自動(dòng)駕駛感知層

　　感知系統(tǒng)最重要的就是傳感器。自動(dòng)駕駛常見(jiàn)的傳感器群包括攝像頭、激光雷達(dá)(LiDAR)、毫米波雷達(dá)、超聲波傳感器和定位慣導(dǎo)系統(tǒng)(GNSS+IMU)。攝像頭給出豐富的顏色和紋理信息，適合識(shí)別交通標(biāo)志、車道線和信號(hào)燈，但受光照、雨霧和逆光影響較大。激光雷達(dá)提供精確的三維點(diǎn)云，測(cè)距精度高，能清晰描述障礙物的形狀，但在雪、雨或強(qiáng)反射表面上會(huì)有噪聲，并且成本與數(shù)據(jù)量較高。毫米波雷達(dá)穿透能較好，能穩(wěn)定測(cè)量物體的相對(duì)速度，常用來(lái)補(bǔ)充在惡劣天氣中攝像頭和激光雷達(dá)受限時(shí)的信息。超聲波用于短距離近場(chǎng)探測(cè)，如自動(dòng)泊車場(chǎng)景。GNSS+IMU提供車輛的全局位置和短時(shí)姿態(tài)，但在隧道、高樓林立的市區(qū)或地下停車場(chǎng)會(huì)失準(zhǔn)，因此通常與車載視覺(jué)/雷達(dá)細(xì)粒度定位或高精地圖配合使用。理解每種傳感器的強(qiáng)弱，是合理設(shè)計(jì)感知系統(tǒng)的第一步。

　　把傳感器數(shù)據(jù)變成可用信息，需要經(jīng)過(guò)若干階段。首先是數(shù)據(jù)預(yù)處理，這其中包括時(shí)間同步、坐標(biāo)轉(zhuǎn)換和濾波。時(shí)間同步是基礎(chǔ)但經(jīng)常被低估的問(wèn)題，因?yàn)閿z像頭、雷達(dá)、IMU的采樣頻率與時(shí)延不同，如果不把數(shù)據(jù)對(duì)齊，感知模塊會(huì)把同一物體“看到”成不同位置。坐標(biāo)轉(zhuǎn)換則把所有傳感器的數(shù)據(jù)投影到統(tǒng)一的坐標(biāo)系(通常是車輛坐標(biāo)系或世界坐標(biāo)系)，便于后續(xù)融合。噪聲去除、點(diǎn)云下采樣、圖像去霧和偽影濾除等都屬于預(yù)處理范疇，目的是降低輸入端的干擾。

　　預(yù)處理后要進(jìn)行的就是檢測(cè)、語(yǔ)義分割、跟蹤與定位。檢測(cè)和語(yǔ)義分割通?；谏疃葘W(xué)習(xí)模型處理攝像頭像素或激光點(diǎn)云特征，目標(biāo)是把“像素/點(diǎn)”轉(zhuǎn)成“物體”的表示。點(diǎn)云檢測(cè)有一系列方法，從傳統(tǒng)基于體素/網(wǎng)格的點(diǎn)云處理，到最近幾年流行的基于點(diǎn)網(wǎng)絡(luò)、柱狀體(pillar)或多視圖融合的端到端網(wǎng)絡(luò)。攝像頭的檢測(cè)則常用卷積神經(jīng)網(wǎng)絡(luò)做目標(biāo)檢測(cè)和分割，再結(jié)合幾何方法估計(jì)深度。跟蹤模塊將每幀的檢測(cè)結(jié)果關(guān)聯(lián)成時(shí)間連續(xù)的軌跡，常見(jiàn)的做法是在檢測(cè)后的狀態(tài)上運(yùn)行卡爾曼濾波或更復(fù)雜的貝葉斯濾波器，同時(shí)結(jié)合匈牙利算法或深度學(xué)習(xí)相似度度量做數(shù)據(jù)關(guān)聯(lián)。跟蹤能平滑檢測(cè)噪聲、處理短時(shí)遮擋，并為預(yù)測(cè)模塊提供歷史軌跡。

