我們在前幾節中介紹了自動駕駛的方法在尋找路徑、選擇最佳操縱和構建可行軌跡方面具有良好的效果。然而，自動駕駛仍然存在局限性，自動駕駛還遠沒有達到人類駕駛能力的水平。我們將在本節中描述一些已確定的局限性需要未來持續的研究方向。
風險評估
今天發生的許多事故都是人類駕駛員錯誤的感知和決策造成的。由於準確的風險評估對於防止碰撞至關重要，因此，自動駕駛被認為可以大大減少此類錯誤。雖然目前的系統已經成功地應用於在真實環境中尋找路徑和探測障礙物，但是碰撞仍然會發生。因此，必須更加重視實時準確的風險評估。現有的大多數風險評估方法預測軌跡，然後檢測可能的碰撞。然而，這種方法會產生巨大的計算成本，並檢查所有可能的軌跡。一個有用的建議是，只有在檢測到異常或危險的操縱（Lefèvre et al.，2012a）或交通狀況被標記為危險時，才執行軌跡計算和碰撞檢查，而不是詳盡地計算和預測每個曆元（感應周期）的其他交通參與者的軌跡從運輸工程的角度來看。
還應利用適當的數學基礎，如貝葉斯博弈論（Harsanyi，1967）；此類概念已成功地應用於機器人學中的許多基於agent的問題中（Antoniades等人，2003；Emery Montemerlo，2005）。這種方法有助於實時處理交互作用，例如在交叉口、匯入交通流或在感知受限的情況下超車。
此外，考慮到ego車輛(自動駕駛本業內稱配合自動駕駛測試的車輛為ego)不僅會與其他自動駕駛車輛互動，還會與人類駕駛的車輛、摩託車駕駛員、騎自行車的人和行人互動，規划算法應探索人類（作為駕駛員/駕駛員或行人在不同的交通場景和操作環境下）行為模型的推理能力，並應以軌跡預測或推斷其他道路參與者在交叉路口的行為的形式使用所產生的智能。
現有的路徑規劃問題的方法源於機器人技術的早期發展，這些技術將車輛視為一個獨立的實體。實際上，自動駕駛車輛將成為更廣泛（混合）交通系統的參與者。因此，未來的研究必須探索交通工程概念的結合，如碰撞前兆的識別、間隙接受度和網絡級碰撞預測，從而在風險評估和碰撞預測中考慮周圍交通系統的複雜性。可以為車輛即將進行的每一次操縱提供行為模型（例如Hidas，2002；Llorca等人，2014；Saifulgaman和Zheng，2014），以將操縱標記為標稱或非標稱。可以指示危險情況的實時高度分解交通流數據和歷史碰撞數據可以輕鬆地在自主車輛軟體體系結構的規劃模塊中實現，從而提高作為危險路段早期指示的決策能力。實時交通事故預測是交通工程師多年來一直在研究的一個問題，由此產生了久經考驗的方法，能夠準確地指示網絡級的碰撞風險（圖12）。這些模型可以應用於自動駕駛車輛規劃，簡化了車輛危險情況的實時計算和評估，同時也增加了自我車輛的感知視野。
軌跡規劃也將受益於從車輛級到網絡級分散方法的相同精神。優化過程可以在空間上擴展，而不是試圖在單個獨立的車輛軌跡上優化和評估風險。在這一概念中，共享公共運輸系統（例如路段、特定公路、城鎮或城市）的車輛的一系列軌跡可以優化。
就風險指標而言，為了克服TTC的局限性（什麼是TTC 點擊自動駕駛機動動作規劃和決策），可以探索微分幾何的應用。應用微分幾何可以研究質點在曲線上運動的運動特性。考慮到這一概念，可以採用Frenét frame11，而不是使用全球坐標系中的直線來計算距離（對於TTC）。使用Frenét框架，可以在描述道路幾何結構的曲線上計算距離，從而描述車輛的運動。使用曲線上的距離計算TTC的方法如圖13所示。與使用到車輛1的直線距離（D1）不同，距離Dc可用於計算TTC，因為它更能代表車輛路徑。此外，如果使用直線距離（D2），則第2車可能被認為是對ego車輛的「威脅」。如果採用沿道路的彎曲距離，則情況並非如此。
