智聯(lián)網(wǎng)汽車技術(shù) 課件 任務(wù)6 路徑規(guī)劃系統(tǒng)

目標運動預測-基于物理的運動模型預測項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)智能網(wǎng)聯(lián)汽車技術(shù)課程導入車輛運動軌跡行人運動軌跡準確預測車輛、行人等運動物體的未來軌跡，會帶來很大的便利和安全性學習目標記住目標運動預測的概念01說出基于物理的運動模型預測的概念、原理及方法02理解其在軌跡預測方面的應(yīng)用03學習任務(wù)運用所學知識進行簡單的車輛運動預測01激活舊知汽車01日常生活中有那些常見物體的運動呢？行人02體育運動03探索新知基于物理的運動模型預測所有運動物體(車輛、行人、動物)的運動都滿足一定的約束或者規(guī)則控制輸入：轉(zhuǎn)向、加速車輛特征：重量外部條件：路面摩擦系數(shù)用動力學和運動學模型來預測未來的運動，推算出車輛位姿/狀態(tài)（位置、航向、速度）。模型預測條件探索新知基于物理的運動模型預測目前最為通用的方法，其復雜程度取決于車輛運動學和動力學建模的精細程度、不確定性如何處理、是否考慮道路的幾何特征等等?；谖锢淼倪\動模型探索新知單一軌跡模擬假設(shè)車輛當前狀態(tài)完全已知以及車輛模型是完全可以描述車輛的運動，基于車輛當前狀態(tài)，應(yīng)用車輛模型去預測車輛未來的軌跡。（1）單一軌跡模擬V2V1探索新知單一軌跡模擬該策略可以使用車輛動力學模型或者運動學模型優(yōu)點該模型計算高效性，可滿足實時性要求缺點未考慮當前狀態(tài)的不確定性和車輛模型缺陷預測軌跡在長時間（不超過1s）下就會不可靠探索新知高斯噪聲模擬當車輛狀態(tài)和車輛模型的不確定性服從正態(tài)分布時，由于高斯噪聲在卡爾曼濾波中的應(yīng)用，使其在描述不確定性方面很受歡迎。（2）高斯噪聲模擬卡爾曼濾波探索新知高斯噪聲模擬在遞歸的預測車輛狀態(tài)時考慮傳感器測量噪聲，卡爾曼濾波是一個普適方法。貝葉斯濾波探索新知高斯噪聲模擬當車輛模型和傳感器模型是線性的以及不確定性用正態(tài)分布描述時，就形成了貝葉斯濾波特例。探索新知高斯噪聲模擬Step1預測步在時刻t估計的車輛狀態(tài)推送給車輛模型，預測出時刻t+1以高斯分布的形式的車輛狀態(tài)。在時刻t+1，傳感器測得的狀態(tài)結(jié)合預測狀態(tài)得到時刻t+1，以高斯分布的車輛估計狀態(tài)。Step2更新步每時每刻的對預測和更新循環(huán)，得到的車輛估計狀態(tài)被稱為濾波探索新知高斯噪聲模擬通過預測步的循環(huán)，可以得到未來每一時刻車輛狀態(tài)的均值和協(xié)方差矩陣，轉(zhuǎn)換后可以計算出聯(lián)合了不確定性（每一時刻的正態(tài)分布）的均值軌跡。探索新知高斯噪聲模擬優(yōu)點預測軌跡不確定性方面優(yōu)于單一軌跡仿真模擬缺點用一個單峰的正態(tài)分布對不確定性建模并不足以描述不同操作的可能性探索新知蒙特卡洛模擬當車輛模型不是線性或不確定性沒有高斯特性，預測狀態(tài)分布的解析表達式往往是未知的。探索新知蒙特卡洛模擬蒙特卡洛方法提供了近似這種分布的手段，其思想在于對車輛模型的輸入變量進行隨機采樣以生成潛在的未來軌跡。（3）蒙特卡洛模擬探索新知蒙特卡洛模擬為了考慮路譜，可在生成的軌跡當中加入權(quán)重，來刪除不滿足道路約束的軌跡，輸入采樣并不需要將輸入視作固定值。典型輸入?yún)?shù)采樣：加速度、轉(zhuǎn)向角或是側(cè)向偏差（3）蒙特卡洛模擬探索新知蒙特卡洛模擬考慮到動作的可執(zhí)行性，大側(cè)向加速度的軌跡樣本可以剔除考慮到車輛模型的物理限制，輸入更多分布在可執(zhí)行空間，后處理過程中的移除不可執(zhí)行軌跡也不是必要的探索新知蒙特卡洛模擬不管當前狀態(tài)是完全已知還是通過濾波的策略估計不確定的當前狀態(tài)，蒙特卡洛模擬都可以用以預測車輛未來的狀態(tài)。探索新知小貼士由于只考慮低層次的運動特性（動力學和運動學特性），基于物理的運動模型只能預測短期內(nèi)（低于1s）的軌跡。它們不能預測執(zhí)行一些特定操作（在一個十字路口，降速，定速轉(zhuǎn)彎，然后加速過彎）時車輛運動的改變，或者是外部因素引起的車輛任何運動的變化（有前車引起的降速）。即時檢測小測試單一軌跡模擬方法適用于哪些實時應(yīng)用？小結(jié)三個不同的預測方法單一軌跡模擬高斯噪聲模擬蒙特卡洛模擬謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)目標運動預測-基于行為的運動模型預測項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入通過了解運動模型的行為，可以更好地預測未來的移動軌跡，從而做出更加安全和智能的駕駛決策。學習目標基于軌跡原型的方法01基于駕駛行為或意圖估計的方法02了解它們的原理、優(yōu)勢和應(yīng)用場景03學習任務(wù)通過案例分析和實踐探究，掌握如何應(yīng)用這兩種方法來預測目標的運動軌跡01激活舊知在智能汽車中，為什么需要進行目標運動預測？預測其他車輛、行人或障礙物可能的運動軌跡自動駕駛系統(tǒng)中決策和控制模塊的重要組成部分通過預測周圍物體的未來運動，智能汽車可以更好地做出決策并規(guī)劃行駛路徑，確保行駛的安全性和順暢性。探索新知基于行為的預測

