人工智能在自动驾驶在决策与规划中的应用-选择多条安全路径和最优路径等步骤

自动驾驶汽车的决策规划是至关重要的，它包括多传感器信息 的融合、根据驾驶需求进行任务决策、避开障碍物的约束条件、选 择多条安全路径和最优路径等步骤。最终，自动驾驶汽车会选择一 条最优路径作为车辆的行驶轨迹。

人工智能在自动驾驶汽车领域中，行为决策与路径规划是另一 个重要的应用领域。深度学习在自动驾驶中的关键技术之一是目标 检测。这涉及使用神经网络来识别和分类车辆环境中的对象，例如 行人、其他车辆和交通标志。物体检测对于自动驾驶汽车做出有关 如何安全行驶道路和避免碰撞的明智决策至关重要[8]。前期决策树、 贝叶斯网络等人工智能方法已有大量应用。 近年来兴起的深度卷积神经网络与深度强化学习， 能通过大量学习实现对复杂工况的决策， 并能进行在线学习优化，由于需要较多的计算资源，当前是计算机 与互联网领域研究自动驾驶汽车的决策与规划处理的热门技术[10]。

自动驾驶汽车的规划分为全局规划和局部规划两种。全局规划 是根据获取到的地图信息，规划出一条无碰撞最优路径，以满足特 定的行驶条件。例如，从上海到北京有很多条路，规划处一条作为 行驶路线即为全局规划。如栅格法、可视图法、拓扑法、自由空间 法、神经网络法等静态路径规划算法。局部规划的则是根据全局的 规划，在一些局部环境信息的基础之上，能够避免碰撞一些未知的 障碍物，最终达到目的目标点的过程。例如，在全局规划好的上海 到北京的那条路线上会有其他车辆或者障碍物，想要避过这些障碍 物或者车辆，需要转向调整车道，这就是局部路径规划。局部路径 规划的方法包括：人工势场法、矢量域直方图法、虚拟力场法、遗 传算法等动态路径规划算法等。

随着深度强化学习技术的不断发展，越来越多的企业和研究机 构开始将其应用到自动驾驶汽车的行为与决策中，取得了显著的成 果。 Mobileye 公司是其中的典型代表，根据其最新发表的论文，其 设计的车辆模型已经能自如地应对一些复杂的交通任务， 如双向通 道变线、复杂十字路口等场景。 Mobileye 将行为决策分解成两个部 分，可学习部分和不可学习部分，可学习部分是由强化学习来决策 行驶需要的高级策略，不可学习部分则是按照这些策略利用动态规 划来实施具体的路径规划。

无人车的可学习部分将环境映射为一系列抽象策略，以辅助无 人车的决策。这个过程包括设计一张策略选项图，其中包含无人车 的加减速、转向以及对周围车辆的反应等选项，并利用策略网络来 选择最合适的应对选项。其中，策略网络在给定的车辆环境下，评 估每一种应对的可能影响，从而选择最合适的策略。不可学习部分 则是将学习到的抽象策略转化成对车辆的实际控制动作。该部分主 要对车辆动作进行具体规划，检查抽象策略是否可执行，或者执行 满足策略的动作，从而充分保证系统的安全性。

深度学习在交通预测中扮演重要角色。具体来说，我们可以利 用神经网络来预测其他车辆在道路上的运动轨迹，并及时作出反应。 这可以包括预测其他车辆的轨迹，以及根据它们相对于自动驾驶车 辆的速度和位置来预测它们的意图。 深度学习在自动驾驶中的另一 项关键技术是路线规划。 这涉及使用神经网络分析有关道路网络、 交通状况和其他因素的数据，以确定到达目的地的最有效和最安全 的路线。 路线规划对于优化自动驾驶车辆的性能和最大限度地降低 事故风险非常重要。

自动驾驶技术中，深度学习在风险评估（认知）子环节得到了 广泛应用。在这个阶段，系统需要识别出车辆驾驶中的风险状态， 并为决策进行预测。为了实现这一目的，深度学习技术已经提出了 两种重要的方法：基于深度学习的风险状态识别和基于时间序列算 法的风险预测。首先，基于深度学习的风险状态识别是一种高效的 方法。它基于大量的数据，以分类、识别、识别视觉、声音等信息 为目标。深度学习网络通过多层的神经元网络结构，对驾驶中的环 境、交通状况、车辆状态等多维数据进行分析。从而识别出风险状 态，如高危道路、超速、疲劳驾驶等。其次，基于时间序列算法的 风险预测是一种有效的方法。该算法通过对历史数据的分析，来预 测未来的风险情况。时间序列算法可以利用驾驶行为的时间信息， 对车辆的驾驶状态进行推演。从而预测出风险状态，提前发现风险 并采取相应的措施。这样，系统可以在风险出现之前进行预防，从 而提高驾驶的安全性。举例来说，如果系统通过时间序列算法预测 出某车辆驾驶员在过去一段时间内经常驾驶时出现疲劳驾驶现象， 那么系统可以在未来的驾驶中，通过辅助驾驶系统提醒驾驶员休息， 从而避免因疲劳驾驶造成的危险。

总之，深度学习可使车辆能够随着时间的推移学习和适应其环 境。 这可以包括了解不同道路和交通模式的特征，以及适应道路上 其他驾驶员的行为。 通过不断学习和适应，自动驾驶汽车可以提高 其决策能力，并在道路行驶时变得更加高效和安全。