自動(dòng)駕駛是正在發(fā)展的產(chǎn)物，大家對(duì)于自動(dòng)駕駛的期盼程度也是越來越高。為增進(jìn)大家對(duì)自動(dòng)駕駛的認(rèn)識(shí)，本文將對(duì)自動(dòng)駕駛軟件包含的功能、自動(dòng)駕駛用到的AI算法以及自動(dòng)駕駛和無人駕駛的區(qū)別予以介紹。如果你對(duì)自動(dòng)駕駛具有興趣，不妨繼續(xù)往下閱讀哦。

一、自動(dòng)駕駛軟件包含的功能

定位和地圖：利用傳感器數(shù)據(jù)和感知輸出，本地化映射模塊不僅可以估計(jì)自動(dòng)駕駛汽車位置，還可以構(gòu)建和更新三維世界地圖。自從同步定位和地圖(SLAM)的概念在1986年引入以來，就得到了業(yè)內(nèi)人士的普遍關(guān)注。最先進(jìn)的SLAM系統(tǒng)通常分為基于過濾器的SLAM和基于優(yōu)化的SLAM?；谶^濾的SLAM系統(tǒng)是由貝葉斯濾波得到的，通常通過增量集成傳感器數(shù)據(jù)，迭代估計(jì)自動(dòng)駕駛汽車姿態(tài)并更新三維環(huán)境地圖。最常用的濾波器有擴(kuò)展卡爾曼濾波器(EKF)、無跡卡爾曼濾波器(UKF)、信息濾波器(IF)和粒子濾波器(PF)。另一方面，基于優(yōu)化的SLAM方法首先通過尋找新觀測(cè)值與地圖之間的對(duì)應(yīng)關(guān)系來識(shí)別問題約束。然后，計(jì)算和改進(jìn)自動(dòng)駕駛汽車的姿勢(shì)，并更新3D地圖?；趦?yōu)化的SLAM方法可以分為兩個(gè)主要分支:Bundle Adjustment (BA)和graph SLAM。前者利用高斯-牛頓法、梯度下降等優(yōu)化技術(shù)，通過最小化誤差函數(shù)，聯(lián)合優(yōu)化三維地圖和攝像頭姿態(tài)。后者將定位問題建模為一個(gè)圖形表示問題，并通過尋找不同車輛姿態(tài)的誤差函數(shù)來求解。

預(yù)測(cè)：預(yù)測(cè)模塊分析其他交通代理的運(yùn)動(dòng)模式，預(yù)測(cè)自動(dòng)駕駛汽車未來的運(yùn)動(dòng)軌跡，使自動(dòng)駕駛汽車能夠做出合適的導(dǎo)航?jīng)Q策。目前的預(yù)測(cè)方法主要分為兩大類:基于模型的預(yù)測(cè)方法和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法。前者根據(jù)基本的物理系統(tǒng)運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)，通過傳播其運(yùn)動(dòng)狀態(tài)(位置、速度和加速度)來計(jì)算自動(dòng)駕駛汽車未來的運(yùn)動(dòng)。例如，奔馳的運(yùn)動(dòng)預(yù)測(cè)組件使用地圖信息作為約束來計(jì)算自動(dòng)駕駛汽車的下一個(gè)位置。卡爾曼濾波在短期預(yù)測(cè)方面表現(xiàn)良好，但在長期預(yù)測(cè)方面表現(xiàn)不佳，因?yàn)樗雎粤酥車沫h(huán)境，比如道路和交通規(guī)則。在此基礎(chǔ)上，建立了基于引力和斥力的行人運(yùn)動(dòng)預(yù)測(cè)模型。近年來，隨著人工智能和高性能計(jì)算的發(fā)展，許多數(shù)據(jù)處理技術(shù)，如隱馬爾可夫模型(HMM)、貝葉斯網(wǎng)絡(luò)(BNs)和高斯過程(GP)回歸，用來預(yù)測(cè)自動(dòng)駕駛汽車狀態(tài)。近年來，研究人員利用逆強(qiáng)化學(xué)習(xí)(IRL)對(duì)環(huán)境進(jìn)行建模，比如，采用逆最優(yōu)控制方法對(duì)行人路徑進(jìn)行預(yù)測(cè)。

規(guī)劃：規(guī)劃模塊根據(jù)感知、定位、映射以及預(yù)測(cè)信息確定可能的安全自動(dòng)駕駛汽車導(dǎo)航路徑。規(guī)劃任務(wù)主要分為路徑規(guī)劃、機(jī)動(dòng)規(guī)劃和軌跡規(guī)劃。路徑是自動(dòng)駕駛汽車應(yīng)該遵循的幾何路徑點(diǎn)列表，以便在不與障礙物碰撞的情況下到達(dá)目的地。最常用的路徑規(guī)劃技術(shù)有:Dijkstra、動(dòng)態(tài)規(guī)劃、A*、狀態(tài)格等。機(jī)動(dòng)規(guī)劃是一個(gè)高層次的自動(dòng)駕駛汽車運(yùn)動(dòng)表征過程，因?yàn)樗瑫r(shí)考慮了交通規(guī)則和其他自動(dòng)駕駛汽車狀態(tài)。在找到最佳路徑和機(jī)動(dòng)規(guī)劃后，必須生成滿足運(yùn)動(dòng)模型和狀態(tài)約束的軌跡，這樣才能保證交通的安全性和舒適性。