　　感知里另一個(gè)重要環(huán)節(jié)是預(yù)測(cè)，這里所說(shuō)的預(yù)測(cè)，并不是“把未來(lái)完全預(yù)測(cè)出來(lái)”，而是給出帶不確定性的未來(lái)分布。最簡(jiǎn)單的預(yù)測(cè)是假定目標(biāo)勻速或勻加速，但在真實(shí)道路中行人、騎行者和其他車輛會(huì)有復(fù)雜的轉(zhuǎn)向、剎車或交互行為。因此在實(shí)際設(shè)計(jì)時(shí)會(huì)混合使用物理模型、基于軌跡的啟發(fā)式方法和學(xué)習(xí)型模型。學(xué)習(xí)型方法包括循環(huán)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、Transformers等，它們能夠?qū)W習(xí)交通參與者在不同語(yǔ)義場(chǎng)景下的典型軌跡模式。更進(jìn)一步的交互式預(yù)測(cè)會(huì)把其他主體的可能反應(yīng)也考慮進(jìn)來(lái)，輸出諸如“若我減速，對(duì)方有x%概率做y行為”的條件式預(yù)測(cè)。這其中的關(guān)鍵在于，感知模塊的輸出通常不是“單一真值”，而是狀態(tài)估計(jì)加上不確定度(概率或置信度)，這些不確定信息必須傳遞給決策層，否則決策會(huì)“高估”感知的準(zhǔn)確性。

　　現(xiàn)在感知系統(tǒng)越來(lái)越依賴深度學(xué)習(xí)，在實(shí)際工程中常常把幾何算法和學(xué)習(xí)方法結(jié)合使用以兼顧效率與可解釋性。例如用傳統(tǒng)的點(diǎn)云配準(zhǔn)算法做粗對(duì)齊，再把對(duì)齊后的數(shù)據(jù)送入學(xué)習(xí)模型做語(yǔ)義提取;或在攝像頭里用多目幾何恢復(fù)深度之后再用學(xué)習(xí)網(wǎng)絡(luò)做檢測(cè)。這樣做的好處是能利用物理先驗(yàn)來(lái)約束學(xué)習(xí)模型，減少對(duì)海量標(biāo)注數(shù)據(jù)的依賴，并在極端場(chǎng)景下有可解釋的操作行為。另一個(gè)實(shí)際問(wèn)題是計(jì)算資源與延遲，點(diǎn)云和高分辨率相機(jī)數(shù)據(jù)量巨大，感知模塊要在有限算力下達(dá)成實(shí)時(shí)(通常10–30Hz)，這促使大家使用模型剪枝、蒸餾、量化以及硬件加速(GPU/TPU/專用加速器)來(lái)壓縮推理時(shí)間。

　　在這中間有個(gè)容易被忽略但非常重要的點(diǎn)，那就是感知的錯(cuò)誤模式。遮擋、逆光、強(qiáng)反射、路面鏡像、紡織物或交通錐的非典型外觀、雨雪顆粒回波等都會(huì)造成感知錯(cuò)誤。為此系統(tǒng)必須在設(shè)計(jì)時(shí)就考慮不確定性傳播，如當(dāng)感知給出的“行人置信度只有 0.6”時(shí)，決策層要相應(yīng)保守;當(dāng)定位相對(duì)高精地圖的匹配不穩(wěn)定時(shí)，車輛應(yīng)降低速度并盡快進(jìn)入安全模式。感知并不是單純輸出“物體在哪里”，而是把狀態(tài)、置信度和語(yǔ)義關(guān)鍵信息(例如“這是車輛還是自行車”)一起輸出，供決策層綜合判斷。

