《 无人驾驶原理与实践》一第一章第1.3.7小结

1.3.7小结

       本节概述了无人驾驶系统的基本框架，讲解了无人驾驶软件系统的三层结构：感知、规划和控制。从某种程度而言，无人车在这种分层体系下可以被看作一个“载人机器人”，通过感知环境、定位来执行一系列任务规划和控制运动。近年来由于深度学习的突破，使得基于图像的深度学习的感知技术在环境感知中也发挥了越来越重要的作用，借助人工智能，我们已经不再局限于感知障碍物，而逐渐变成理解障碍物是什么，以及理解场景甚至预测场景和目标的行为，关于机器学习和深度学习的内容将在第5章和第6章详细介绍。
       在实际的无人车感知系统中，通常需要融合激光雷达、摄像头和毫米波雷达等多种测量数据，这里涉及列的卡尔曼滤波算法、扩展卡尔曼滤波算法等融合算法，以及激光雷达、摄像头的坐标转换概念，本书将在第4章中详细介绍。
       无人车和机器人的定位方法众多，目前主流的方法之一是使用“GPS+惯性导航系统”的融合方法，二是基于Lidar（激光雷达）点云扫描匹配的方法，这些方法将在第3章中详细介绍。
       规划模块内部也被分成三层：任务规划（也被称为路径规划）、行为规划和动作规划。本书将介绍基于离散路径搜索算法的任务规划方法。在行为规划中，我们将重点了解有限状态机（FSM）在行为决策中的应用。在动作规划算法层，将介绍基于Frenet坐标系的优化轨迹规划方法，这些方法将在第8章中详细介绍。
       关于控制模块，无人驾驶系统往往会使用基于模型预测的控制方法，但是在了解模型预测控制算法之前，作为对基础反馈控制的了解，我们仍然会详细介绍PID控制器。我们会学习两个简单的车辆模型——运动学自行车模型和动力学自行车模型，控制模块的具体内容详见本书的第9章。
       虽然将无人车理解为另一种意义上的机器人，使用机器人开发的思维处理无人车系统是目前工业界的普遍做法，但是也不乏一些单纯使用人工智能来完成无人驾驶技术的案例。其中基于深度学习的端到端（End to End）无人驾驶和基于强化学习的驾驶智能体是目前研究的热点，本书将在第7章和第10章详细介绍这两类方法。