本文将持续为大家解析主动驾驶所波及到的核心技术，上篇《感知篇》内容能够查看历史原文。
二、决策篇
在一套绝对成熟的主动驾驶技术体系中，如果将环境感知模块比作人的眼睛和耳朵，那么决策布局模块就相当于主动驾驶汽车的大脑。
主动驾驶汽车在进行决策布局时，会从环境感知模块中获取路线拓扑构造信息、实时交通信息、障碍物 (交通参与者) 信息和主车本身的状态信息等内容。
联合以上这些信息，决策规划系统会对以后环境作出剖析，而后对底层管制执行模块下达指令，这一过程就是决策布局模块的次要工作。
主动驾驶车辆架构图(图片起源：见参考资料 3)
换言之，主动驾驶汽车的行为决策与门路布局是指根据环境感知和导航子系统输入信息，通过一些特定的约束条件布局出给定多条可选平安门路，并从中选取一条最优门路作为车辆行驶轨迹的过程。
本文将具体介绍主动驾驶决策布局模块的技术构造体系、技术办法以及支流算法、芯片。
Ξ 1. 技术构造体系
主动驾驶决策布局畛域常见的技术构造体系可分为分层递阶式、反应式以及二者混合式。
1)分层递阶式体系结构
分层递阶式能够了解为一个串联构造，主动驾驶零碎的各个模块有序排列在一条直线上，上一模块解决的内容将间接进入到下一阶段，如下图所示：
分层递阶式的长处是各模块秩序明显，层层递进式的构造让每个模块所解决的工作范畴逐步放大，解决问题的准确度逐步回升，更容易实现高层次的智能管制。
不过，分层递阶构造也存在一些问题。首先，分层递阶构造须要实时调用传感器信息，对传感器的要求较高。此外，分层递阶式的布局，从环境感知到执行管制，两头存在肯定提早，不足实时性和灵活性。
最初，分层递阶式的串联构造存在可靠性不高的问题。在初中物理学上，大家都接触过电路的串联与并联常识。与并联模式相比，串联模式最大的问题就是整体零碎的任何局部都不能呈现问题，否则信息流和控制流的传递通道就会受到影响，整个零碎会随时处于解体的状态中。
2)反应式体系结构
反应式体系结构与分层递阶式体系结构的最大区别在于，反应式体系结构应用的是并联构造，如下图所示：
在反应式体系结构中，决策布局模块内容以并联模式安排，环境感知的内容会同步传输至多个决策布局模块内，可突出“感知 - 动作”的特点，易于适应齐全生疏的环境。
与分层递阶式体系结构相比，反应式构造体系占用存储空间较小，响应快，实时性高。同时，并联构造进步了整体构造的稳定性，决策布局模块内的某一层内容呈现故障，也不会影响到其余层级内容的失常运行。不过，这也进步了整体零碎运行的复杂度，须要更高等级智能技术的反对。
3)二者混合式体系结构
因为分层递阶式体系结构和反应式体系结构均存在某些问题，独自一个体系难以满足主动驾驶解决复杂多变场景的理论需要，所以混合体系结构受到越来越多的关注。
混合式体系结构将两者长处联合，全局布局与部分布局别离实用不同的体系结构，使得主动驾驶汽车可能更加适应复杂多变的实在路况。
Ξ 2. 技术办法
依据对环境信息把握水平的不同，主动驾驶门路布局可分为全局门路布局和部分门路布局两种。
1)全局门路布局
全局门路布局，又能够称之为驾驶工作布局，次要内容为行驶门路范畴的布局。
全局门路布局会在已知环境中，给主动驾驶汽车布局出一条现实门路，门路布局的精度取决于环境感知模块获取信息的准确度。这是一种事先布局，相似于咱们日常生活中罕用的“导航”性能：输出出发地与目的地，APP 就会主动布局出一条最优门路。
须要留神的是，全局门路布局须要事后晓得环境的精确信息，当环境发生变化时，布局后果很可能就会生效。
目前，罕用的全局门路布局算法有 Dijkstra 和 A * 算法，以及两者的改进型。