　　自動(dòng)駕駛決策層

　　自動(dòng)駕駛決策層通常分層處理，分別是從更高層的路徑規(guī)劃(route planning)到行為規(guī)劃(behavior planning)，再到局部運(yùn)動(dòng)規(guī)劃(motion planning)。路徑規(guī)劃解決“從A點(diǎn)到B點(diǎn)應(yīng)走哪條道路”，這部分和傳統(tǒng)導(dǎo)航類似，依賴路網(wǎng)圖和交通規(guī)則。行為規(guī)劃負(fù)責(zé)回答“在當(dāng)前路段我應(yīng)該做什么樣的駕駛行為”，比如是否變道、是否超車、是否在某處掉頭。局部運(yùn)動(dòng)規(guī)劃則把行為轉(zhuǎn)化為連續(xù)的、滿足動(dòng)力學(xué)約束的時(shí)間-空間軌跡。把這三層分離有利于把復(fù)雜問(wèn)題拆解，但也要注意交互與一致性，高層決定了一些不可逆的動(dòng)作(例如進(jìn)入匝道)，一旦執(zhí)行，局部規(guī)劃和控制需要能可靠實(shí)現(xiàn)并處理外界反應(yīng)。

　　行為規(guī)劃的實(shí)現(xiàn)方法多樣，早期工程做法偏重規(guī)則與狀態(tài)機(jī)，例如把交通規(guī)則、禮讓策略和一些經(jīng)驗(yàn)規(guī)則寫(xiě)死，行為邏輯用有限狀態(tài)機(jī)來(lái)實(shí)現(xiàn)。這種方法可解釋、易于驗(yàn)證，但難以覆蓋復(fù)雜多變的場(chǎng)景。近年來(lái)，基于成本函數(shù)的優(yōu)化方法和學(xué)習(xí)型策略被廣泛研究。成本函數(shù)方法會(huì)定義一組目標(biāo)和約束，例如安全距離、舒適度、時(shí)間效率、與交通規(guī)則的偏差等，然后在候選行為或軌跡集合中求最小代價(jià)解。強(qiáng)化學(xué)習(xí)或模仿學(xué)習(xí)的方法試圖從數(shù)據(jù)中直接學(xué)習(xí)到“如何決策”，在某些場(chǎng)景下能學(xué)出更靈活的駕駛策略，但其可解釋性與可驗(yàn)證性仍是挑戰(zhàn)。因此在實(shí)際產(chǎn)品中，常使用混合策略，即把規(guī)則作為硬約束，把學(xué)習(xí)模型或優(yōu)化器作為軟策略決策器，并在顯著不確定時(shí)回退到規(guī)則基線。

　　局部運(yùn)動(dòng)規(guī)劃是決策到控制的橋梁，它要在給定行為下生成一條可追蹤的時(shí)間序列軌跡，通常需要考慮車輛動(dòng)力學(xué)、路面曲率、障礙物位置和預(yù)測(cè)軌跡等因素。軌跡生成有采樣-評(píng)估的方法，也有優(yōu)化求解的方法。采樣方法先生成多個(gè)可行軌跡樣本，再基于成本函數(shù)評(píng)估并選取最優(yōu)樣本;這種方法實(shí)現(xiàn)簡(jiǎn)單、容易并行化，但樣本覆蓋性影響結(jié)果。優(yōu)化方法(例如基于梯度的軌跡優(yōu)化或Model Predictive Control的前置規(guī)劃)則直接把軌跡求解為連續(xù)優(yōu)化問(wèn)題，能夠更精細(xì)地處理約束但計(jì)算量大。有技術(shù)提出把快速采樣器與局部?jī)?yōu)化結(jié)合，先生成候選軌跡(保證實(shí)時(shí)性)，再用快速優(yōu)化做局部修正以提高可行性與舒適度。

　　決策模塊的另一個(gè)關(guān)鍵挑戰(zhàn)是交互。道路上的其他主體會(huì)根據(jù)你的動(dòng)作做出反應(yīng)，因此一個(gè)好決策不僅要預(yù)測(cè)別人會(huì)怎么走，還要評(píng)估別人對(duì)自己動(dòng)作的反應(yīng)。交互式?jīng)Q策可以借助博弈論、多智能體強(qiáng)化學(xué)習(xí)或條件預(yù)測(cè)模型，但這些方法復(fù)雜且難以保證收斂到可驗(yàn)證的策略。因此工程實(shí)現(xiàn)上往往選擇折中，在常規(guī)場(chǎng)景使用預(yù)測(cè)模型加權(quán)評(píng)估候選軌跡，并在風(fēng)險(xiǎn)升高或預(yù)測(cè)不確定度大時(shí)降速或保守避讓，從而在保證安全的同時(shí)不犧牲效率過(guò)多。

