路線規(guī)劃模塊是在給定離線地圖中定義的最終目的地的情況下，在離線地圖中計算從當前狀態(tài)到最終目標的路線。路徑是一系列路徑點，其中每個路徑點是離線地圖中的坐標對。

軌跡規(guī)劃模塊是在給定路徑情況下，考慮汽車狀態(tài)和環(huán)境的內(nèi)部表示以及交通規(guī)則，計算出單條路徑的多個組合。路徑是一系列姿態(tài)，其中每個姿勢是離線地圖中的坐標對，以及在此定義的位置處所需的汽車方向的坐標對。

行為決策模塊負責選擇當前的駕駛行為，例如車道保持，交叉路口處理，交通燈信號處理等。該模塊用來選擇在當前狀態(tài)（決策范圍）前幾秒鐘（大概是5秒時間）在路徑中以及此姿勢狀態(tài)下的所需速度。姿勢和相關的速度組成一對稱為Goal，行為決策模塊需要在考慮當前的駕駛行為，并避免在決策時間范圍內(nèi)與環(huán)境中的靜態(tài)和移動障礙物發(fā)生碰撞下選擇一個Goal。

運動規(guī)劃模塊負責計算從當前汽車狀態(tài)到當前Goal的軌跡，該目標遵循行為決策模塊定義的路徑，并滿足汽車的運動和動態(tài)約束，和乘客的舒適感。一個軌跡需要將汽車從當前狀態(tài)平穩(wěn)地、安全地帶到目標位置。

避障模塊接收由運動規(guī)劃模塊計算的軌跡并在必要時更改它（通常降低速度）以避免碰撞。

最后，控制模塊接收運動規(guī)劃模塊得到軌跡以及經(jīng)由避障模塊修改后的軌跡（通常是是降低速度），并計算并發(fā)送有作用效果的命令到方向盤，油門和制動器的執(zhí)行器，以使汽車最好地在真實物理環(huán)境下修改軌跡。

下面是一些有關以上模塊形成的方法。

感知系統(tǒng)

在該系統(tǒng)中，包含了汽車定位、靜態(tài)障礙物繪制、道路映射、移動障礙物跟蹤以及交通信號檢測和識別幾大模塊。

1.1汽車定位

定位模塊負責估計相對于地圖或道路（例如，由路緣或道路標記表示）的自動駕駛汽車姿態(tài)（位置和方向）。大多數(shù)通用定位子系統(tǒng)都基于GPS的。然而，總的來說，它們不適用于城市自動駕駛汽車，因為GPS信號在閉塞區(qū)域無法保證，例如在樹下、城市峽谷（被大型建筑物包圍的道路）或隧道中。文獻中提出了各種不依賴GPS的定位方法。它們主要可分為三類：基于激光雷達的、基于激光雷達加相機的和基于相機的。僅依賴于LIDAR傳感器的基于激光雷達的定位方法可提供測量精度和得到數(shù)據(jù)易于處理。然而，盡管LIDAR行業(yè)努力降低生產(chǎn)成本，但是其與相機相比仍然具有較高的價格。在典型的LIDAR加上攝像機的定位方法中，LIDAR數(shù)據(jù)僅用于構(gòu)建地圖，并且通過攝像機數(shù)據(jù)估計車輛相對于地圖的位置。這樣的做法降低了成本?；谙鄼C的定位方法便宜且方便，但是這種方法通常不太精確和可靠。

1.1.1基于激光雷達的汽車定位

（1）一種在LIDAR激光射線的環(huán)境反射率（激光反射網(wǎng)格圖，如圖2）使用概率分布的離線網(wǎng)格圖用來定位的方法。該方法使用了HDL-64E-Velodyne激光雷達并通過無監(jiān)督校準方法來校準HDL-64E-Velodyne激光束。這使得激光雷達對具有相同亮度的物體的響應類似。使用二維直方圖濾波器估計自動駕駛汽車的位置。通常，濾波器由兩部分組成：運動更新（或預測）：用來減少基于運動的估計的置信度；以及測量更新（或校正）：用來增加基于傳感器數(shù)據(jù)的估計的置信度。在運動更新過程中，汽車運動以高斯分布噪聲隨機“游走”，從通過航位推算坐標系（使用Applanix LV-420導航系統(tǒng)的慣性更新計算）漂移到離線地圖的全局坐標系。在測量步驟中，對于不同的位移，它們使用在線計算的反射圖與離線計算的反射圖之間的相似性。其中，每個位移對應于直方圖濾波器中的直方圖的一個單元。為了將直方圖概括為單個姿勢估計，它們使用由直方圖建模的概率分布的質(zhì)心。然而，該方法沒有描述他們?nèi)绾喂烙嫹较?。該方法顯示均方根（RMS）橫向誤差為9厘米，均方根（RMS）縱向誤差為12厘米。