所有運動物體（車輛、行人、動物等等）的運動都是一組運動行為的組合?；谛袨榈念A測探索新知基于行為的預測巡航左轉(zhuǎn)跟車超車停車探索新知基于行為的預測沿著人行橫道運動沿著人行道上運動探索新知基于行為的運動模型基于行為的運動模型的軌跡預測依賴于提前對駕駛員期望行為的識別，如果能夠識別駕駛員的駕駛意圖，那就可以假設(shè)預測的未來軌跡是與行為相匹配的。探索新知基于行為的運動模型基于軌跡原型基于駕駛意圖估的行為這種提前識別，使該方法預測的軌跡比基于物理的運動模型更具有相關(guān)性和可靠性基于行為的運動模型探索新知軌跡原型其思想是路網(wǎng)中的車輛軌跡可以歸類為一簇有限的集群，每一種路徑集對應(yīng)一種典型的運動模式。軌跡原型探索新知軌跡原型通過對數(shù)據(jù)的訓練和學習，可以得到軌跡原型中的運動模式，隨后的預測便可以在在線給定部分軌跡時找到最近似的運動模式，并從軌跡原型中提取軌跡作為未來的運動預測。探索新知駕駛行為/意圖估計和行為提取估計駕駛員的行為意圖（在停止線的等待，跟車，執(zhí)行左轉(zhuǎn)），然后預測與所識別的行為對應(yīng)的可能操作的、連續(xù)的物理狀態(tài)。優(yōu)勢：不用去匹配提前觀測到的部分軌跡探索新知駕駛行為/意圖估計和行為提取采用提取更高層次的特征來識別行為，使得任意布局的學習模型實現(xiàn)起來更為容易，表達方式可以是隨機的或是幾何的形式。(a)RRT

(b)

高斯過程

(c)隨機可達集探索新知駕駛行為/意圖估計和行為提取在實踐中，對車輛的運動對立于其他車輛的假設(shè)是不成立的。各車輛共享路權(quán)，一輛車的行為勢必影響其他車輛的行為，在道路交叉口的車輛內(nèi)部關(guān)聯(lián)更為強烈，優(yōu)先級規(guī)則迫使車輛必須考慮其他車輛正在執(zhí)行的行為。即時檢測小測試基于行為的運動模型預測方法有哪兩種？分別講一講它們的原理和優(yōu)勢。小結(jié)目標運動預測-基于行為的運動模型預測基于軌跡原型的方法：通過歸類軌跡為一簇集群來預測未來運動軌跡基于駕駛行為或意圖估計的方法：通過估計駕駛員的行為意圖來預測可能的操作和物理狀態(tài)謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)目標運動預測-感知/意識交互的運動模型項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入目標運動預測-感知/意識交互的運動模型：一門關(guān)于智能網(wǎng)聯(lián)汽車的先進技術(shù)能更好地理解和評估周圍環(huán)境中的運動物學習目標了解基于軌跡原型的目標運動預測模型和基于動態(tài)貝葉斯網(wǎng)絡(luò)的模型的原理和優(yōu)缺點01描述感知/意識交互運動模型的計算成本和實時風險評估的兼容性02激活舊知目標運動預測的目的是什么？為什么需要預測周圍物體的運動？目標運動預測的目的：幫助智能網(wǎng)聯(lián)汽車更好地了解周圍環(huán)境，做出正確的決策和控制，并從中獲取其他運動物體行為的信息。探索新知基于運動交互的假設(shè)運動物體之間是有相互交互關(guān)系的路口直行和左轉(zhuǎn)的車輛匯入同一條車道時，按照轉(zhuǎn)向讓直行的交規(guī)，轉(zhuǎn)向的車輛會減速避讓直行的車輛。探索新知基于運動交互的假設(shè)運動物體之間是有相互交互關(guān)系的行人永遠擁有路權(quán)，但當他們感覺受到車輛運動的威脅時，會停下來等待觀望車輛變道時通常會有信號指示燈探索新知基于運動交互的假設(shè)基于運動交互的假設(shè)基于軌跡原型基于動態(tài)貝葉斯網(wǎng)絡(luò)有助于更好地理解環(huán)境，以及更可靠的風險評估探索新知基于軌跡原型的模型對于依賴于軌跡原型的方法，車輛間的相互影響在學習期是難以考慮的，因為產(chǎn)生的大量運動模式會很快變得難以處理。探索新知基于軌跡原型的模型但通過假設(shè)駕駛員在他們可以做到的條件下是有意識去避免碰撞的，那么在匹配期間考慮相互間的影響時有可能的，那些會導致不可避免的碰撞軌跡在匹配期間會加以限制。