决策规划技术概述
决策规划是自动驾驶的关键部分之一，它首先融合多传感信息，然后根据驾驶需求进行任务决策，接着在能避开可能存在的障碍物前提下，通过一些特定的约束条件，规划出两点间多条可选安全路径，并在这些路径中选取一条最优的路径作为车辆行驶轨迹。决策规划按照划分的层面不同可分为全局规划和局部规划两种。全局规划是由获取到的地图信息，规划出一条在一些特定条件下的无碰撞最优路径；局部规划则是根据全局规划，在一些局部环境信息基础上，能避免撞上未知的障碍物，最终到达目标点的过程。
轨迹规划技术概述：路径规划问题最早出现在 20 世纪 60 年代末的人工智能机器人领域，特指考虑移动主体和障碍物之间的几何关系，找到一条不发生碰撞的静态路径，通常表示轮式移动机器人在笛卡尔坐标下位置和姿态的关系。
运动轨迹规划是在静态路径规划的基础上考虑时间因素和车辆的运动学、动力学约束条件，并根据车辆当前的位姿以及传感器收集到周围环境的状态信息，考虑智能汽车的内在约束条件( 如非完整约束) 和车辆的运动学、动力学约束条件对轨迹生成的影响，规划出可行的参考轨迹。最后将轨迹以控制量的方式供给到后续的控制系统，使得车辆可以沿着相应的轨迹行驶，避免碰撞。
决策规划技术结构体系
常见的决策规划体系结构有分层递阶式、反应式以及二者是混合式。
分层递阶式体系结构
分层递阶式体系结构是一个串联系统结构，如图 3-1 所示
由于该结构对任务进行了自上而下的分解，从而使得每个模块的工作范围逐层缩小，对问题的求解精度也就相应的逐层提高，具备良好的规划推理能力，容易实现高层次的智能控制。但是也存在一些缺点：(1) 它对全局环境模型的要求比较理想化，全局环境模型的建立是根据地图数据库先验信息和传感器模型的实时构造信息，所以它对传感器提出了很高的要求，与此同时，存在的计算瓶颈问题也不容忽视，从环境感知模块到执行模块，中间存在着延迟，缺乏实时性和灵活性；(2) 分层递阶式体系结构的可靠性不高，一旦其中某个模块出现软件或者硬件上的故障，信息流和控制流的传递通道就受到了影响，整个系统很有可能发生崩溃而处于瘫痪状态。
反应式体系结构
特点是存在着多个并行的控制回路，针对各个局部目标设计对应的基本行为，这些行为通过协调配合后作用于驱动装置，产生有目的的动作，形成各种不同层次的能力。虽然高层次会对低层次产生影响，但是低层次本身具有独立控制系统运动的功能，而不必等高层次处理完毕。
反应式体系结构中的许多行为主要设计成一个简单的特殊任务，所以感知、规划和控制三者可紧密地集成在一块，占用的存储空间不大，因而可以产生快速的响应，实时性强。同时，每一层只需负责系统的某一个行为，整个系统可以方便灵活的实现低层次到高层次的过渡，而且如若其中一层的模块出现了预料之外的故障，剩下的层次仍能产生有意义的动作，系统的鲁棒性得到了很大的提高。但是设计方面也存在一些难点：
(1) 由于系统执行动作的灵活性，需要特定的协调机制来解决各个控制回路对同一执行机构争夺控制的冲突，以便得到有意义的结果；
(2) 除此之外，随着任务复杂程度以及各种行为之间交互作用的增加，预测一个体系整体行为的难度将会增大，缺乏较高等级的智能。
混合式体系结构
在全局规划层次上，则生成面向目标定义的分层递阶式行为；在局部规划层次上，生成面向目标搜索的反应式体系的行为分解。
四个关键环节
智能驾驶决策规划系统的开发和集成基于递阶系统的层次性特征，可分为四个关键环节，分别是信息融合、任务决策、轨迹规划和异常处理。其中，信息融合，完成多传感器的数据关联和融合建立周边环境模型；任务决策，完成智能汽车的全局路径规划任务；轨迹规划，在不同的局部环境下，进行智能驾驶车辆的运动轨迹状态规划；异常处理，负责智能汽车的故障预警和预留安全机制。任务决策和轨迹规划分别对智能性和实时性要求较高。
