梁家泰

山東科技大學(xué)，山東 泰安 271019

1 無人駕駛車輛決策方法研究現(xiàn)狀

1.1 行為決策法

自20世紀(jì)90年代開始，有關(guān)無人駕駛車輛在高速公路或者野外條件下行駛的決策方法研究，主要包含符合交通規(guī)則要求的多準(zhǔn)則決策方法、利用多源信息進(jìn)行規(guī)劃的神經(jīng)網(wǎng)絡(luò)決策模型、通過計(jì)算機(jī)仿真建模的駕駛員決策方法，以及進(jìn)行最優(yōu)化節(jié)點(diǎn)選擇的貝葉斯決策方法[1]。但是由于城區(qū)環(huán)境比較復(fù)雜，人類駕駛員在駕駛時要做出行駛、變道、跟車、超車等基本行為，同時還要受到交通信號燈、行人及非機(jī)動車等影響。無人駕駛車輛需要從外界獲取的各項(xiàng)信息自然也非常多，如何利用上述行為決策方法提取有用信息來輔助其決策，依然是目前研究的熱點(diǎn)。

1.2 運(yùn)動規(guī)劃法

無人駕駛車輛是一種機(jī)器人，其運(yùn)行依靠一套設(shè)定的固定程序。無人駕駛車輛的運(yùn)行指的就是其運(yùn)動路徑的規(guī)劃。目前關(guān)于機(jī)器人運(yùn)動規(guī)劃的研究集中在：將不同空間位置估值并帶入設(shè)定的函數(shù)中使得系統(tǒng)的性能可以獲得最優(yōu)解辦法；基于預(yù)測控制理論，利用系統(tǒng)中接收器實(shí)時感知數(shù)據(jù)進(jìn)行實(shí)時的規(guī)劃優(yōu)化，最終生成無人駕駛車輛的行駛路徑；模仿自然界自然選擇過程及其進(jìn)化趨勢進(jìn)行路徑規(guī)劃算法。雖然上述3種算法均在無人駕駛車輛的決策中起到了一定的作用，但是這3種方法存在著求解過程不穩(wěn)定、運(yùn)算時間長、表達(dá)不盡準(zhǔn)確、計(jì)算效率低下等問題，不能夠很好地滿足在實(shí)際環(huán)境中的無人駕駛車輛運(yùn)行要求。

2 城市環(huán)境下無人駕駛車輛決策系統(tǒng)發(fā)展問題

2.1 復(fù)雜的城市道路交通環(huán)境

隨著我國城鎮(zhèn)化速度加快，城區(qū)中居民人數(shù)在逐年增長，而且居民人均車輛保有量也在逐漸增加，很多城市頗受巨大的交通壓力困擾，所以實(shí)行了限牌限號的車輛分流措施來緩解城市通行壓力。同時，在城市交通中車流復(fù)雜，混有不同的交通工具，其中私家車占比較高，部分地區(qū)的電動車和自行車的使用率也很高，增加了無人車行駛難度[2]。此外，現(xiàn)實(shí)通行環(huán)境的交通標(biāo)示不明顯，無人駕駛車輛從外界接受的信息中很大一部分就來自這些交通標(biāo)示，因此現(xiàn)實(shí)的情況會使得無人駕駛車輛的決策系統(tǒng)不能夠精確地運(yùn)行，會威脅到其行車安全。

2.2 行車技能要求

在城市道路中，駕駛員首先要有非常明確的行駛路線規(guī)劃，且駕駛員需要對行駛路線非常熟悉，能夠牢記一路上的所有障礙物并及時做出冷靜而正確的判斷。此外，在行駛過程中，駕駛員還要嚴(yán)格根據(jù)道路交通法規(guī)和交通信號指示規(guī)范行車，與其他車輛要保持安全的跟車距離并實(shí)時調(diào)整自身的行車速度和行駛道路。無人駕駛車輛需具備較高的行車技能。