Dijkstra(单源最短门路)算法是由科学家 Edsger W. Dijkstra 在 1956 年提出，次要用于解决寻找图形中节点之间最短门路的问题。
Dijkstra 算法运算过程
这种算法的长处是给出的门路是最优的，然而毛病也显著，那就是计算复杂度较高，因为是向四周摸索，没有一个明确的方向。
A* 算法是由 Stanford 研究院的 Peter Hart, Nils Nilsson 以及 Bertram Raphael 在 1968 年发表，被认为是 Dijkstra 算法的扩大。
这种算法的本质为宽度优先搜寻，通过在宽度优先搜寻的根底上减少条件管制，以尽快找到指标节点。其公式示意为：f(n)=g(n)+h(n)，f(n)是从初始点经由权节点 n 到指标点的估价函数，g(n) 是在状态空间中从初始节点到 n 节点的理论代价，h(n)是从 n 到指标节点最佳门路的预计代价。
2)部分门路布局
部分门路布局，又可称之为实时门路布局。主动驾驶汽车在有障碍物的环境中，会利用自身传感器实时感知周边环境，寻找出一条最优的部分行驶门路，防止碰撞和放弃平安间隔。
部分门路布局的劣势是能够实时对布局后果进行反馈与校对，确保了主动驾驶车辆始终处于最优的驾驶门路中。毛病是不足全局环境信息，可能产生找不到正确门路或残缺门路的状况。
总体而言，全局门路布局和部分门路布局并没有实质上的区别。两者协同工作，主动驾驶车辆能够更好地布局出最优门路。
Ξ 3. 算法与芯片
目前，主动驾驶汽车罕用的行为决策算法次要有三种类型：
1)基于神经网络：主动驾驶汽车的决策零碎次要采纳神经网络确定具体的场景并做出适当的行为决策。
2)基于规定：工程师想出所有可能的“if-then 规定”的组合，而后再用基于规定的技术路线对汽车的决策零碎进行编程。
3)混合路线：联合了以上两种决策形式，通过集中性神经网络优化，通过“if-then 规定”欠缺。混合路线是最风行的技术路线。
在芯片畛域，罕用的支流主动驾驶芯片次要有两种，一种是英特尔 -Mobileye 开发的 Mobileye® EyeQX™系列车载计算平台，另一种是英伟达提供的 NVIDIA Drive PX 系列车载计算平台。
Mobileye 公司成立于 1999 年，次要指标是开发和推广交通畛域的视觉辅助零碎。其在 2017 年被英特尔公司收买，并且将其作为主动驾驶技术的研发策略外围。
以 Mobileye 公司最新的 EyeQ5 芯片为例，EyeQ5 的运算性能达到了 12Tera/ 每秒，且最多能够反对 20 个内部传感器(摄像头、雷达或激光雷达)。
此外，EyeQ5 具备异构性，齐全可编程的加速器，芯片内置的四种类型加速器均通过算法优化，更有助于实现“传感器交融”。
NVIDIA DRIVE 平台是英伟达针对主动驾驶推出的 AI 平台。其将深度学习、传感器交融和盘绕视觉技术相结合，旨在扭转驾驶体验。
NVIDIA DRIVE 平台能够实时了解车辆四周的环境变动、在高清地图上精确定位本身，还能够布局后方的平安路线。
目前，DRIVE PX2 为该产品的最新版本。其基于 16nm FinFET 工艺制作，TDP 达 250W，反对 12 路摄像头输出、激光定位、雷达和超声波传感器，单精度计算能力达到 8 TFlops，是目前先进的主动驾驶平台。
未完待续……
本文参考资料：
1.《2017 中国人工智能系列白皮书——智能驾驶》- 中国人工智能学会
2.《2018 年人工智能之主动驾驶钻研报告》-Aminer
3.《主动驾驶汽车决策与管制》- 清华大学