此外，將風險評估與空間探索相結合的方法可以得到有效利用。這類方法的例子有風險RRT（Rios Martinez等人，2011年），它已經成功地測試了行人中的移動機器人，以及包含車輛移動性變化的知情狀態格（Howard，2009年）。
縮減搜索空間
現有的局部路徑搜索和軌跡級技術（點擊了解自動駕駛實時路徑規划算法簡介（Local search局部搜索））大多是在規劃的最底層應用動作空間搜索。因此，保證安全性的狀態空間也可以與模型預測控制相關的軌跡生成一起進一步研究，例如Howard（2009）中用於行星探測器的軌跡生成。模型預測控制可以確保終端狀態的必要輸入由機器人小車本身確定，並且在控制過程中也可以提供反饋，以應對規划過程中可能出現的噪聲。此外，更複雜的操作可以嵌入到規劃中，因此，對狀態空間進行採樣可以變得更快、更有效。
此外，在道路或車道邊界內構造先驗搜索空間，通過處理狀態空間的窮盡採樣和貪婪搜索，可以提高路徑搜索技術的效率。窮舉抽樣使用了太多的計算資源，貪婪的搜索可能導致不可行的路徑（即那些位於道路邊界之外或與障礙物相交的路徑），因此基於道路或車道的搜索空間可以潛在地解決這些問題，而不會損失計算能力，並且必須在線丟棄路徑。
傳感和V2X通信
（V2X 了解自動駕駛的三種解決方案）
傳感器是自動駕駛車輛的眼睛和耳朵，因此必須採取一切措施確保它們正確「看到」。這可以通過使用高精度（儘管昂貴）的傳感器來實現，或者通過使用增強的傳感器融合技術，通過整合現成的低成本（儘管是多個）收集的相對不準確的數據，傳感器無論原理是什麼的，車載傳感器受其視線和範圍的限制。
在保持傳感系統低成本的同時，需要在全天候晝夜進行高性能傳感，這可能導致採用帶有熱傳感器或聲學傳感器的攝像機。在紅外探測條件下，它比普通的紅外攝像機（BES-2015）的光照影響更小。熱像儀已成功應用於目標識別（如Besbes等人，2015）和道路檢測（Peláez等人，2015）。通過使用熱攝像頭，機動（如車輛）和非機動物體（如行人、騎車人和動物）可以很容易地通過其發射的熱能進行識別，而不受照明條件的影響。
另一方面，聲學攝像頭實時可視化聲音的來源和強度（GFaI tech，2014）。因此，這些攝像頭可以證明是一個有前途的替代方案，以取代所有道路使用者的近距離感測，因為它們會發出聲音。因此，在所有照明條件下，即使自動駕駛車輛「看不見」，也可以從其發動機的聲音中檢測到機動車輛。
因此，在追求無碰撞路徑規划過程中，將熱攝像機和聲學攝像機作為傳感元件將提供額外的完整性。但應注意的是，這些攝像機對天氣條件非常敏感，因為降水可能會改變障礙物的熱能和聲音檢測，從而導致數據不可靠（Eskandarian，2012）。因此，必須進一步研究和驗證它們在規劃數據可靠性和完整性方面的實時應用
除了提高自動駕駛車輛的感應能力外，車輛通信還可以通過準確的長期風險評估來提高規劃方法的性能（Lefèvre等人，2012b）。風險評估和規劃的一個重要部分是檢測障礙物，然後預測障礙物的軌跡。目前的技術依賴於車載傳感器感知，由於感知數據的不準確，缺乏長期預測能力。未來的發展必須著眼於通過車輛通信，從周圍障礙物或車輛實時獲取障礙物的實際狀態、實際操縱和更準確和更長期的軌跡預測。
在操縱規劃和決策過程中，車輛通信可以幫助例如在車輛接近信號交叉口時進行速度調整，以便車輛在綠燈期間到達交叉口。這樣做可以節省決策（停止或加速）的努力，也可以通過減少中途停車的行動來節省燃料（Rakha和Kamalanathsharma，2011；Ilgin Guler等人，2014）。在無信號交叉口中，所有參與者的操縱應事先知道，從而減少擁擠和碰撞（Wu等人，2013年）。