　　決策還必須與法規(guī)、倫理和功能安全規(guī)范對(duì)齊。不同國(guó)家和地區(qū)對(duì)自動(dòng)駕駛行為有不同的法律約束，例如對(duì)變道禮讓、紅綠燈處理、學(xué)校區(qū)域限速等都有明確規(guī)范。決策系統(tǒng)要把這些硬約束嵌入策略里，如ISO 26262會(huì)要求對(duì)導(dǎo)致潛在危險(xiǎn)的故障模式做風(fēng)險(xiǎn)評(píng)估并設(shè)計(jì)冗余/故障響應(yīng)機(jī)制。從技術(shù)角度考慮，一個(gè)常見(jiàn)的做法是在決策模塊里加入安全保護(hù)層(safety envelope)，它在局部規(guī)劃輸出后作為最后一道檢查，確保軌跡在例如不突破最低剎車距離、保持橫向穩(wěn)定限值等任何已知的安全約束內(nèi)，如果檢測(cè)到違反則拒絕該軌跡并觸發(fā)緊急減速或?？?。

　　自動(dòng)駕駛控制層

　　決策的輸出是期望軌跡或期望速度曲線，這些被送到控制層去執(zhí)行?？刂频娜蝿?wù)是把規(guī)劃的期望軌跡跟蹤成車輛實(shí)際運(yùn)動(dòng)?？刂品譃榭v向(速度/加減速)和橫向(轉(zhuǎn)向)兩個(gè)主要維度。有些系統(tǒng)把兩者合并進(jìn)一個(gè)聯(lián)合控制器，有些系統(tǒng)分別設(shè)計(jì)縱橫向控制器再做協(xié)調(diào)?？刂破饕幚淼默F(xiàn)實(shí)問(wèn)題包括執(zhí)行器非線性(油門(mén)踏板與車體前進(jìn)的非線性關(guān)系、制動(dòng)踏板與制動(dòng)力的非線性)、執(zhí)行器時(shí)延(踏板命令到實(shí)際加速存在延遲)、以及車輛動(dòng)力學(xué)隨載荷和輪胎狀態(tài)變化。

　　縱向控制里常見(jiàn)的技術(shù)有PID和模型預(yù)測(cè)控制(MPC)。PID簡(jiǎn)單可靠，參數(shù)調(diào)教成熟，適合常規(guī)高速巡航;MPC更適合在需要考慮動(dòng)力學(xué)約束與預(yù)測(cè)信息時(shí)使用，因?yàn)镸PC可以在優(yōu)化中直接引入可控約束(例如最大加速度、乘客舒適度權(quán)重)并生成未來(lái)一段時(shí)間的控制序列。但MPC計(jì)算復(fù)雜，需要實(shí)時(shí)求解優(yōu)化問(wèn)題，對(duì)算力要求高。橫向控制常見(jiàn)算法包括幾何方法(如pure pursuit)、基于狀態(tài)誤差的控制(如Stanley 控制器)、以及同樣使用MPC的模型預(yù)測(cè)控制。純幾何方法實(shí)現(xiàn)簡(jiǎn)單且在低速下表現(xiàn)良好，MPC在高速或動(dòng)態(tài)耦合情況下表現(xiàn)更穩(wěn)健。

　　控制的設(shè)計(jì)不只是選擇一種算法那么簡(jiǎn)單，還包括前饋+反饋結(jié)構(gòu)、延遲補(bǔ)償、以及對(duì)執(zhí)行器和輪胎模型的非線性補(bǔ)償。前饋控制利用規(guī)劃軌跡的曲率給出預(yù)期轉(zhuǎn)向角，減少穩(wěn)態(tài)誤差;反饋控制則基于實(shí)際誤差做修正。延遲補(bǔ)償可以通過(guò)預(yù)測(cè)未來(lái)的車輛狀態(tài)或在規(guī)劃時(shí)把已知延遲納入軌跡，實(shí)現(xiàn)在實(shí)際執(zhí)行中減少超前或滯后導(dǎo)致的偏差。更復(fù)雜的系統(tǒng)還會(huì)把輪胎力學(xué)、車身橫擺動(dòng)力學(xué)等模型引入控制器以提高極限條件下的穩(wěn)定性。