探索新知基于軌跡原型的模型在用原型軌跡時考慮相互聯(lián)系，這是一個簡練的處理方式。由于車輛對另一車輛軌跡的影響難以直接建模，所以，原有的一些弊端在這種方式上仍然存在。探索新知基于動態(tài)貝葉斯網(wǎng)絡(luò)的模型大部分感知/意識交互的運動模型是基于動態(tài)貝葉斯網(wǎng)絡(luò)(DBN)用耦合隱馬爾可夫模型(CHMMs)可以對多運動實體的成對依賴關(guān)系進行建模探索新知基于動態(tài)貝葉斯網(wǎng)絡(luò)的模型由于成對依賴關(guān)系的數(shù)量會隨實體的數(shù)量成平方增長，在復雜的交通情況下，復雜性是難以管理的。通過假設(shè)周圍的交通會影響車輛的利益實現(xiàn)CHMMs的非對稱可以簡化模型。探索新知基于動態(tài)貝葉斯網(wǎng)絡(luò)的模型依賴性的非對稱假設(shè)大大地降低了計算的復雜度。該假設(shè)就在很多場景使用，特別是在換道超車或跟車探索新知小貼士那么感知/意識交互運動模型的優(yōu)缺點有哪些呢？感知/意識交互的運動模型是目前所報道的最綜合的方法。由于考慮了車輛的相互依賴關(guān)系，相比基于物理的運動模型，它具有更長時間預測能力；相比基于行為的運動預測，它具有更高的可靠性。但是，該方法也存在一些缺陷：計算成本高，不兼容實時的風險評估。即時檢測小測試基于軌跡原型的目標運動預測模型有什么優(yōu)點和缺點？小結(jié)目標運動預測-感知/意識交互的運動模型基于軌跡原型基于動態(tài)貝葉斯網(wǎng)絡(luò)模型這些模型可以幫助智聯(lián)網(wǎng)汽車更好地理解周圍環(huán)境，并做出可靠的決策和控制，同時也意識到這些模型的計算成本較高，不適合實時風險評估。謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)全局路徑規(guī)劃項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入

在智能網(wǎng)聯(lián)汽車中，全局路徑規(guī)劃非常重要，它能夠根據(jù)各種信息為我們提供到達目的地的最優(yōu)路徑。學習目標了解全局路徑規(guī)劃的定義和作用01掌握傳統(tǒng)算法中的迪杰斯特拉算法和A*算法02學習任務(wù)通過實例分析，理解全局路徑規(guī)劃的應(yīng)用場景和局限性01激活舊知什么是路徑規(guī)劃？路徑規(guī)劃：找到一條從起點到目的地的最佳路徑在自動駕駛中，全局路徑規(guī)劃特別重要，因為它能夠在整個路網(wǎng)中為我們規(guī)劃一條最優(yōu)的路徑。

探索新知路徑規(guī)劃模塊局部環(huán)境感知可用的全局車道級路徑相關(guān)交通規(guī)則根據(jù)駕駛需求進行任務(wù)決策，接著在能避開可能存在的障礙物前提下，通過一些特定的約束條件，提供能夠?qū)④囕v引導向目的地（或目的點）的最優(yōu)路徑。探索新知自動駕駛車輛的路徑規(guī)劃根據(jù)環(huán)境信息是否完全已知：1全局環(huán)境路徑規(guī)劃建立所要規(guī)劃路徑的框架2局部環(huán)境路徑規(guī)劃彌補其中的細節(jié)3混合路徑規(guī)劃方法兩者相輔相成探索新知定義已知全局環(huán)境下各個障礙物的位置、大小等相關(guān)信息，以此進行最優(yōu)路徑的求取。全局路徑規(guī)劃(RoutePlanning)探索新知定義局限性：由于障礙物之間密度過大或在有障礙物和狹窄通道的情況下容易規(guī)劃失敗大多數(shù)算法在搜索路徑時間復雜度過高特點：可以求取最優(yōu)解全局路徑規(guī)劃算法：一般在生成軌跡后，不會再進行多次的規(guī)劃智能網(wǎng)聯(lián)汽車全局路徑規(guī)劃需依據(jù)高精度地圖、定位信息和駕駛者設(shè)定的目的地來規(guī)劃出一條全局的路徑，這條路徑只考慮起始點和道路最優(yōu)。探索新知定義探索新知定義考慮道路標志信息、道路總長度、擁堵程度，因而不能動態(tài)避障不對實時環(huán)境信息進行考慮（行人、車輛和交通信號燈、道路寬度、道路中心線曲率、動靜態(tài)障礙物信息）探索新知算法分類全局路徑規(guī)劃算法傳統(tǒng)算法智能算法遺傳算法、蟻群算法等基于圖的搜索算法基于采樣的規(guī)劃算法D算法、A*算法等PRM、RRT等探索新知算法分類運動規(guī)劃(MotionPlanning)目的是從某一空間的固定位置轉(zhuǎn)向另一個固定位置的轉(zhuǎn)換序列。探索新知算法分類路徑規(guī)劃(PathPlanning)可將無人車感知環(huán)境進行柵格化處理，將感知的障礙物以及智能車選取的局部目標點映射到相應(yīng)的網(wǎng)格中，通過對無“占據(jù)”網(wǎng)格的連接得到一條從當前位置到目標位置的路徑。