2.3 決策系統(tǒng)的設(shè)計(jì)準(zhǔn)則

無人駕駛車輛在道路上行駛時，應(yīng)具有一定的基本性能，主要包括能夠根據(jù)用戶需求進(jìn)行合理規(guī)劃行車路線的自主能力、能夠?qū)崟r根據(jù)外部環(huán)境進(jìn)行決策改變的能力、擁有遵守交通法規(guī)和交通信號燈安全行駛的能力。此外在設(shè)計(jì)系統(tǒng)中還應(yīng)添加無人駕駛車輛的最大和最小行駛速度的設(shè)置，根據(jù)行程經(jīng)過的路段特點(diǎn)設(shè)置不同的最大、最小速度，確保其不會造成交通堵塞等[3]。

3 城市環(huán)境下無人駕駛車輛決策方法

3.1 基于有限狀態(tài)機(jī)的行為決策

有限狀態(tài)機(jī)方法就是將整個的行駛決策過程分解為多個有限狀態(tài)，整個系統(tǒng)信息的輸入、輸出都是單獨(dú)進(jìn)行的，然后通過狀態(tài)的轉(zhuǎn)移進(jìn)行信息傳遞。因此其要素是狀態(tài)、事件、轉(zhuǎn)移、動作，其中最主要的就是狀態(tài)的分解，主要有根據(jù)子狀態(tài)進(jìn)行的單向串聯(lián)結(jié)構(gòu)、根據(jù)子狀態(tài)的輸入和輸出不同節(jié)點(diǎn)進(jìn)行并聯(lián)處理的結(jié)構(gòu)以及最重要的混聯(lián)結(jié)構(gòu)?；炻?lián)結(jié)構(gòu)是將單向串聯(lián)結(jié)構(gòu)和并聯(lián)處理的結(jié)構(gòu)混合使用，是在實(shí)際應(yīng)用中使用最多的結(jié)構(gòu)。

3.2 基于學(xué)習(xí)算法的行為決策

隨著近年來信息技術(shù)和人工智能的大力發(fā)展推廣，模擬人類駕駛員行為的學(xué)習(xí)算法也逐漸被運(yùn)用到無人駕駛車輛的行為決策中。具有代表性的就是深度學(xué)習(xí)方法，無人車上的相機(jī)將其捕獲的圖像傳遞給神經(jīng)網(wǎng)絡(luò)進(jìn)行分析決策后，系統(tǒng)發(fā)出相應(yīng)的決策指令，指揮車輛進(jìn)行加速、轉(zhuǎn)彎、停車、避讓危險等動作。實(shí)驗(yàn)證明目前的神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)能夠讓無人駕駛車輛完整地學(xué)習(xí)駕駛?cè)蝿?wù)，而不用再拆分出細(xì)微的操作指令而影響其決策效率[4]。

4 無人駕駛車輛行為決策系統(tǒng)發(fā)展趨勢

4.1 無人駕駛車輛行為決策系統(tǒng)研究水平

對于無人駕駛車輛行為決策系統(tǒng)研究水平的衡量標(biāo)準(zhǔn)主要包括車輛的實(shí)用性、具體功能的多樣性、復(fù)雜場景適應(yīng)程度以及相關(guān)決策處理的正確性等。首先，車輛的實(shí)用性是最基礎(chǔ)的衡量標(biāo)準(zhǔn)，這是由理論設(shè)計(jì)到實(shí)際行車效果的最直接體現(xiàn)，主要是根據(jù)有限狀態(tài)機(jī)法中基于學(xué)習(xí)算法的決策算法來實(shí)現(xiàn)的，其中最典型的就是特斯拉公司進(jìn)行的自動駕駛測試，其在車道偏離警告及自動轉(zhuǎn)向、變化車道等功能上體現(xiàn)了良好的使用價值。其次，在功能的多樣性和復(fù)雜程度上，目前無人駕駛車輛不僅可以處理簡單的降速、減速、跟車、停車等基礎(chǔ)行為，還能夠通過自身系統(tǒng)來執(zhí)行路口讓行、自動停車、泊車等由多個連續(xù)性基礎(chǔ)操作組合的指令。同時在對復(fù)雜場景的適應(yīng)性上，目前的無人駕駛車輛基于有限狀態(tài)機(jī)決策機(jī)制可以還原諸多場景的優(yōu)點(diǎn)，可以模擬城市真實(shí)行車環(huán)境，并且可以對同一車輛在不同的道路環(huán)境、天氣狀況、人流分布特點(diǎn)的情形下完成正確的行車過程，做出正確的反應(yīng)，能夠滿足雨、雪、霧、夜晚、山區(qū)等各種特殊情況下的駕駛?cè)蝿?wù)[5]。此外在決策處理上由于采用的學(xué)習(xí)算法和規(guī)則算法已經(jīng)非常成熟，其能夠通過其不斷地學(xué)習(xí)，掌握精確地處理問題的能力。需要指出的是，對于目前的學(xué)習(xí)算法而言，其仍然需要基于更多的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行完善。

