城市环境下无人驾驶车辆决策系统研究

2019-11-28梁家泰

海峡科技与产业 2019年2期

梁家泰

山东科技大学，山东泰安 271019

1 无人驾驶车辆决策方法研究现状

1.1 行为决策法

自20世纪90年代开始，有关无人驾驶车辆在高速公路或者野外条件下行驶的决策方法研究，主要包含符合交通规则要求的多准则决策方法、利用多源信息进行规划的神经网络决策模型、通过计算机仿真建模的驾驶员决策方法，以及进行最优化节点选择的贝叶斯决策方法[1]。但是由于城区环境比较复杂，人类驾驶员在驾驶时要做出行驶、变道、跟车、超车等基本行为，同时还要受到交通信号灯、行人及非机动车等影响。无人驾驶车辆需要从外界获取的各项信息自然也非常多，如何利用上述行为决策方法提取有用信息来辅助其决策，依然是目前研究的热点。

1.2 运动规划法

无人驾驶车辆是一种机器人，其运行依靠一套设定的固定程序。无人驾驶车辆的运行指的就是其运动路径的规划。目前关于机器人运动规划的研究集中在：将不同空间位置估值并带入设定的函数中使得系统的性能可以获得最优解办法；基于预测控制理论，利用系统中接收器实时感知数据进行实时的规划优化，最终生成无人驾驶车辆的行驶路径；模仿自然界自然选择过程及其进化趋势进行路径规划算法。虽然上述3种算法均在无人驾驶车辆的决策中起到了一定的作用，但是这3种方法存在着求解过程不稳定、运算时间长、表达不尽准确、计算效率低下等问题，不能够很好地满足在实际环境中的无人驾驶车辆运行要求。

2 城市环境下无人驾驶车辆决策系统发展问题

2.1 复杂的城市道路交通环境

随着我国城镇化速度加快，城区中居民人数在逐年增长，而且居民人均车辆保有量也在逐渐增加，很多城市颇受巨大的交通压力困扰，所以实行了限牌限号的车辆分流措施来缓解城市通行压力。同时，在城市交通中车流复杂，混有不同的交通工具，其中私家车占比较高，部分地区的电动车和自行车的使用率也很高，增加了无人车行驶难度[2]。此外，现实通行环境的交通标示不明显，无人驾驶车辆从外界接受的信息中很大一部分就来自这些交通标示，因此现实的情况会使得无人驾驶车辆的决策系统不能够精确地运行，会威胁到其行车安全。

2.2 行车技能要求

在城市道路中，驾驶员首先要有非常明确的行驶路线规划，且驾驶员需要对行驶路线非常熟悉，能够牢记一路上的所有障碍物并及时做出冷静而正确的判断。此外，在行驶过程中，驾驶员还要严格根据道路交通法规和交通信号指示规范行车，与其他车辆要保持安全的跟车距离并实时调整自身的行车速度和行驶道路。无人驾驶车辆需具备较高的行车技能。

2.3 决策系统的设计准则

无人驾驶车辆在道路上行驶时，应具有一定的基本性能，主要包括能够根据用户需求进行合理规划行车路线的自主能力、能够实时根据外部环境进行决策改变的能力、拥有遵守交通法规和交通信号灯安全行驶的能力。此外在设计系统中还应添加无人驾驶车辆的最大和最小行驶速度的设置，根据行程经过的路段特点设置不同的最大、最小速度，确保其不会造成交通堵塞等[3]。

3 城市环境下无人驾驶车辆决策方法

3.1 基于有限状态机的行为决策

有限状态机方法就是将整个的行驶决策过程分解为多个有限状态，整个系统信息的输入、输出都是单独进行的，然后通过状态的转移进行信息传递。因此其要素是状态、事件、转移、动作，其中最主要的就是状态的分解，主要有根据子状态进行的单向串联结构、根据子状态的输入和输出不同节点进行并联处理的结构以及最重要的混联结构。混联结构是将单向串联结构和并联处理的结构混合使用，是在实际应用中使用最多的结构。