因此，一些傳統(tǒng)的圖搜索算法在智能汽車中得到廣泛應(yīng)用。探索新知算法分類Dijkstra算法一種經(jīng)典的路徑規(guī)劃算法以起點為中心向外進行層層搜索，得到最短的路徑Dijkstra算法探索新知算法分類Dijkstra算法廣泛應(yīng)用于尋找地圖上一個頂點到另一個頂點的最短距離，解決了尋找地圖上最優(yōu)路徑問題，但由于D算法采取的是盲目搜索策略，在搜索過程中搜索了很多無意義幾點，所以其算法效率偏低。探索新知算法分類A*算法引入了啟發(fā)式代價函數(shù)的概念使得路徑點能夠有方向性的朝向終點運動，即啟發(fā)式搜索大大提高了搜索效率A*算法探索新知小貼士A*算法1.把起點加入Openlist。2.重復如下過程：a)遍歷Openlist，查找F值最小的節(jié)點移到Closelist，把它作為當前要處理的節(jié)點。b)判斷當前方格的8個相鄰方格的每一個方格，若為Unreachalbe或者已在Closelist中則忽略。否則做如下操作。c)如果它不在Openlist中，把它加入Openlist，并且把當前方格設(shè)置為它的父親，記錄該方格的F，G和H值。探索新知小貼士A*算法d)如果它已經(jīng)在Openlist中，檢查這條路徑(即經(jīng)由當前方格到達它那里)是否更好，用G值作參考。更小的G值表示這是更好的路徑。如果是這樣，把它的父親設(shè)置為當前方格，并重新計算它的G和F值。3.直到Openlist為空，從終點開始，每個方格沿著父節(jié)點移動直至起點，這就是最優(yōu)路徑。探索新知算法分類圖形構(gòu)建即為場景地圖添加路徑規(guī)劃信息的過程，其中的路徑規(guī)劃信息往往需要根據(jù)實際場景進行界定。圖形搜索即通過圖形構(gòu)建中提供的地圖信息與相關(guān)規(guī)劃信息對最佳路徑計算的過程。該過程相關(guān)的搜索算法廣泛，使用最多的為A*算法與D*算法兩者在實際使用時往往均需要針對圖形構(gòu)建步驟的結(jié)果進行再設(shè)計即時檢測小測試全局路徑規(guī)劃方法有哪兩類？小結(jié)全局路徑規(guī)劃的概念、方法和算法Dijkstra算法A*算法傳統(tǒng)算法無論是傳統(tǒng)算法還是智能算法，都在路徑規(guī)劃中發(fā)揮著重要的作用。謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)局部路徑規(guī)劃項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入自動駕駛汽車在完全未知的環(huán)境里面自主駕駛怎么確定自己的行駛路徑？是預先規(guī)劃好全局路徑，還是根據(jù)實時環(huán)境進行局部規(guī)劃?學習目標學習局部路徑規(guī)劃的基本概念和算法分類01學會解釋其基本概念，并能舉例說明它的作用02學習任務(wù)和小智一起，完成對局部路徑規(guī)劃必要知識的介紹01激活舊知為什么需要局部路徑規(guī)劃嗎?局部規(guī)劃相比全局規(guī)劃而言，可以根據(jù)環(huán)境的復雜多變從而做到實時調(diào)整，以確保駕駛安全。探索新知全局規(guī)劃通常需要在已知環(huán)境中進行，屬于一種事前規(guī)劃，可以找到最優(yōu)解，但是一旦環(huán)境發(fā)生變化，或未及時更新地圖時，該方法就不能達到預期效果。全局規(guī)劃探索新知全局規(guī)劃車輛在實際行駛中，位置、航向和轉(zhuǎn)彎半徑是連續(xù)變化的，那么生成的路徑也要滿足位置、切向方向和曲率的連續(xù)變化。探索新知全局規(guī)劃作用：基于一定的環(huán)境地圖尋找一條滿足車輛運動學約束和舒適性指標的無碰撞路徑。屬于全局路徑規(guī)劃的實時補償規(guī)劃局部路徑規(guī)劃探索新知局部路徑規(guī)劃車輛在一段較短時間或空間內(nèi)的動態(tài)路線規(guī)劃，通常在未知或部分已知的環(huán)境中，系統(tǒng)根據(jù)車載傳感設(shè)備及V2X實時獲取到環(huán)境障礙物及駕駛?cè)说臓顟B(tài)信息，包括交通信號、自車位姿狀態(tài)、動靜態(tài)障礙物信息等。局部路徑規(guī)劃探索新知局部路徑規(guī)劃并做出相應(yīng)規(guī)劃，規(guī)劃出的路徑可以實現(xiàn)動態(tài)避障功能和超車變道等情境中，具有較高的實時性，從而提高軌跡的合理性及安全性。