浅析无人驾驶中的决策技术

印徐伟屹

摘 要：无人驾驶技术对于发展新兴技术、改善交通状况、建设智能城市等有着深远的意义。在技术上无人驾驶可以分为感知、决策、执行三大模块。本文重点介绍无人驾驶中的决策技术，包括两种典型技術路线的基本原理、典型应用和优缺点分析，并在最后对无人驾驶决策技术的发展提出建议。

关键词：无人驾驶;决策系统;自动状态机;深度学习

中图分类号：TP391.41 文献标识码：A 文章编号：1671-2064（2020）10-0092-02

0引言

随着科技的发展和社会的进步，汽车已经成为了人们日常生活的必需品。我国作为汽车消费大国，对于无人驾驶汽车的需求也是十分明显的：首先，无人驾驶汽车应用能够降低交通事故发生的概率，保证了人们的安全;其次，无人驾驶汽车对于残疾人来说，也能够大大降低出行的难度，在一定程度上能够进一步刺激汽车市场，推动汽车行业向未来大步前进;再次，无人驾驶汽车往往与新能源、清洁能源等概念紧密联系，发展无人驾驶汽车也能够为我国的环境保护和能源保护作出贡献;最后，无人驾驶汽车的发展与通信技术的发展是密不可分的，发展无人驾驶汽车在客观上也能够不断推动通信技术的发展。

无人驾驶技术是一项多个学科高度融合、高度交叉的新兴技术，其发展需要多种技术的共同支持，因此当我们在做相关研究时，应当采用模块化的思想进行学习和探究，适当地对无人驾驶技术进行解构和分类。

1无人驾驶技术分析

无人驾驶目前尚处于高速发展的阶段，因此不同研究团体的实现方式、技术构成各有不同，但总体上看，可以将无人驾驶的技术实现分为三个部分：感知、决策和控制[1]。

1.1感知模块

感知模块指的是无人驾驶汽车需要对周围的环境进行信息采集并汇总给决策模块。就像人类需要对周围的事物进行识别和判断一样，无人驾驶汽车也需要对自己所处的位置和周围的事物进行识别和判断。因此，无人驾驶的感知模块可以总结为两个任务：识别与定位[2]。识别任务指的是无人驾驶汽车需要对周围的障碍物（除去汽车以外的所有物体）进行识别，定位任务指的是无人驾驶汽车需要确定自身相对于周边环境的位置[3]。随后，感知系统将获取的信息输入到决策模块中。

1.2执行模块

执行模块指的是在决策模块给出决策信息后，根据决策信息对无人驾驶汽车的各个部件实施物理控制，包括刹车、加速、转向等。随着自动控制技术的发展，无人驾驶的执行模块已经非常成熟。因此，无人驾驶汽车技术的关键在于如何根据已有信息作出合理、快速、安全的决策。

1.3决策模块

决策模块的任务是根据无人驾驶汽车感知模块获得的信息进行指令的下达。在实际的运行过程中，一方面无人驾驶汽车需要主动地作出任务规划和动作指令，另一方面也要时刻对突发情况保持关注和给出反馈。同时我们还要考虑到指令本身是有层次的，既有路径规划这样的宏观任务，也有紧急制动这样的具体任务。因此，如何用数学语言去系统性地描述一个有着多输入、多输出的决策系统就成为了当前制约无人驾驶系统的重大技术难关。

总的来看，目前决策系统的主要发展方向有两个：（1）以自动状态机为首的基于规则的决策系统;（2）以深度学习为首的基于学习的决策系统[4]，下文中将进行重点介绍。

2无人驾驶中的决策技术分析

2.1基于规则的决策技术

在实际的运行中，无人驾驶汽车经常需要作出运动状态的改变，而状态改变的依据是对周围环境的综合判断。为了让无人驾驶汽车的运行在我们的掌控之中，开发人员需要提前对无人驾驶汽车的运动状态进行预设（例如加速、减速、转弯、紧急制动等）并在状态的切换之间设置判断条件。因此有限状态机被广泛应用于无人驾驶决策系统。

2.1.1有限状态机

有限状态机（Finite-state machine，FSM），又称有限状态自动机，简称状态机，是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型。在数学上有限状态机是一个离散系统，描述了一个对象在其生命周期内的可能行为/状态序列，有限状态机有四个基本要素：现态、次态、条件与动作。在没有任何的输入或输入不满足条件时，状态机保持现态并执行现态的动作;当外部输入满足一定的条件时，状态机跳到下一个状态（即次态）并执行次态的动作。这种数学模型的逻辑清晰、实用性强，例如汽车在路口时，我们可以将输入设置为红绿灯，当输入为红时汽车保持不动，当输入为绿时汽车进入行驶状态。

2.1.2有限状态机分类

从结构上可以将有限状态机分为串联式、并联式和混连式三种体系架构[5]。

串联式结构是最为简单的结构。不同的状态之间像电路一样单线链接，依次执行，一般不构成环路，比较典型的应用是麻省理工大学的“塔罗斯”无人驾驶汽车。串联式结构简单，因此解决复杂问题时有天然的劣势。

并联式结构类似于电路的并联结构，各个子状态的输入和输出呈现的是多节点的链接结构，即根据输入的信息可以同时进入不同的子状态。这种结构对于复杂问题的处理有着比较强的能力，但缺点在于当面对过于复杂的任务时，如果子状态过多就会导致算法机构庞大，并且可能会导致逻辑冲突。比较典型的代表是国防科学技术大学研发的红旗CA7460、梅赛德斯奔驰公司研发的Bertha无人车。