4.2 無人駕駛車輛行為決策系統(tǒng)技術(shù)難點(diǎn)

從目前的實(shí)際運(yùn)用來看，基于學(xué)習(xí)算法和規(guī)則算法的行為決策系統(tǒng)各有優(yōu)勢，基于學(xué)習(xí)算法的行為決策系統(tǒng)的優(yōu)點(diǎn)在于能夠根據(jù)不同的場景特征和決策依據(jù)進(jìn)行系統(tǒng)的自我決策優(yōu)化，通過對數(shù)據(jù)的處理就能夠完善其模型。而基于規(guī)則算法的行為決策系統(tǒng)的優(yōu)勢在于其能夠提供理論清晰、邏輯嚴(yán)密、穩(wěn)定性強(qiáng)的建模系統(tǒng)，因此其注重的是對于規(guī)則的掌握運(yùn)用，對于處理器的性能要求不是很高，能夠拓寬其場景應(yīng)用范圍。但是值得注意的是這兩種算法依然存在一些缺陷。首先有限狀態(tài)機(jī)的狀態(tài)劃分需要有明確的界限，而在行車過程中經(jīng)常遇到需要駕駛員做出判斷的兩可情形，這種現(xiàn)象的出現(xiàn)會對無人駕駛系統(tǒng)的穩(wěn)定性和連貫性產(chǎn)生負(fù)面影響。其次學(xué)習(xí)算法需要大量的訓(xùn)練結(jié)果和樣本數(shù)量，因此學(xué)習(xí)模型的復(fù)雜程度、樣本數(shù)量、質(zhì)量，對場景信息提煉的精準(zhǔn)度都會影響學(xué)習(xí)算法的精準(zhǔn)性和穩(wěn)定性。

4.3 無人駕駛車輛行為決策系統(tǒng)技術(shù)發(fā)展趨勢

從目前的發(fā)展趨勢來看，將來無人駕駛車輛行為決策系統(tǒng)的發(fā)展仍然圍繞基于規(guī)則和基于學(xué)習(xí)算法兩大方向，但二者不盡相同。對于規(guī)則算法而言，其將被運(yùn)用到場景的整體建模上來，將復(fù)雜的場景進(jìn)行分模塊化的處理，掌握大的建模方向[6]，具體而言就是主要解決諸如遇到“灰色地帶”問題時基于規(guī)則算法給出更為合理的處理方式。對于學(xué)習(xí)算法而言，其將被主要運(yùn)用于簡單的、基礎(chǔ)的指令上來，將分區(qū)的模塊化的部分進(jìn)行細(xì)化，組成無人駕駛車輛實(shí)際運(yùn)行中承載各項(xiàng)系統(tǒng)的“螺絲釘”。此外，目前的研究主要關(guān)注車輛行駛安全和運(yùn)行效率的問題，在今后的發(fā)展過程中，還應(yīng)該逐漸關(guān)注不同類型車輛的設(shè)計(jì)特性以及乘車人的使用舒適性問題。

5 結(jié)語

目前無人駕駛車輛在城市環(huán)境中行駛的決策研究依然存在著很多實(shí)際問題，通過基于有限狀態(tài)機(jī)及基于學(xué)習(xí)算法的行為決策能夠很好地幫助無人駕駛車輛進(jìn)行決策，使其在城市道路中達(dá)到較為穩(wěn)定安全的行駛狀態(tài)。將來的研究應(yīng)該聚焦規(guī)則算法和學(xué)習(xí)算法及乘員的舒適性等問題。