局部路徑規(guī)劃探索新知局部路徑規(guī)劃從車輛的當前位置出發(fā)，根據(jù)一系列車身傳感器感知得到的障礙物運動速度與運動方向等信息，在機器視覺的一定預瞄范圍內(nèi)規(guī)劃出一條安全、可靠的最短參考路徑，同時該參考路徑必須滿足動態(tài)避障條件，并由一定間距的點序列構(gòu)成。探索新知局部路徑規(guī)劃移動車輛在沿參考路徑運動的同時，以車輛當前行走速度，對參考路徑進行新一輪規(guī)劃，并將重新規(guī)劃的路徑代替原參考路徑，進入新一輪的路徑跟蹤控制，使車輛沿動態(tài)參考路徑不斷向全局目標點接近。探索新知典型算法現(xiàn)階段智能汽車的局部路徑規(guī)劃方法多樣，但在實時性與魯棒性等方面有所差異人工勢場法神經(jīng)網(wǎng)絡(luò)法模糊邏輯法遺傳算法探索新知典型算法krogh和khatib于1986年提出的一種構(gòu)造虛擬勢函數(shù)的方法，人工勢場法結(jié)構(gòu)簡單、計算量小，對傳感器要求低，很好的解決實時避障問題上。人工勢場法（potentialfield）探索新知典型算法智能汽車要到達的目標點對其產(chǎn)生引力勢場，方向由四周向自身聚攏，而障礙物對汽車產(chǎn)生斥力勢場，方向由其自身向外部發(fā)散。將智能汽車的運動簡化為在受力場中的運動探索新知典型算法將智能汽車的運動簡化為在受力場中的運動由于引力勢場和斥力勢場的共同作用，引力場根據(jù)與目標點的距離增加而單調(diào)遞增，且方向指向目標點，而斥力場在車輛處在障礙物位置時有一極大值，并根據(jù)車輛與障礙物距離的增大而單調(diào)減小，方向指向遠離障礙物方向。探索新知典型算法智能汽車能夠在引力作用下向目標點移動，因為斥力作用而躲避障礙物，因此汽車能夠順利安全地到達終點。將智能汽車的運動簡化為在受力場中的運動探索新知典型算法該種算法被廣泛應(yīng)用于路徑規(guī)劃中人工勢場算法簡單實用，無須對全局進行搜索，且魯棒性較強，且有著良好的實時性和較簡單的結(jié)構(gòu)，便于底層的實時控制，在智能汽車的實時避障和平滑的軌跡控制方面得到廣泛的應(yīng)用。探索新知典型算法由于引力勢場的范圍比較大，而斥力的作用范圍只是局部的，當車輛和障礙物的距離超過障礙物影響范圍的時候，車輛不受排斥勢場的影響。探索新知典型算法因此而會出現(xiàn)諸如存在陷阱區(qū)域、在相近的障礙物群中不能識別路徑和在狹窄通道中擺動之類的缺點。人工勢場法只能解決局部空間的避障問題探索新知典型算法采用廣泛互聯(lián)的結(jié)構(gòu)與有效的學習機制來模擬人腦信息處理的過程，能夠模擬人腦復雜的層次化認知特點的深度學習。神經(jīng)網(wǎng)絡(luò)算法探索新知典型算法由于其算力和泛用性等方面的優(yōu)越性，對于應(yīng)對往往處于信息完全未知或部分未知環(huán)境的局部路徑規(guī)劃，神經(jīng)網(wǎng)絡(luò)算法體現(xiàn)出了很大的應(yīng)用潛力。神經(jīng)網(wǎng)絡(luò)算法探索新知典型算法建立一個關(guān)于車輛從初始位置到目標位置行走路徑的神經(jīng)網(wǎng)絡(luò)模型，模型輸入是傳感器信息和車輛前一位置或者前一位置的運動方向，通過對模型訓練輸出車輛下一位置或者下一位置的運動方向，通過其自學習能力降低環(huán)境中的動態(tài)因素對系統(tǒng)的影響。探索新知典型算法對于智能汽車動態(tài)運行狀態(tài)的多狀態(tài)處理有著很強的包容性，但需要量的參數(shù)和較長的學習時間。探索新知典型算法根據(jù)人類的駕駛經(jīng)驗產(chǎn)生的，司機能夠根據(jù)模糊環(huán)境信息做出轉(zhuǎn)彎直行等避障動作，參考這一過程移動機器人在路徑規(guī)劃的時候，先將環(huán)境信息模糊化，再通過查規(guī)則表來獲得規(guī)劃的結(jié)果。模糊邏輯算法探索新知典型算法缺點模糊判斷需要較多的先驗知識，所以靈活性較差當輸入較多時會造成規(guī)則庫或模糊表急劇膨脹優(yōu)點克服了一般局部規(guī)劃方法產(chǎn)生局部極小點的弊端實時性較好探索新知典型算法遺傳算法近來在移動機器人路徑規(guī)劃領(lǐng)域取得了許多成果基本思想首先將個體編碼為路徑中的一些中間點，然后再進行選擇、交叉、復制、變異這些遺傳操作，經(jīng)過若干代的選擇之后最后輸出的是最優(yōu)個體。探索新知典型算法遺傳算法是一種并行計算的方法，不容易陷入局部極值點，但由于其計算速度較慢限制了它的應(yīng)用。遺傳算法的進化方向由適應(yīng)度函數(shù)決定，因此適應(yīng)度函數(shù)的選擇非常重要探索新知典型算法以上介紹了幾種目前常用環(huán)境信息已知的全局規(guī)劃和環(huán)境信息未知的局部規(guī)劃的方法，但現(xiàn)實的環(huán)境往往介于兩者之間。