自動駕駛能否識別障礙物的能力與環境感知同等重要，如何安全有效的規劃行駛路線，是自動駕駛汽車需解決的最大的難題之一。事實上，路徑規劃技術，現階段是一個非?；钴S的研究領域。路徑規劃之所以如此復雜，是因為其涵蓋了自動駕駛的所有技術領域，從最基礎的制動器，到感知周圍環境的傳感器，再到定位及預測模型等等。準確的路徑規劃，要求汽車要理解我們所處的位置以及周邊的物體（其他車輛、行人、動物等）會在接下來的幾秒鐘內采取什么樣的行為。

首先來說一下三個名詞：路徑規劃、避障規劃、軌跡規劃

路徑規劃通常指全局的路徑規劃，也可以叫全局導航規劃，從出發點到目標點之間的純幾何路徑規劃，無關時間序列，無關車輛動力學。

避障規劃又叫局部路徑規劃，又可叫動態路徑規劃，也可以叫即時導航規劃。 主要是探測障礙物，并對障礙物的移動軌跡跟蹤（ Moving Object Detection and Tracking ，一般縮寫為MODAT）做出下一步可能位置的推算，最終繪制出一幅包含現存碰撞風險和潛在碰撞風險的障礙物地圖，這個潛在的風險提示是100毫秒級，未來需要進一步提高，這對傳感器、算法的效率和處理器的運算能力都是極大的挑戰，避障規劃不僅考慮空間還考慮時間序列，在復雜的市區運算量驚人，可能超過30TFLOPS，這是無人車難度最高的環節。未來還要加入V2X地圖，避障規劃會更復雜，加入V2X地圖，基本可確保無人車不會發生任何形式的主動碰撞。

軌跡規劃則源自機器人研究，通常是說機械臂的路徑規劃。 在無人車領域，軌跡規劃的定義感覺不統一。有人將避障規劃與軌跡規劃混淆了。軌跡規劃應該是在路徑規劃和避障規劃的基礎上，考慮時間序列和車輛動力學對車輛運行軌跡的規劃，主要是車縱向加速度和車橫向角速度的設定。將設定交給執行系統，轉向、油門、剎車。如果有主動懸掛，那么軌跡規劃可能還要考慮地形因素。

三大規劃是無人車最復雜的部分，算法多不勝數，讓人眼花繚亂，這也是百度、谷歌和蘋果科技巨頭要切入無人車領域的主要原因，這些科技巨頭最擅長的就是算法的優化整合。當然傳統車廠如福特和豐田，擁有對車輛動力學的絕對優勢，在此領域實力并不比科技巨頭要差，尤其是豐田，從開源 SLAM到KITTI，軟件實力絲毫不次于谷歌。

對于全局型路徑規劃不算復雜，前提是有拓撲級地圖，這對地圖廠家來說很容易的。對于非地圖廠家是有點麻煩的，不過只能算小麻煩。

今天我們重點了解一下避障規劃，避障規劃的前提是對周圍環境有深刻的理解，有一個非常完善實時的環境理解。

在此之前不得不先要理解無人駕駛避障的含義，很明顯我們根據無人駕駛避障的過程，可以將無人駕駛避障分成三個方面：

1．運動障礙物檢測：對運動過程中環境中的運動障礙物進行檢測，主要由車載環境感知系統完成。

2．運動障礙物碰撞軌跡預測：對運動過程中可能遇到的障礙物進行可能性評級與預測，判斷與無人駕駛車輛的碰撞關系。（當你檢測到障礙物后，你就得讓機器判斷是否會與汽車相撞）

3．運動障礙物避障：通過智能決策和路徑規劃，使無人駕駛車輛安全避障，由車輛路徑決策系統執行。（判斷了可能會與汽車發生碰撞的障礙物后，你就得去讓機器做出決策來避障了）

運動障礙物檢測方法

運動障礙物檢測根據他們的sensor主要分成兩類：

一種是基于激光雷達和毫米波雷達的

一種是基于立體視覺的

運動障礙物碰撞軌跡預測

這一部分與障礙物的檢測識別分不開的。無人車的感知系統需要實時識別和追蹤多個運動目標（Multi－ObjectTracking，MOT），例如車輛和行人。

物體識別是計算機視覺的核心問題之一，最近幾年由于深度學習的革命性發展，計算機視覺領域大量使用CNN，物體識別的準確率和速度得到了很大提升，但總的來說物體識別算法的輸出一般是有噪音的：物體的識別有可能不穩定，物體可能被遮擋，可能有短暫誤識別等。自然地，MOT問題中流行的Tracking－by－detection方法就要解決這樣一個難點：如何基于有噪音的識別結果獲得魯棒的物體運動軌跡。

運動障礙物的避障本質上它是一個路徑規劃的過程：在路段上有未知障礙物的情況下，按照一定的評價標準，尋找一條從起始狀態到目標狀態的無碰撞路徑。

預測

預測模塊的作用是對感知所探測到的物體進行行為預測，并且將預測的結果具體化為時間空間維度的軌跡傳遞給下游模塊：行為決策模塊。然后行為決策模塊結合路由尋徑模塊從而進行行為決策。

這些選擇就是結合高精地圖的全局規劃，然后再通過汽車周邊傳感器感知的信息進行局部規劃，從而判斷汽車是否右轉、直行or并道。