美团技术解析自动驾驶中的决策规划算法概述【最新版】.pdfVIP

美团技术解析自动驾驶中的决策规划算法概述 1. 引言 在一套完整的自动驾驶系统中，如果将感知模块比作人的眼睛和 耳朵，那么决策规划就是自动驾驶的大脑。大脑在接收到传感器的各 种感知信息之后，对当前环境作出分析，然后对底层控制模块下达指 令，这一过程就是决策规划模块的主要任务。同时，决策规划模块可 以处理多么复杂的场景，也是衡量和评价自动驾驶能力最核心的指标 之一[1]。 图1. 自动驾驶系统中的决策规划模块分层结构，引用自[2] 如图1 所示，典型的决策规划模块可以分为三个层次。 其中，全局路径规划 （Route Planning）在接收到一个给定的行驶 目的地之后，结合地图信息，生成一条全局的路径，作为为后续具体 路径规划的参考； 行为决策层（Behavioral Layer）在接收到全局路径后，结合从感 知模块得到的环境信息（包括其他车辆与行人，障碍物，以及道路上 的交通规则信息），作出具体的行为决策（例如选择变道超车还是跟 随）； 最后，运动规划（Motion Planning）层根据具体的行为决策，规 划生成一条满足特定约束条件 （例如车辆本身的动力学约束、避免碰 撞、乘客舒适性等）的轨迹，该轨迹作为控制模块的输入决定车辆最 终行驶路径。 本文将分别介绍各层的主要作用与常见算法，并且比较各种算法 的优劣性及适用情景 。 2. 全局路径规划（Route Planning） 全局路径规划是指在给定车辆当前位置与终点目标后，通过搜索 选择一条最优的路径，这里的“最优”包括路径最短，或者到达时间 最快等条件。这一过程类似于我们生活中经常用到的“导航”功能， 区别在于自动驾驶中使用的高精地图与我们常见的地图不太一样，在 高精地图中包含了每条车道在内的更多信息。常见的全局路径规划算 法包括 Dijkstra 和 A 算法，以及在这两种算法基础上的多种改进。 Dijkstra 算法[3]和A*算法[4]也是在许多规划问题中应用最为广泛的两 种搜索算法。 图2. 全局路径规划示意 1. Dijkstra 算法 Dijkstra 算法是由计算机科学家Edsger W. Dijkstra 在1956 年提出， 用来寻找图形中节点之间的最短路径。在Dijkstra 算法中，需要计算 每一个节点距离起点的总移动代价。同时，还需要一个优先队列结构。 对于所有待遍历的节点，放入优先队列中会按照代价进行排序。在算 法运行的过程中，每次都从优先队列中选出代价最小的作为下一个遍 历的节点。直到到达终点为止。 Dijkstra 算法的优点是：给出的路径是最优的；缺点是计算时间 复杂度比较高 （O(N2) ）, 因为是向周围进行探索，没有明确的方向。 2. A*算法 为了解决 Dijkstra 算法的搜索效率问题，1968 年，A 算法由 Stanford 研究院的Peter Hart, Nils Nilsson 以及Bertram Raphael 发表， 其主要改进是借助一个启发函数来引导搜索的过程。具体来说，A 算 法通过下面这个函数来计算每个节点的优先级: 其中： f(n) 是节点 n 的综合优先级。当我们选择下一个要遍历的节点 时，我们总会选取综合优先级最高（值最小）的节点。 g(n)是节点n 距离起点的代价。 h(n) 是节点n 距离终点的预计代价，这也就是A*算法的启发函 数。 3. 行为决策（Behavioral Layer） 在确定全局路径之后，自动驾驶车辆需要根据具体的道路状况、 交通规则、其他车辆与行人等情况作出合适的行为决策。 这一过程面临三个主要问题： 首先，真实的驾驶场景千变万化，如何覆盖？ 其次，真实的驾驶场景是一个多智能体决策环境，包括主车在内 的每一个参与者所做出的行为，都会对环境中的其他参与者带来影 响，因此我们需要对环境中其他参与者的行为进行预测； 最后，自动驾驶车辆对于环境信息不可能做到 100%的感知，例 如存在许多被障碍物遮挡的可能危险情形。 综合以上几点，在自动驾驶行为决策层，我们需要解决的是在多 智能体决策的复杂环境中，存在感知不确定性情况的规划问题。可以 说这一难题是真正实现 L4、L5 级别