即環(huán)境信息部分己知和部分未知的情況探索新知典型算法針對上述的環(huán)境，一種全局路徑規(guī)劃和局部路徑規(guī)劃相結(jié)合的混合路徑規(guī)劃的思路被一些專家和學者所提出，既利用了全局路徑規(guī)劃環(huán)境利用率高的特點也結(jié)合了局部路徑規(guī)劃的靈活性。即時檢測小測試人工勢場法的主要優(yōu)缺點是什么?小結(jié)局部路徑規(guī)劃的概念、方法和算法人工勢場法神經(jīng)網(wǎng)絡(luò)算法模糊邏輯算法遺傳算法了解四個算法的優(yōu)缺點清楚了局部路徑規(guī)劃的原理和流程它們都在路徑規(guī)劃中發(fā)揮著重要作用，可以根據(jù)不同的路況從而選擇不同的算法謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)基于采樣的路徑規(guī)劃算法項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入想象一下，如果讓汽車在一個復雜動態(tài)環(huán)境中快速規(guī)劃出一條安全駕駛路徑，應(yīng)該如何高效實現(xiàn)呢?學習目標學習基于采樣的路徑規(guī)劃的幾種算法01學會解釋基于采樣的路徑規(guī)劃算法及其效率優(yōu)勢02學習任務(wù)共同完成對幾種典型采樣算法的介紹01激活舊知隨機采樣搜索與傳統(tǒng)全局搜索有什么不同嗎?隨機采樣搜索更高效傳統(tǒng)全局搜索時間長探索新知基于隨機采樣的路徑規(guī)劃算法適用于高維度空間，由于求解時間是有限制的，大部分情況下只能得到一個概率層面上的最優(yōu)路徑，可提高搜索效率?；陔S機采樣的路徑規(guī)劃算法探索新知基于隨機采樣的路徑規(guī)劃算法基于隨機采樣的路徑規(guī)劃算法單查詢算法漸近最優(yōu)算法找到可行路徑，側(cè)重快速性找到的路徑進行逐步優(yōu)化達到最優(yōu)，側(cè)重最優(yōu)性探索新知基于隨機采樣的路徑規(guī)劃算法概率路圖法PRM(ProbabilisticRoadMap)算法隨機擴展樹法RRT(Rapidly-exploringRandomTrees)算法動態(tài)窗口法DWA算法探索新知隨機路圖法（PRM）以圖結(jié)構(gòu)為基礎(chǔ)的路徑規(guī)劃算法分為兩個階段：學習階段和查詢階段首先將連續(xù)空間轉(zhuǎn)換成離散空間，在規(guī)劃空間內(nèi)隨機選取N個節(jié)點。隨機路圖法（PRM）探索新知隨機路圖法（PRM）學習階段（構(gòu)建圖）在有起始點和目標點的C-空間內(nèi)隨機撒下N個粒子刪除在障礙物中的點每個點連接到最近的點，得到無碰路徑圖距離太長或者連線有經(jīng)過障礙物的，不連接探索新知隨機路圖法（PRM）查詢階段（搜索路徑）在路線圖上搜索以找到從開始到目標的路徑(使用Dijkstra's或A*)路線圖與網(wǎng)格圖（或簡化的網(wǎng)格圖相似）探索新知小貼士隨機路圖法（PRM）的算法過程？從構(gòu)建的圖上的起點使用圖搜索算法(A*、Dijkstra)規(guī)劃一條從起點到終點的路徑，然后將每個點與它相鄰的點(一定距離內(nèi))連接起來，剔除碰到障礙物的連接。連續(xù)空間轉(zhuǎn)換成離散空間構(gòu)建圖（紅色和綠色的線不連接）剔除碰到障礙物的連接搜索路徑探索新知隨機路圖法（PRM）在多數(shù)問題上，相對少的樣本足夠來覆蓋大分的可行空間，并且找到路徑的概率為百分之百。當隨機采樣點太少或分布不合理時，PRM算法是不完備的，但隨著采用點的增加可以達到完備，所以PRM是概率完備且不最優(yōu)的。探索新知快速探索隨機樹路徑規(guī)劃方法（RRT）一種適用于多維空間中路徑規(guī)劃方法以一個初始點作為根節(jié)點，通過隨機對空間中的路徑點進行采樣來增添子節(jié)點，以此構(gòu)造一個隨機擴展樹。當隨機樹中的子節(jié)點進入了目標點所在的目標區(qū)域內(nèi)時，已成功尋找到路徑。該方法得到的路徑是一條蜿蜒曲折的路徑。快速探索隨機樹路徑規(guī)劃方法（RRT）探索新知快速探索隨機樹路徑規(guī)劃方法（RRT）與PRM方法相似，該方法也是概率不完備的，利用該方法所求得的最終路徑往往不是最優(yōu)，而且當面對狹窄通道型障礙物時，RRT算法往往需要花費很多時間進行隨機樹擴展才可以找到出口。探索新知快速探索隨機樹路徑規(guī)劃方法（RRT）PRM算法：在一開始就通過抽樣在地圖上構(gòu)建出完整的無向圖，再進行圖搜索RRT算法：從某個點出發(fā)一邊搜索，一邊抽樣并建圖探索新知動態(tài)窗口法根據(jù)機器人或自動駕駛汽車當前的線速度和角速度，在速度空間中進行采樣，通過所設(shè)計的評價指標對一定時間內(nèi)的運動軌跡進行評價，并選擇最優(yōu)軌跡所對應(yīng)的控制量對機器人或車輛進行控制。