車輛之間的通信也可用於分享有關道路狀況的信息，如漏油、停放車輛和臨時道路堵塞（Drobot等人，2012年；Marshall，2014年）。如圖14所示，檢測到道路異常或溼滑路面的第一車輛可以將該信息傳送給後面的車輛，以便提前提供更好的態勢感知，以便規劃沿著該路段的安全路徑或軌跡。V2X通信應用於自動車輛感知和控制的示例如圖14所示（Kim等人，2013年）。
在使用運輸工程技術來估計風險的情況下，車輛通信可以證明是在線收集交通流數據並將其傳輸給交通管理機構或該地區其他車輛的有效媒介。
雖然已經進行了大量的研究，但大部分的驗證都是在受控的模擬環境中進行的。現在有必要增加在真實環境中的實驗量，考慮到不符合標準交通模型的偶爾的混沌交通。此外，升級基礎設施（例如採用V2I通信）成本高昂，並且需要設計規劃技術，依賴於無基礎設施的車輛通信，從而在交叉口實現無縫移動。然而，需要進行研究來評估車輛通信的實時實施及其對規劃的影響。通信幹擾、實時約束、通信速度和檢測性能只是車輛通信的幾個方面，需要在將其納入自主車輛規劃模塊之前進行檢查，並將其納入依賴它們的方法中。整合來自V2X和車載傳感器的信息以提供更好的信息將是一個研究挑戰。然而，隨著V2X技術的全面推廣，在改善車輛及其規劃模塊之間的協調方面有著巨大的潛力。
車輛建模
單車模型已經被證明是一個有效的模型，雖然簡單化，汽車類車輛。研究人員專注於車輛運動的運動學性質，但也應考慮到動力學。動態建模車輛可以從規劃階段模擬車輛的真實能力，從而使軌跡模塊更容易跟蹤和跟蹤為車輛指定的路徑或軌跡。同時考慮到車輛發動機的動力、輪胎和路面之間的相互作用或真實汽車的轉彎能力的模型可能會在計算中增加一點負擔（由於車輛模型中增加了尺寸），但可能會提高自動駕駛車輛的整體道路性能。對於操縱而言，這一點變得更加重要，尤其是在受限空間內進行的操縱或包括車輛之間的密切相互作用。可以看出，在諸如避免碰撞的操縱中，必須考慮車輛的動力學和其他性能。
測試以及驗證
如前所述，自動駕駛技術的測試需要在經過模擬和控制實驗測試後，針對真實世界的實驗。由於現場試驗可能能夠證明自動駕駛車輛是一種安全可靠的運輸方式（Dokic等人，2015年），因此需要進行更多的試驗。首先，應考慮在所有天氣和能見度條件下自動駕駛。碰撞預測（Yu et al.，2015）中對雨雪或霧天駕駛進行了調查，但除了路線確定層面（e.g.Maddern et al.，2014），尚未將其納入自動駕駛車輛的規劃方法中。到目前為止，已經對高速公路、交叉口、環形交叉口和合流方案進行了測試，但立交橋、讓路方案和分流路段可以提高規劃方法的適用性和自主性開車。最後，還應研究基礎設施的準備程度，以及應對緊急情況，以涵蓋所有駕駛情況。
處理動態和不確定環境
自動駕駛車輛在動態和不確定的運輸環境中運行。這不僅是由於道路信號等環境的變化，以及其他道路使用者的出現和消失，還因為車輛不斷地以潛在的高速從一個地方移動到另一個地方。態勢感知和評估是為車輛規划算法提供必要信息的關鍵。人類駕駛員不僅要了解他們的意圖和現狀，而且要預測他們可能去的地方，從而保持與其他道路使用者的安全隔離
