片版权归其所有
*未经准许严禁转载和摘录
作者：Pirate Jack
来源：https://mp.weixin.qq.com/s/3L5lFv-vz3WczL-BDfD1Nw
Vehicle微信公众号
相关文章推荐
更多汽车行业干货请关注Vehicle专栏。