控制：控制模塊根據(jù)預(yù)測(cè)的軌跡和估計(jì)的車輛狀態(tài)向油門、剎車或轉(zhuǎn)向扭矩發(fā)送適當(dāng)?shù)拿?。控制模塊使汽車盡可能接近計(jì)劃的軌跡?？刂破鲄?shù)可以通過最小化理想狀態(tài)和觀測(cè)狀態(tài)之間的誤差函數(shù)(偏差)來估計(jì)。比例積分導(dǎo)數(shù)(PID)控制、線性二次調(diào)節(jié)器(LQR)控制和模型預(yù)測(cè)控制(MPC)是最常用的最小化誤差函數(shù)的方法。PID控制器是一種利用比例項(xiàng)、積分項(xiàng)和導(dǎo)數(shù)項(xiàng)使誤差函數(shù)最小的控制回路反饋機(jī)構(gòu)。當(dāng)系統(tǒng)動(dòng)力學(xué)用一組線性微分方程表示，成本用二次函數(shù)表示時(shí)，利用LQR控制器使誤差函數(shù)最小化。MPC是一種基于動(dòng)態(tài)過程模型的先進(jìn)過程控制技術(shù)。這三種控制器各有優(yōu)缺點(diǎn)。自動(dòng)駕駛汽車控制模塊一般采用上述方法的混合模式。例如，初級(jí)自動(dòng)駕駛汽車使用MPC和PID來完成一些低級(jí)反饋控制任務(wù)，例如應(yīng)用變矩器來實(shí)現(xiàn)所需的車輪轉(zhuǎn)角。百度Apollo采用了這三種控制器的混合的模式：PID用于前饋控制、LQR控制輪角、MPC對(duì)PID和LQR控制器參數(shù)進(jìn)行優(yōu)化。

二、自動(dòng)駕駛用到的AI算法

AI算法是支撐自動(dòng)駕駛技術(shù)最關(guān)鍵的部分，目前主流自動(dòng)駕駛公司都采用了機(jī)器學(xué)習(xí)與人工智能算法來實(shí)現(xiàn)。

自動(dòng)駕駛域算法可以分為感知算法、融合算法、決策算法和執(zhí)行算法。感知算法將傳感器數(shù)據(jù)轉(zhuǎn)換成車輛所處場(chǎng)景的機(jī)器語言，包括物體檢測(cè)、識(shí)別和跟蹤、3D環(huán)境建模、物體的運(yùn)動(dòng)估計(jì)等。

融合算法的核心任務(wù)是將不同傳感器獲取到的基于圖像或基于點(diǎn)云等不同維度的數(shù)據(jù)進(jìn)行量綱統(tǒng)一處理。隨著L2+自動(dòng)駕駛對(duì)多傳感器融合精度的要求提升，融合算法將逐漸前向化(前融合)，其層級(jí)將逐漸從域控制器等后端部件前移至傳感器層面，在傳感器內(nèi)部即完成融合，以提升數(shù)據(jù)處理的效率。

決策算法，即在基于感知算法的輸出結(jié)果，給出最終的行為動(dòng)作指令，包括汽車的跟隨、停止和追趕等行為決策，以及汽車的轉(zhuǎn)向、速度等動(dòng)作決策，路徑規(guī)劃等。

三、自動(dòng)駕駛和無人駕駛的區(qū)別

自動(dòng)駕駛和無人駕駛的區(qū)別在于，自動(dòng)駕駛是有人來決定駕駛行為的，而無人駕駛則是完全由機(jī)器來負(fù)責(zé)駕駛行為，也稱之為自主駕駛。很久以前后就已經(jīng)開始研究自動(dòng)駕駛技術(shù)，并且現(xiàn)在大量汽車都是應(yīng)用了主動(dòng)駕駛技術(shù)，如我們?cè)诟咚偕辖?jīng)常使用的ACC自適應(yīng)巡航功能就是屬于自動(dòng)駕駛的一種。

簡單來說，自動(dòng)駕駛主要是輔助駕駛功能，主體駕駛行為是人來操控的，需要駕駛員來使用的。而無人駕駛則完全以機(jī)器為主題，我們?nèi)嗽谲噧?nèi)僅作為乘坐者存在，無需控制車輛，機(jī)器實(shí)現(xiàn)全面的自主駕駛。

以上便是此次帶來的自動(dòng)駕駛相關(guān)內(nèi)容，通過本文，希望大家對(duì)自動(dòng)駕駛已經(jīng)具備一定的了解。如果你喜歡本文，不妨持續(xù)關(guān)注我們網(wǎng)站哦，將于后期帶來更多精彩內(nèi)容。最后，十分感謝大家的閱讀，have a nice day!