（2）一種蒙特卡洛（MCL）定位方法，該方法將衛(wèi)星地圖與反射得到的地圖進行比較。衛(wèi)星地圖從互聯(lián)網(wǎng)上離線下載，如OpenStreetMap，并且通過LIDAR接受反射強度數(shù)據(jù)實時構(gòu)建反射的地圖。MCL算法用于通過使用歸一化互信息（NMI）度量將反射得到地圖與航衛(wèi)星地圖匹配從而來估計汽車姿態(tài)以計算粒子可能性。該方法在機器人汽車“IARA”收集的6.5 km數(shù)據(jù)集上進行評估，并獲得0.89 m的位置估計精度。該方法的一個優(yōu)點是它不需要專門為該方法構(gòu)建地圖。

（3）一種基于道路特征檢測的定位方法。他們的路緣檢測算法使用環(huán)壓縮分析和最小修剪方塊來分析由多層LIDAR（HDL-32E-Velodyne）掃描形成的連續(xù)同心測量（或環(huán)）之間的距離。道路標記檢測算法使用Otsu閾值來分析LIDAR反射強度數(shù)據(jù)。路緣和道路標記功能存儲在網(wǎng)格地圖中。蒙特卡洛定位（MCL）算法用于通過將從多層激光雷達測量中提取的道路特征與網(wǎng)格圖匹配來估計汽車姿態(tài)。該方法在自主車輛“CARINA”上進行了評估，并且顯示出橫向和縱向定位估計誤差小于0.30 m。

（4）一種多層自適應蒙特卡羅定位（ML-AMCL）方法，流程如圖3所示，該方法與3D點配準算法結(jié)合使用。為了估計汽車姿勢，該方法從3D LIDAR測量中提取水平層，并且使用單獨的自適應蒙特卡羅方法來對準具有使用3D點配準算法構(gòu)建的3D點云圖的2D投影的層。對于每個姿勢估計，執(zhí)行針對一系列測距測量的一致性檢查，并將一致的姿勢估計與最終姿勢估計融合。該方法在現(xiàn)實世界數(shù)據(jù)上進行評估，并獲得相對于GPS參考的0.25米的位置估計誤差。

圖3  多層自適應蒙特卡洛定位方法示意圖

（5）一種基于蒙特卡羅算法的定位方法，該方法通過2D占據(jù)柵格地圖和2D離線占據(jù)柵格地圖之間的地圖匹配來校正粒子的姿態(tài)，如圖4所示。對兩個地圖匹配距離函數(shù)（兩個網(wǎng)格圖之間的傳統(tǒng)似然場的距離的改進版本，以及兩個高維向量之間的自適應標準余弦距離）進行了評估。其中在IARA自動駕駛汽車的實驗評估表明，定位方法能夠使用余弦距離函數(shù)在約100Hz下工作，并且橫向和縱向誤差分別為0.13 m和0.26 m。

圖4  占據(jù)柵格地圖匹配定位方法

（6）一種概率定位方法。該方法將世界建模為高斯混合的多分辨率圖（如圖5所示）。其中，高斯混合圖由多層LIDAR掃描儀（HDL-32E-Velodyne）測量的場景下的高度和反射強度（remission）分布辨識。擴展卡爾曼濾波器（EKF）定位算法用于通過高斯混合多分辨率圖的3D點云來估計汽車的姿態(tài)。該方法在惡劣天氣條件下對兩輛無人駕駛汽車進行了評估，結(jié)果顯示了該方法定位估算誤差約0.15米。