3.2 基于学习算法的行为决策

随着近年来信息技术和人工智能的大力发展推广，模拟人类驾驶员行为的学习算法也逐渐被运用到无人驾驶车辆的行为决策中。具有代表性的就是深度学习方法，无人车上的相机将其捕获的图像传递给神经网络进行分析决策后，系统发出相应的决策指令，指挥车辆进行加速、转弯、停车、避让危险等动作。实验证明目前的神经网络技术已经能够让无人驾驶车辆完整地学习驾驶任务，而不用再拆分出细微的操作指令而影响其决策效率[4]。

4 无人驾驶车辆行为决策系统发展趋势

4.1 无人驾驶车辆行为决策系统研究水平

对于无人驾驶车辆行为决策系统研究水平的衡量标准主要包括车辆的实用性、具体功能的多样性、复杂场景适应程度以及相关决策处理的正确性等。首先，车辆的实用性是最基础的衡量标准，这是由理论设计到实际行车效果的最直接体现，主要是根据有限状态机法中基于学习算法的决策算法来实现的，其中最典型的就是特斯拉公司进行的自动驾驶测试，其在车道偏离警告及自动转向、变化车道等功能上体现了良好的使用价值。其次，在功能的多样性和复杂程度上，目前无人驾驶车辆不仅可以处理简单的降速、减速、跟车、停车等基础行为，还能够通过自身系统来执行路口让行、自动停车、泊车等由多个连续性基础操作组合的指令。同时在对复杂场景的适应性上，目前的无人驾驶车辆基于有限状态机决策机制可以还原诸多场景的优点，可以模拟城市真实行车环境，并且可以对同一车辆在不同的道路环境、天气状况、人流分布特点的情形下完成正确的行车过程，做出正确的反应，能够满足雨、雪、雾、夜晚、山区等各种特殊情况下的驾驶任务[5]。此外在决策处理上由于采用的学习算法和规则算法已经非常成熟，其能够通过其不断地学习，掌握精确地处理问题的能力。需要指出的是，对于目前的学习算法而言，其仍然需要基于更多的实验数据进行完善。

4.2 无人驾驶车辆行为决策系统技术难点

从目前的实际运用来看，基于学习算法和规则算法的行为决策系统各有优势，基于学习算法的行为决策系统的优点在于能够根据不同的场景特征和决策依据进行系统的自我决策优化，通过对数据的处理就能够完善其模型。而基于规则算法的行为决策系统的优势在于其能够提供理论清晰、逻辑严密、稳定性强的建模系统，因此其注重的是对于规则的掌握运用，对于处理器的性能要求不是很高，能够拓宽其场景应用范围。但是值得注意的是这两种算法依然存在一些缺陷。首先有限状态机的状态划分需要有明确的界限，而在行车过程中经常遇到需要驾驶员做出判断的两可情形，这种现象的出现会对无人驾驶系统的稳定性和连贯性产生负面影响。其次学习算法需要大量的训练结果和样本数量，因此学习模型的复杂程度、样本数量、质量，对场景信息提炼的精准度都会影响学习算法的精准性和稳定性。

4.3 无人驾驶车辆行为决策系统技术发展趋势

从目前的发展趋势来看，将来无人驾驶车辆行为决策系统的发展仍然围绕基于规则和基于学习算法两大方向，但二者不尽相同。对于规则算法而言，其将被运用到场景的整体建模上来，将复杂的场景进行分模块化的处理，掌握大的建模方向[6]，具体而言就是主要解决诸如遇到“灰色地带”问题时基于规则算法给出更为合理的处理方式。对于学习算法而言，其将被主要运用于简单的、基础的指令上来，将分区的模块化的部分进行细化，组成无人驾驶车辆实际运行中承载各项系统的“螺丝钉”。此外，目前的研究主要关注车辆行驶安全和运行效率的问题，在今后的发展过程中，还应该逐渐关注不同类型车辆的设计特性以及乘车人的使用舒适性问题。