自主駕駛車輛的大腦--決策系統

自主駕駛技術的發展在現今的科學領域中正逐漸成為研究的焦點。無論是在軍事還是民用領域中，自主駕駛車輛都具有著廣泛的應用前景。這份報告提供了關於自主車輛決策技術的簡要描述與比較。

自主駕駛車輛是一個綜合性的智慧系統，整合環境感知、路徑規劃、決策與運動控制四大技術。作為自主駕駛車輛的“大腦”，決策系統是對於車輛的安全和高效駕駛具有重要意義，並且如何設計高智慧、高可靠的決策系統逐漸成為該領域的研究熱點自動駕駛。

自主車輛的決策系統是整個智慧系統的核心之一，它將環境感知和路徑規劃系統協調起來。如圖一。決策系統接收環境資訊和車輛狀態作為輸入，生成高級行為和低級控制命令作為輸出。在設計決策系統時，需要考慮即時性、安全性、舒適性、錯誤檢測能力等設計準則，同時也要考慮到環境資訊、交通規則、過去與現在車輛狀態等設計約束因素。

圖一、決策系統架構

決策方法可以分為傳統方法和基於學習的方法。如圖二。在傳統方法中，包括基於規則、優化和機率的方法。然而，由於傳統方法在複雜、動態的駕駛環境中的魯棒性不佳，學習型方法逐漸成為實現更好決策的選擇。近年來，隨著新的強大計算技術的出現，學習型方法在自主車輛領域中得到了廣泛的應用和發展。

圖二、決策方法比較

傳統方法主要包括基於規則、優化和概率的方法。基於規則的方法依賴於大量的交通法規、駕駛經驗和知識，通過制定策略來做出決策。其中，最具代表性的是有限狀態機（Finite State Machine, FSM）方法。FSM根據外部事件的回應和狀態的轉換生成相應的動作。優化方法則能夠生成最佳化的決策，但假設"最優策略"並不一定符合實際應用。概率方法能夠方便地與其他方法結合，但計算效率較低，在複雜環境下很難生成最佳決策。

基於學習的方法是近年來發展起來的新興方法。統計學習、深度學習和強化學習是其中的幾種方法。統計學習方法通常在簡單的場景下表現良好，但需要大量的訓練數據且決策的準確性較低。深度學習方法在特定場景下能夠提供高準確性的決策，但在動態場景中的普適性較差。強化學習方法能夠更好地對不確定和動態環境進行建模，擁有靈活的演算法框架，但對於獎勵函數的建立高度依賴，且存在穩定性問題和過擬合現象。

在現有的自主車輛中，已經開始應用各種決策方法。這些方法在一般道路段、高速公路、城市交叉口、融合交通和環形交叉口等典型場景中得到了應用。目前仍然存在一些挑戰，例如如何處理複雜的駕駛建模、如何實現車輛和行人之間的有效互動、如何提高安全性和舒適性等。未來的研究應該關注車輛和行人之間的互動、安全性和舒適性等因素。結合不同的方法，整合感知系統，實現在複雜環境中的魯棒性將是未來研究的重點。

綜上所述，這份報告提供了關於自主車輛決策系統的簡述。自主車輛的決策系統是實現安全和有效駕駛的關鍵，決策方法的選擇對於自主車輛的性能至關重要。傳統方法和學習型方法提供了兩種不同的選擇，並且學習型方法在當今的技術發展中得到了廣泛應用。在未來的研究中，我們應該關注決策方法在不同場景下的適用性和效能，以實現真正的自主駕駛技術。

撰文：陳祖喬

Reference:

Qi Liu, Xueyuan Li, Shihua Yuan, and Zirui Li. 2021. Decision-Making Technology for Autonomous

Vehicles: Learning-Based Methods, Applications and Future Outlook. In 2021 IEEE International

Intelligent Transportation Systems Conference (ITSC). IEEE Press, 30–37.

https://doi.org/10.1109/ITSC48978.2021.9564580