自動駕駛車輛在動態和不確定的運輸環境中運行。這不僅是由於道路信號等環境的變化，以及其他道路使用者的出現和消失，還因為車輛不斷地以潛在的高速從一個地方移動到另一個地方。態勢感知和評估是為車輛規划算法提供必要信息的關鍵。人類駕駛員不僅要了解他們的意圖和當前狀況，而且要預測他們可能移動的地方，以及他們在不久的將來可能的位置，從而保持與其他道路使用者的安全隔離。在了解靜態環境和了解ego車輛的位置和狀態方面，相對於SLAM等局部環境，已經取得了很好的進展。在跟蹤和預測移動物體（如行人、自行車和其他車輛）方面需要進行更多的研究。多目標跟蹤將在提高態勢感知方面發揮重要作用（Ding和Chen，2013；Ding等人，2015）。此外，背景/背景知識（例如道路狀況、交通法規和當地地圖/設施）可用於更好地理解其他用戶的意圖，從而減少對其未來行動的預期的不確定性（Ding等人，2015年；Liu等人，2013年）。
滾動時域概念或模型預測控制為解決車輛規劃的動態性和不確定性問題提供了最有前途的方法之一。在這種方法中，規劃是通過基於所有可用信息的固定時間範圍來制定的（Liu et al.，2010a，b），但僅實施規劃的前一小部分。在新的信息到達後，通過再次展望地平線來重複計劃。有幾個特性使這種方法非常有吸引力。首先，所有車載傳感器的範圍有限，信息超出已知範圍（Liu和Chen，2013）。其次，即使在地平線內，由於交通環境的動態性和不確定性，仍然需要重新規劃以應對變化；例如，自動駕駛車輛在接近紅綠燈時，會通過重新規劃其行動來應對交通燈的變化。第三，有限視界的使用可以減少規劃中的計算負擔，這使得實現一些計算廣泛的規划算法成為可能。儘管在這一領域開展了大量的前期工作（例如，Werling和Liccardo，2012；Kim，2013；Nilsson等人，2013），但還需要進行更多的研究，以充分探索後退地平線概念的潛力。
總結
自動駕駛或自動駕駛車輛的規劃模塊應確保乘客的安全性和舒適性。它還應使車輛處於與車輛周圍的運動學和運動模型約束相關的正確行為。本文批判性地回顧了DARPA城市挑戰裡程碑之後應用於道路自主駕駛的現有規劃方法，並著重介紹了最常用的技術。重點放在增量和局部路徑搜索，以及行為和軌跡規劃，因為文獻中已經討論了O-D對之間的全局路由。文中指出，增量路徑規劃依賴於對樹或格等數據結構的搜索，而局部路徑規劃通常是在連續的空間中進行，並從最終狀態進行採樣。在大多數情況下，機動規劃包括障礙物預測和碰撞估計，而大多數方法都缺少上下文。最後，在軌跡層面上，大多數方法都是針對靜態或動態障礙物對給定的幾何曲線進行優化或變形。
由於決策和動態障礙物的處理被發現是主要關注的領域，因此提出了基於agent的數學公式的實現和交通工程方面的融合。此外，有人建議使用其他傳感方式，例如車輛通信，這將增強車輛的視野，並提高其估計能力和定位性能。最後，提出了將動態模型納入規劃的方向，以提高現有方法的實際性能。
需要注意的是，在模擬、模型車環境、試車跑道以及最後的真實世界實驗中進行了大量的測試之後，建議的增強功能應逐步納入自動駕駛中。
參考文章
Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions -Christos Katrakazas a , Mohammed Quddus a, , Wen-Hua Chen b,1 , Lipika Deka a
Learningaboutrisk:Machinelearningforriskassessment- NicolaPaltrinieria, ,LouiseComfortb,GenserikReniersc,d,e
Driving Automation Systems Validation Overview - Altran
文中部分圖片版權歸其所有
*未經準許嚴禁轉載和摘錄-加入我們的知識星球Vehicle可以下載以上參考資料。