DWA算法（動態(tài)窗口法）探索新知動態(tài)窗口法DWA算法核心采樣動態(tài)規(guī)劃空間維度的采樣（軌跡采樣）時間維度的采樣（速度采樣）探索新知動態(tài)窗口法動態(tài)窗口法中，在不同場景下需要進行代價函數(shù)的選擇和設(shè)計DWA算法的仿真結(jié)果需考慮的因素01保證機器人或者自動駕駛汽車行進方向不會頻繁切換02不會與障礙物或者道路邊緣發(fā)生碰撞03航向角沒有突變04局部路徑方向與目標點方向一致05速度在區(qū)間內(nèi)即時檢測小測試PRM算法的主要步驟是什么？小結(jié)基于采樣的路徑規(guī)劃的三個算法PRM隨機路圖法RRT快速隨機樹法動態(tài)窗口法謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)啟發(fā)式搜索算法項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入沒有導航儀，要怎么找到路的呢?盲目搜索，找到路的速度會很慢，而且很容易走遠路或者走錯路事先規(guī)劃，對周圍路況有所了解，大幅度提高搜索效率，搜索最佳路線學習目標學會解釋啟發(fā)式搜索算法的思路、原理和具體算法01能應(yīng)用到汽車路徑規(guī)劃中去02學習任務(wù)用生動形象的例子幫助理解啟發(fā)式搜索算法01與小智一起設(shè)計一個汽車路徑規(guī)劃的啟發(fā)式搜索算法02激活舊知路徑規(guī)劃算法有哪些類型嗎？迪杰斯特拉算法一種比較經(jīng)典的最短路徑算法通過為每個路徑設(shè)置權(quán)重，逐步遍歷找到最短路徑A*算法借鑒Dijkstra算法的思想利用啟發(fā)式函數(shù)優(yōu)化了搜索過程探索新知盲目搜索通常效率較低，時間和空間計算開銷大啟發(fā)式搜索利用問題的啟發(fā)信息來指導搜索，從而達到降低搜索空間復雜度和問題復雜度的效果探索新知啟發(fā)式算法思路：由日常生活中發(fā)現(xiàn)規(guī)律，尋找適合的方法啟發(fā)而來的，能夠得到近似的理想解，大大提高了搜索效率。探索新知定義即有信息搜索(InformedSearch)利用問題擁有的啟發(fā)信息來引導搜索，達到減少搜索范圍、降低問題復雜度的目的。啟發(fā)式搜索(HeuristicallySearch)探索新知定義在智能汽車狀態(tài)空間中的搜索，對每一個搜索的位置進行評估，得到最好的位置，再從這個位置進行搜索直到目標坐標。探索新知原理和算法基本思想

將狀態(tài)空間通過確定的方式離散成一個圖，然后利用各種啟發(fā)式搜索算法搜索可行解甚至是最優(yōu)解，這類算法具有解析完備性，甚至是解析最優(yōu)性。探索新知原理和算法利用當前與問題有關(guān)的信息作為啟發(fā)式信息，這些信息是能夠提升查找效率以及減少查找次數(shù)的。keyword探索新知原理和算法估價函數(shù)h(x)：對當前狀態(tài)x的一個估計，表示x狀態(tài)到目標狀態(tài)的距離。起始狀態(tài)到x狀態(tài)所花的代價為g(x)：含義從起點到x位置花的步數(shù)在最短路徑中，g(x)是到x點的權(quán)值，h(x)是x點到目標結(jié)點的最短路或直線距離探索新知原理和算法根據(jù)搜索依據(jù)函數(shù)的不同代價一致搜索UniformCostSearchorDijkstrasearch貪心搜索GreedySearchA*搜索A*Search探索新知原理和算法代價一致搜索具有完備性，能找到最優(yōu)解，但效率太低1F(x)=g(x)：按照花了多少代價去搜索，從離得近的層開始搜索，一層一層搜2dijkstra算法：依據(jù)每條邊的代價開始選擇搜索方向探索新知原理和算法貪心搜索F(x)=h(x)：貪婪優(yōu)先搜索，每次都是向最靠近目標的狀態(tài)靠近。不具有完備性，不一定能找到解探索新知原理和算法A*搜索A*算法：對A算法進行了修改，證明了當估價函數(shù)滿足一定條件，算法一定能找到最優(yōu)解，估價函數(shù)滿足一定條件的算法稱為A*算法。限制條件F(x)=g(x)+h(x)代價函數(shù)g(x)>0h(x)的值不大于x到目標的實際代價h*(x)即定義的h(x)是可納的，是樂觀的探索新知原理和算法A*搜索吸取Dijkstra算法中的當前代價，為每個邊長設(shè)置權(quán)值，不停計算每個頂點到起始頂點的距離，以獲得最短路線。吸取貪婪最佳優(yōu)先搜索算法中不斷向目標前進優(yōu)勢，并持續(xù)計算每個頂點到目標頂點的距離，以引導搜索隊列不斷向目標逼近，從而搜索更少的頂點，保持尋路的最優(yōu)解。