智能汽车能否识别和绕开物体

自动驾驶能否识别障碍物的能力与环境感知同等重要，如何安全有效的规划行驶路线，是自动驾驶汽车需解决的最大的难题之一。事实上，路径规划技术，现阶段是一个非常活跃的研究领域。路径规划之所以如此复杂，是因为其涵盖了自动驾驶的所有技术领域，从最基础的制动器，到感知周围环境的传感器，再到定位及预测模型等等。准确的路径规划，要求汽车要理解我们所处的位置以及周边的物体（其他车辆、行人、动物等）会在接下来的几秒钟内采取什么样的行为。

首先来说一下三个名词：路径规划、避障规划、轨迹规划

路径规划通常指全局的路径规划，也可以叫全局导航规划，从出发点到目标点之间的纯几何路径规划，无关时间序列，无关车辆动力学。

避障规划又叫局部路径规划，又可叫动态路径规划，也可以叫即时导航规划。 主要是探测障碍物，并对障碍物的移动轨迹跟踪（ Moving Object Detection and Tracking ，一般缩写为MODAT）做出下一步可能位置的推算，最终绘制出一幅包含现存碰撞风险和潜在碰撞风险的障碍物地图，这个潜在的风险提示是100毫秒级，未来需要进一步提高，这对传感器、算法的效率和处理器的运算能力都是极大的挑战，避障规划不仅考虑空间还考虑时间序列，在复杂的市区运算量惊人，可能超过30TFLOPS，这是无人车难度最高的环节。未来还要加入V2X地图，避障规划会更复杂，加入V2X地图，基本可确保无人车不会发生任何形式的主动碰撞。

轨迹规划则源自机器人研究，通常是说机械臂的路径规划。 在无人车领域，轨迹规划的定义感觉不统一。有人将避障规划与轨迹规划混淆了。轨迹规划应该是在路径规划和避障规划的基础上，考虑时间序列和车辆动力学对车辆运行轨迹的规划，主要是车纵向加速度和车横向角速度的设定。将设定交给执行系统，转向、油门、刹车。如果有主动悬挂，那么轨迹规划可能还要考虑地形因素。

三大规划是无人车最复杂的部分，算法多不胜数，让人眼花缭乱，这也是百度、谷歌和苹果科技巨头要切入无人车领域的主要原因，这些科技巨头最擅长的就是算法的优化整合。当然传统车厂如福特和丰田，拥有对车辆动力学的绝对优势，在此领域实力并不比科技巨头要差，尤其是丰田，从开源 SLAM到KITTI，软件实力丝毫不次于谷歌。

对于全局型路径规划不算复杂，前提是有拓扑级地图，这对地图厂家来说很容易的。对于非地图厂家是有点麻烦的，不过只能算小麻烦。

今天我们重点了解一下避障规划，避障规划的前提是对周围环境有深刻的理解，有一个非常完善实时的环境理解。

在此之前不得不先要理解无人驾驶避障的含义，很明显我们根据无人驾驶避障的过程，可以将无人驾驶避障分成三个方面：

1．运动障碍物检测：对运动过程中环境中的运动障碍物进行检测，主要由车载环境感知系统完成。

2．运动障碍物碰撞轨迹预测：对运动过程中可能遇到的障碍物进行可能性评级与预测，判断与无人驾驶车辆的碰撞关系。（当你检测到障碍物后，你就得让机器判断是否会与汽车相撞）

3．运动障碍物避障：通过智能决策和路径规划，使无人驾驶车辆安全避障，由车辆路径决策系统执行。（判断了可能会与汽车发生碰撞的障碍物后，你就得去让机器做出决策来避障了）

运动障碍物检测方法

运动障碍物检测根据他们的sensor主要分成两类：

一种是基于激光雷达和毫米波雷达的

一种是基于立体视觉的

运动障碍物碰撞轨迹预测

这一部分与障碍物的检测识别分不开的。无人车的感知系统需要实时识别和追踪多个运动目标（Multi－ObjectTracking，MOT），例如车辆和行人。

物体识别是计算机视觉的核心问题之一，最近几年由于深度学习的革命性发展，计算机视觉领域大量使用CNN，物体识别的准确率和速度得到了很大提升，但总的来说物体识别算法的输出一般是有噪音的：物体的识别有可能不稳定，物体可能被遮挡，可能有短暂误识别等。自然地，MOT问题中流行的Tracking－by－detection方法就要解决这样一个难点：如何基于有噪音的识别结果获得鲁棒的物体运动轨迹。

运动障碍物的避障本质上它是一个路径规划的过程：在路段上有未知障碍物的情况下，按照一定的评价标准，寻找一条从起始状态到目标状态的无碰撞路径。

预测

预测模块的作用是对感知所探测到的物体进行行为预测，并且将预测的结果具体化为时间空间维度的轨迹传递给下游模块：行为决策模块。然后行为决策模块结合路由寻径模块从而进行行为决策。

这些选择就是结合高精地图的全局规划，然后再通过汽车周边传感器感知的信息进行局部规划，从而判断汽车是否右转、直行or并道。