来源： AutoDrivingNote
01. Abstract
论文选自arXiv，概述城市状况规划控制技术的状态。 在初期的公众号计划中，为了精选50篇自动驾驶论文制作学习记录，提高学习效率和质量，这样进行自我督促。
02 .内容
本论文主要从以下几个方面进行说明。
1)无人驾驶决策层技术概述
)2)计划控制建模
)3)运动计划
4 )车辆控制
)5)总结
03 .无人驾驶决策层概要
决策任务分为以下四个级别。
一级：路线规划
通过将道路网表示为有向图，其边权值对应于穿越路段的成本，该路径可以表示为在道路网图上寻找最小成本路径的问题。 常用的算法有Dijkstra和A_Star算法。
级别2 :决定行动
接收到全球规划路线时，自动驾驶车辆应当选择所选路线，按照驾驶规则和道路规则与其他交通参与者进行对话。
这一层面的一大难点是不同交通参与者的特征充满了不确定性，需要预测和推断其他车辆、自行车和行人未来轨迹的意图。 解决方法主要是基于机器学习的技术。 例如，高斯混合模型和高斯过程回归、谷歌意图的学习技术、基于模型的方法都直接由传感器推测意图。
等级3 :运动计划
如果要确定在当前环境中执行的驾驶行为，例如在车道内巡航、变更车道或右转，则需要将所选行为转换为可以由低级反馈控制器跟踪的路径或轨迹。 产生的路径和轨迹必须是能够动态执行的避免与车辆、舒适的乘客、障碍物碰撞检测的车载传感器。 寻找这样的路径和轨迹的任务是运动计划系统的责任。
级别4 :控制
反馈控制是主要方法，保证控制的鲁棒性和稳定性是核心评价指标。
04 .运动计划
主要介绍路径规划和轨迹规划。
4.1路径规划
关于路径规划的专业性，解释为从初始状态开始，在满足全局和本地限制的状态下到达目标地区。 使用可行且最佳的术语来描述该路径，这取决于是否考虑了解决路径的质量。 可行路径规划是指不关注解的质量，而决定满足特定问题约束的路径的问题，最优路径规划是指在给定约束条件下，找到最优质量标准路径的问题。
最常见的数值解法通常不是寻找正确的解，而是寻找满意的解和一系列可行的解，并试图收敛到最佳解。 这些方法的效用和性能通常通过所应用的问题类别以及保证它们收敛于一个最优解来量化。 路径规划的数值方法大致可以分为三种：
1)变分迭代法) Variational methods ) )。
将路径表示为由有限维向量参数化的函数，利用非线性连续优化技术对矢量参数进行优化，从而求得最佳路径。 这些方法具有迅速收敛到局部最优解的优点； 但是，通常，除非提供适当的初始推测，否则缺乏找到全局最优解的能力。
)图检索方法Graph-search methods ) )。
图搜索方法是将车辆的配置空间离散化为一个图，顶点表示车辆配置的有限集合，边表示顶点之间的变换。 通过在这样的图中搜索最小成本路径，可以找到所需的路径。
图形搜索方法不易陷入局部极小值，但被限制为只优化有限的路径集合，即可以由图形中的原子运动图元构建的路径。
3)增量搜索方法增量搜索方法) )。
增量搜索方法对配置空间进行采样，并逐步构建可到达的图，通常是树，以维持可到达配置的离散集合及其之间的可转换性。 如果图足够大，则至少一个节点位于目标区域内，则通过跟踪开始配置后
该节点的边来获得所需的路径。
与图搜索方法相比，该方法是递增图的大小直到在图中找到满意解。
4.2 轨迹规划
对于动态环境或带有动态约束的运动规划问题，更适合在轨迹规划框架中表述。
轨迹规划问题可以直接在时域上用一些变分方法进行数值求解，也可以将轨迹规划问题转化为具有附加时间维的构型空间上的路径规划。
路径规划方法分类
4.3 变分迭代法
解决轨迹优化问题。
（1）直接变分法
直接变分方法背后的一般原则是限制一个有限维子空间的近似解，许多数值逼近方案已被证明在轨迹优化问题中十分有效。常见的两种方案:配置数值积分器和伪谱方法。
（2）间接变分法
通过寻找满足这些最优性条件的解来解决问题。这些最优性条件被描述为控制状态和一组协态的常微分方程（ODE）的增广系统。
然而，这个常微分方程系统会导致一个两点边值问题，很难用数值方法解决。一种方法是改变问题的自由初始条件，并将系统向前整合以寻找初始条件，从而得到期望的终态。间接方法的优点，就像射击方法那样，是将优化问题的维数降低到状态空间的维数。
4.4 图搜索方法
尽管变分方法在许多情况下是有用的，但其适用性受到其收敛于局部极小值的限制。图搜索方法是通过在离散化的路径空间中执行全局搜索来减轻问题的方法。图搜索方法离散了配置空间并将其表示成图，然后在图上寻找最小代价路径。
如何构建图？三种方法：手工制作的线图，从几何表方法和取样法。
图搜索算法，迪杰斯特拉算法：搜寻最短路径应用最广泛的算法，该算法执行最佳的第一次搜索，以构建图的方式来表示从给定顶点到其他顶点的最短路径，当只需要一条到单个顶点的路径时可以用启发式来指导搜索过程；
A_Star：是一种最突出的启发式算法，在给定启发式函数的条件下，A_star效率最优并且可以返回最优解。
D_Star：是一种实时的重规划算法
4.5 增量搜索方法
对固定图离散化进行搜索的技术的一个缺点是，它们只搜索可由图离散化中的原语构造的路径集。因此，这些技术可能无法返回可行路径，或者返回明显的次优路径。增量可行运动规划器致力于解决这一问题，并为任何运动规划问题实例提供可行路径，如果存在一个实例，只要有足够的计算时间。通常，这些方法会逐步构建配置空间越来越细的离散化，同时尝试确定在每一步的离散化中是否存在从初始配置到目标区域的路径。
一种重要的增量路径规划方法是基于这样一种思想:将根植于车辆初始配置的树向外递增，以探索可达配置空间。“探索性”行为是通过迭代地从树中选择一个随机的顶点，并通过应用该顶点的转向功能来扩展选中的顶点来实现的。一旦树长得足够大，可以到达目标区域，通过跟踪目标区域顶点到初始配置的链接，得到的路径将被恢复。
05. 车辆控制
当前应用最广泛的是反馈控制器，可以确保在存在建模误差以及其他不确定因素带来的误差情况下将实际轨迹逐渐稳定到参考轨迹中。
控制目标可以是路径稳定和轨迹稳定。
车辆控制方法类别
06. 写在结尾
本文综述了无人驾驶车辆决策问题的各个方面，重点是运动规划和反馈控制。对各种运动规划和控制技术的性能和计算需求的调查，为评估系统级设计的各种选择之间的兼容性和计算权衡提供了参考。