为了优化自动状态机，人们提出了混联式的结构，即子状态中既有串联连接，又存在并联连接，这种结构虽然在设计的时候难度更大，但在实际执行时能够结合串联式与并联式的优点，因此在大型决策任务中被广泛采用。例如卡耐基梅隆大学与福特公司研发的BOSS无人车、弗吉尼亚理工大学研发的Odin无人车、中国科学技术大学研发的智能驾驶Ⅱ号等。

2.2基于学习的决策技术

2.2.1深度学习与神经网络

近些年来，随着机器学习理论和计算机硬件技术的发展，基于大数据的深度学习方法在计算机视觉、人工智能、自然语言处理等多个领域大放异彩，其中又以神经网络表现最為突出，其基本思想是通过分析大量的样本来学习人的行为。而在无人驾驶领域，许多研究人员也在试图使用神经网络来赋予汽车学习的能力。

神经网络的出色之处在于能够通过大量的计算来拟合“输入”与“输出”之间的映射关系，模拟了人脑对画面信息的加工处理，即便这种映射是存在误差的，但在工业上是能够满足要求的，自然也可以应用于决策系统。在图像识别任务中，研究人员构建的是从图像到目标类的映射，而在决策任务中，研究人员构建的是输入信息到车辆操作的映射。显然，这种从输入端（实时图像）到输出端（实时决策）的映射本质上是通过高明的算法让计算机去完成复杂的、计算量巨大的函数拟合任务，也能够大大降低决策系统的工程实现难度。

2.2.2典型应用

NVIDIA公司研发的无人车辆驾驶系统就是典型的卷积神经网络的应用，其输入为每秒30帧的图像，输出则是转向盘转角，在训练阶段，NVIDIA要求驾驶者驾驶车辆并记录在驾驶过程中摄像头拍到的数据和驾驶者对转向盘的操作（转角），以此来构造训练集，随后将该训练集交给一个9层的卷积网络进行训练、调整超参数。

百度一直将无人驾驶作为自己的重要研究项目，为了实现车辆的横向（左右）与纵向（前后）控制，他们使用了LSTM网络和卷积神经网络进行实时控制判断。横向控制任务的处理思路与NVIDIA类似，使用了单幅图像作为输入，曲率作为卷积神经网络的输出;在纵向控制任务中，百度将该问题处理为时空序列预测问题，输入数据为最近的5帧图像，输出为纵向的控制信号（油门、刹车）。

Mobileye在无人驾驶中引入了增强学习，更加强调了人工智能系统与外界的交互、学习和进化。增强学习的基本思路是对整个系统的行为给出及时更新的评价，对有利于任务的完成和目标实现的行为给出高评价，对不利于任务完成、违反规定、造成负面影响的行为给出低评价，这样就在数学上实现了对决策系统的反馈，或者说就让计算机有了“摸着石头过河”的依据。有了科学的评价，计算机就可以通过大量计算和模拟来实现对整个决策系统的优化[6]。

3针对无人驾驶决策系统的发展建议

不难总结，基于状态机的方法是符合人类逻辑的、规则的方法，解释性强，适合进行决策行为的描述;基于学习的方法更加依赖于大数据和计算机强大的计算能力，在“端对端”问题上表现非常出色，适合进行具体动作的指令[7]。综上，对于无人驾驶的决策系统笔者提出如下建议：

（1）决策系统由上至下分为“任务”“行为”“动作”三个层次，在任务层次决策系统需要确定无人驾驶汽车的路径规划等抽象任务;行为层次负责无人驾驶系统的宏观行为，例如跟车、右转、停泊等;动作层次负责无人驾驶汽车的具体行为。

（2）基于规则的算法将更多地应用于构建决策系统的上层架构，充分发挥以状态机为首的规则算法的模块化处理与逻辑性强的优势，避免状态机进行过于细化的、具体的决策。

（3）端到端的学习方法在具体行为决策上有着天然的优势，因此更有利于在动作层次中发挥优势，充分发挥场景便利的优势，能够将各种情况纳入考虑范围内。更为重要的是底层行为层次相比于较高的层次而言，拥有更多的数据量以供学习。

（4）跳出无人驾驶汽车这个概念本身，5G时代是万物互联的时代，因此在将来无人驾驶汽车不再是一个单独的个体，而是纳入整个交通信息网的一个组成单元。也就是说决策系统除去任务层次，可能还会有更高的城市系统的层次。

4结语

无人驾驶是信息时代多种高精尖技术综合作用下的产物，与人工智能技术、信息技术、机电一体化技术、通信技术等联系密切，深度耦合，而决策系统则是无人驾驶三大模块中最为复杂和迷人的系统，吸引着无数科学家、工程师。笔者相信随着5G时代的到来，无人驾驶汽车必然能够迎来重大的技术突破，搭载有效可靠的决策系统，实现真正的智能交通。

参考文献

[1] 周丁涛.浅析无人驾驶中的感知技术[J].科技传播，2018，10（23）：157-159.

[2] 马飞跃，王晓年.无人驾驶汽车环境感知与导航定位技术应用综述[J].汽车电器，2015（2）：1-5.

[3] 王俊.无人驾驶车辆环境感知系统关键技术研究[D].北京：中国科学技术大学，2016.

[4] 熊璐，康宇宸，张培志，等.无人驾驶车辆行为决策系统研究[J].汽车技术，2018（8）：1-9.

[5] 王奕康.无人驾驶汽车技术及其发展探究[J].中国新通信，2018，20（6）：176-177.

[6] 肖已达.面向城区综合环境的无人驾驶车辆平台及关键技术研究[D].上海：上海交通大学，2013.

[7] 王钦普，赵佳，赵浩.无人驾驶汽车发展面临的挑战与建议[J].客车技术与研究，2016（6）：2-6.