探索新知啟發(fā)式搜索算法總結(jié)啟發(fā)式算法與最短路徑問題通常用于資訊充份的搜尋算法（最好優(yōu)先貪婪算法與A*）最好優(yōu)先貪婪算法為啟發(fā)式函數(shù)選擇最低代價的節(jié)點為g(n)+h(n)選擇最低代價的節(jié)點，此g(n)是從起始節(jié)點到目前節(jié)點的路徑的確實代價。如h(n)是可接受的意即h(n)未曾付出超過達到目標的代價，則A*一定會找出最佳解A*探索新知啟發(fā)式搜索算法總結(jié)啟發(fā)式算法對運算效能的影響任何的搜尋問題中，每個節(jié)點都有b個選擇以及到達目標的深度d，一個毫無技巧的算法通常都要搜尋bd個節(jié)點才能找到答案。探索新知啟發(fā)式搜索算法總結(jié)啟發(fā)式算法對運算效能的影響分叉率可以用來定義啟發(fā)式算法的偏序關(guān)系，例：若在一個n節(jié)點的搜尋樹上，h1(n)的分叉率較h2(n)低，則h1(n)<h2(n)。為每個要解決特定問題的搜尋樹的每個節(jié)點提供了較低的分叉率，因此擁有較佳效率的計算能力啟發(fā)式算法借由使用某種切割機制降低了分叉率以改進搜尋效率，由b降到較低的b'即時檢測小測試啟發(fā)式搜索算法和傳統(tǒng)盲目搜索算法的主要區(qū)別是什么嗎?小結(jié)啟發(fā)式搜索利用問題自身的信息指導搜索方向啟發(fā)式搜索算法在汽車導航路徑規(guī)劃中的應(yīng)用謝謝觀看THANKS智能網(wǎng)聯(lián)汽車技術(shù)自動駕駛行為決策項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導入自動駕駛汽車利用行為決策系統(tǒng)在復雜多變的道路環(huán)境中，根據(jù)各種條件自主做出繼續(xù)直行、轉(zhuǎn)彎、減速、變道等決策，它模擬人類駕駛員的思維邏輯,讓汽車獲得獨立思考和決策的能力。學習目標學習自動駕駛汽車行為決策的作用、說明其工作流程、概述兩種主要決策方法01理解決策系統(tǒng)的作用和工作流程02解釋兩種決策方法的原理、優(yōu)缺點、以及未來發(fā)展趨勢03學習任務(wù)根據(jù)所學知識，為一輛自動駕駛汽車設(shè)計一個簡單的決策系統(tǒng)01激活舊知人工智能技術(shù)是如何應(yīng)用于自動駕駛汽車的，主要用于哪些方面呢?感知決策控制激活舊知人工智能讓汽車擁有獨立感知環(huán)境、做出決策的能力！汽車需要根據(jù)導航路線和環(huán)境，自己做出繼續(xù)直行、轉(zhuǎn)彎、變道等決策。探索新知無人駕駛汽車擁有自己的一套規(guī)劃和決策的系統(tǒng)，行為決策就是這套系統(tǒng)的大腦無人駕駛汽車根據(jù)路網(wǎng)信息和用戶終點設(shè)置完成全局規(guī)劃時，車輛在行駛的過程中需要檢測和調(diào)整自身的行駛軌跡，在保證遵守交通規(guī)則的同時還可以躲避障礙物和行人，達到人類駕駛行為的要求，完成規(guī)劃的任務(wù)。探索新知

無人駕駛汽車通過攝像頭或雷達等各類傳感器對真實環(huán)境進行感知與建模，形成環(huán)境模型與局部地圖，GPS和慣性導航系統(tǒng)再根據(jù)環(huán)境模型和局部地圖進行定位與建圖，形成全局地圖，然后輸入至行為決策與路徑規(guī)劃模塊，形成局部路徑傳至運動控制模塊，從而使車輛的運動狀態(tài)發(fā)生改變，依次循環(huán)。探索新知定義在接收到全局路徑后，自動駕駛車輛結(jié)合從感知模塊得到的環(huán)境信息（其他車輛與行人，障礙物，以及道路上的交通規(guī)則信息），考慮周邊環(huán)境、動靜態(tài)障礙物、車輛匯入以及讓行規(guī)則等，與無人駕駛庫中的經(jīng)驗知識等進行匹配，作出適合當前交通環(huán)境之下的具體行為決策（選擇變道超車還是跟隨）。行為決策層（BehavioralLayer）探索新知典型算法類型基于強化學習的行為決策方法基于規(guī)則的行為決策方法探索新知典型算法類型其主要是將無人車的運動行為進行劃分，根據(jù)當前任務(wù)路線、交通環(huán)境、交通法規(guī)以及駕駛規(guī)則知識庫等建立行為規(guī)則庫，對不同的環(huán)境狀態(tài)進行行為決策邏輯推理，對駕駛員的行為進行輸出，同時接受運動規(guī)劃層對當前執(zhí)行情況的反饋情況進行實時動態(tài)調(diào)整。基于規(guī)則的行為決策方法全局路徑規(guī)劃層當前任務(wù)路線交通狀況駕駛規(guī)則知識庫行為決策邏輯推理運動規(guī)劃層駕駛行為輸出當前行為執(zhí)行情況探索新知典型算法類型在基于規(guī)則的行為決策中，有限狀態(tài)機法是最經(jīng)典也是最具有代表性的方法，其