圖5  概率定位方法

1.1.2基于激光雷達加攝像頭的汽車定位

一些方法通過使用LIDAR數(shù)據(jù)來構(gòu)建地圖以及攝像頭獲取的數(shù)據(jù)，估計自動駕駛車相對于該地圖的位置。

（1）一種將立體圖像與3D點云圖匹配的定位方法。該地圖由地圖公司生成（http://www.whatmms.com），地圖由幾何數(shù)據(jù)（緯度，經(jīng)度和高度）以及里程表，RTK-GPS和2D LIDAR掃描儀獲得的反射的數(shù)據(jù)組成。該算法可用于解決使用立體相機的基于三維（3D）點云地圖（PCL）的定位問題。該3D點云圖由密集的3D幾何信息和基于3D光檢測和測距（LIDAR）掃描儀的映射系統(tǒng)生成的表面反射率值的強度度量組成。盡管已經(jīng)提出了一些基于LIDAR的定位算法，但該方法提出了一種使用更便宜的商品立體相機，且精度能達到厘米級的定位算法。具體而言，在每個候選位置，將3D數(shù)據(jù)點從真實世界坐標系轉(zhuǎn)換到相機坐標系，并從3D PCL地圖合成虛擬深度和強度圖像。通過將這些虛擬圖像與立體深度和強度圖像相匹配來估計每幀中真實世界和車輛坐標之間的轉(zhuǎn)換，從而定位自我車輛。流程圖如下圖6所示：

圖6  3D點云地圖定位

（2）一種將陸地的全景圖像與一年中不同季節(jié)捕獲的衛(wèi)星圖像相匹配自動駕駛汽車定位方法。在該方法中，LIDAR數(shù)據(jù)被分類為地面和非地面類別。接著，使用LIDAR數(shù)據(jù)將由自動駕駛車中的全景相機捕獲的地面圖像分割成地面和非地面區(qū)域，然后變換為鳥瞰圖。其中，通過使用KMeans聚類方法將衛(wèi)星圖像分割成地面/非地面區(qū)域。然后使用蒙特卡羅算法將鳥瞰圖像與衛(wèi)星圖像匹配，從而估計姿勢。該方法在NavLab11自動駕駛汽車上進行了評估，并實現(xiàn)了3米到4.8米之間的位置估算誤差。

1.1.3基于攝像頭的汽車定位

在定位方法，有一些方法主要依靠攝像頭數(shù)據(jù)來定位自動駕駛汽車。

（1）一種基于視覺里程計和路線圖的定位方法。他們使用OpenStreetMap，從該圖中提取所有交叉點和所有可行駛道路（用分段線性段表示），并將它們連接到感興趣的區(qū)域。然后，他們構(gòu)建了這個路線圖的基于圖形的表示以及汽車如何遍歷該圖的概率模型。使用這種概率模型和視覺里程測量，他們估計相對于路線圖的汽車位移。

遞歸貝葉斯過濾算法用于通過利用其結(jié)構(gòu)和汽車運動速度（通過視覺里程計測量）的模型來執(zhí)行圖中的推斷。該算法通過增加當前位于汽車最新運動（直線距離以及近期曲線）圖的位置點的姿勢的可能性以及降低與之不相關點的可能性來精確定位汽車在地圖中的位置。（2）在一些方法中，特征圖通過使用相機數(shù)據(jù)來構(gòu)建。該方法中描述了自動駕駛汽車Bertha自主駕駛的定位方法。論文開發(fā)了一種基于互補視覺的定位技術：基于點特征的定位（PFL）和基于車道特征的定位（LFL）。如下圖7所示（其中a為點特征，b為車道特征），在PFL（點特征的定位）中，將當前相機的圖像同先前進行測繪過程中提取的DIRD描述符中獲取的一系列相機圖像的圖像進行比較。全局位置估計從制圖過程中獲取圖像中的全局位置恢復。在LFL（車道特征的定位）中，半自動計算的地圖提供道路標記特征（水平道路信號化）的全局幾何表征。通過檢測并關聯(lián)從相機圖像的鳥瞰視圖提取的道路標記特征與存儲在地圖中的水平道路信號，將當前相機圖像與地圖匹配。然后通過卡爾曼濾波器組合由PFL和LFL獲得的位置估計。

圖7  視覺互補定位方法（3）另一些方法通過使用相機數(shù)據(jù)來構(gòu)建特征圖，但還是采用替代類型的特征。如一種在城市場景中使用柱狀地標作為主要特征（如下圖8所示）的方法，因為柱狀地標是獨特的、長期穩(wěn)定的，并且可以通過立體攝像系統(tǒng)可靠地檢測到。此外，生成的地圖表示是內(nèi)存高效的，允許輕松存儲和在線更新。定位由作為主傳感器的立體攝像系統(tǒng)實時執(zhí)行，使用車輛里程計和現(xiàn)成的GPS作為輔助信息源。通過粒子濾波方法進行定位，結(jié)合卡爾曼濾波實現(xiàn)魯棒性和傳感器融合。

圖8  利用柱狀地標實現(xiàn)穩(wěn)定定位