　　控制器還要與車輛的底層電子穩(wěn)定系統(tǒng)(ESP/ESC)、制動(dòng)防抱死系統(tǒng)(ABS)等協(xié)同工作。緊急制動(dòng)時(shí)制動(dòng)力分配、ABS的激活以及ESC的側(cè)向力控制都會(huì)影響車輛實(shí)際行為，因此控制系統(tǒng)通常需要與底層車輛控制單元(VCU)緊密集成，或者通過(guò)低級(jí)接口讓車輛底層的安全系統(tǒng)優(yōu)先保證車體穩(wěn)定性。

　　三者結(jié)合的必要性

　　把感知、決策、控制三層放到一起，系統(tǒng)架構(gòu)上看起來(lái)就像是一條流水線，但工程實(shí)現(xiàn)中會(huì)并行設(shè)計(jì)多個(gè)冗余路徑。為了保證功能安全，常見(jiàn)做法是傳感器冗余(同一類型或不同類型傳感器重復(fù)布局)、計(jì)算冗余(主控和備份控制器分開(kāi)工作并相互監(jiān)測(cè))和軟件冗余(主算法和簡(jiǎn)化硬規(guī)則并行檢查)，低延遲安全通道(watchdog)也會(huì)在主鏈路失效時(shí)立刻干預(yù)。

　　測(cè)試與驗(yàn)證是整個(gè)系統(tǒng)開(kāi)發(fā)中最消耗資源但又最關(guān)鍵的部分。感知需要大量標(biāo)注數(shù)據(jù)覆蓋不同天氣、光照、道路材料和稀有事件。單純依靠大規(guī)模道路測(cè)試既昂貴又難以覆蓋所有角落，因此工業(yè)界廣泛使用仿真平臺(tái)做海量場(chǎng)景測(cè)試，其中包括可編程的交通參與者行為、極端天氣模擬和傳感器物理仿真。決策需要進(jìn)行交互式場(chǎng)景的長(zhǎng)尾測(cè)試，評(píng)估在罕見(jiàn)場(chǎng)景中的策略魯棒性。運(yùn)動(dòng)規(guī)劃和控制則要做閉環(huán)仿真加真實(shí)車輛道路測(cè)試，尤其是邊界條件下的跟蹤誤差與穩(wěn)定性驗(yàn)證。硬件在環(huán)(HIL)和車輛在環(huán)(VIL)測(cè)試是把軟件與真實(shí)執(zhí)行器、電控單元耦合起來(lái)驗(yàn)證延遲和非線性影響的重要手段。當(dāng)然，最終的道路驗(yàn)證(含試驗(yàn)場(chǎng)和公開(kāi)道路)仍是不可或缺的步驟，但要在前述多層次仿真和工況驗(yàn)證基礎(chǔ)上有選擇性地放大測(cè)試覆蓋。

　　綜上所述，自動(dòng)駕駛的感知、決策與控制是一個(gè)高度耦合的系統(tǒng)工程。感知負(fù)責(zé)把復(fù)雜、噪聲且有不確定性的外界信息轉(zhuǎn)換為具有語(yǔ)義和概率描述的內(nèi)部狀態(tài);決策基于這些狀態(tài)做出策略選擇，并生成滿足動(dòng)力學(xué)和安全約束的軌跡;控制將軌跡精確執(zhí)行到車輛上，同時(shí)應(yīng)對(duì)執(zhí)行器非線性與延遲。每一層既有經(jīng)典算法的成熟路徑，也在迅速被學(xué)習(xí)型方法推動(dòng)邊界，但是想要讓自動(dòng)駕駛落地最重要的始終是魯棒性、可驗(yàn)證性與安全性。理解三層的分工并把接口上的不確定性顯式處理好，是把研究成果轉(zhuǎn)化為可靠產(chǎn)品的關(guān)鍵。