数据融合
具体技术中包括数据转换、数据关联、融合计算等，其中数据转换与数据关联在融合架构的实现中已经体现，而数据融合的核心可以认为是融合计算，其中有很多可选择的方法，常用的方法包括：加权平均，卡尔曼滤波，贝叶斯估计，统计决策理论，证据理论，熵理论，模糊推理，神经网络以及产生式规则等等。
任务决策
任务决策作为智能驾驶的智能核心部分，接收到传感感知融合信息，通过智能算法学习外界场景信息，从全局的角度规划具体行驶任务，从而实现智能车辆拟人化控制融入整个交通流
轨迹规划
轨迹规划是根据局部环境信息、上层决策任务和车身实时位姿信息，在满足一定的运动学约束下，为提升智能汽车安全、高效和舒适性能，规划决断出局部空间和时间内容车辆期望的运动轨迹，包括行驶轨迹、速度、方向和状态等[28]。并将规划输出的期望车速以及可行驶轨迹等信息给入下层车辆控制执行系统。轨迹规划层应能对任务决策层产生的各种任务分解做出合理规划。规划结果的安全性、舒适性是衡量运动规划层性能的重要指标。
异常处理
异常处理作为预留的智能驾驶系统安全保障机制，一方面是在遇到不平及复杂路面易造成车辆机械部件松动、传感部件失效等问题时，通过预警和容错控制维持车辆安全运行；另一方面是决策过程某些算法参数设置不合理、推理规则不完备等原因导致智能汽车在行为动作中重复出现某些错误并陷入死循时，能够建立错误修复机制使智能汽车自主的跳出错误死循环，朝着完成既定任务的方向继续前进，以减少人工干预来解决问题，这是提高车辆智能化水平的必需。
具体的技术方法是：建立专家系统，就智能汽车交叉口通行中出现的错误状态的表现与成因进行分析、定义与规则描述，制定判断动作失败的标准；研究自适应错误修复算法，对各错误状态的成因进行分类，并相应地制定调整策略，以产生新的动作序列。
决策规划技术方法
决策规划是智能汽车导航和控制的基础，从轨迹决策的角度考虑的，可分为全局规划和局部规划两个层次。其中，全局路径规划的任务是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径。由于全局路径规划所生成的路径只能是从起始点到目标点的粗略路径，并没有考虑路径的方向、宽度、曲率、道路交叉以及路障等细节信息，加之智能汽车在行驶过程中受局部环境和自身状态的不确定性的影响，会遇到各种不可测的情况。因此，在智能汽车的行驶过程中，必须以局部环境信息和自身状态信息为基础，规划出一段无碰撞的理想局部路径，这就是局部路径规划。
全局规划方法
(1) 基于状态空间的最优控制轨迹规划方法
最优控制一般包括一到两个性能指标，对于控制变量的取值不受约束的情况，一般用变分法进行求解；对于控制量受约束的情况，一般用极小值原理进行求解。
(2)基于参数化曲线的轨迹规划方法
B 样条曲线由一组称作控制点的向量来确定，这些控制点按顺序连接形成一个控制多边形，B样条曲线就是逼近这个控制多边形。通过确定控制点的位置，可以控制曲线的形状。
(3)基于基于系统特征的轨迹规划方法
微分平坦法是基于系统特征的一种轨迹规划方法。微分平坦是指可以找到一组系统输出，使得所有状态变量和输入变量都可以由这组输出及其导数决定(不需积分)。
局部规划方法（也可称之为实时路径规划）
智能汽车进行局部路径规划（也可称之为实时路径规划），一般是指在有障碍物的环境中，如何利用自身传感器感知周边环境，并寻找一条从当前点到目标点点的局部行驶路径，使智能汽车在本次任务中能安全快速地到达目标位置。局部路径规划的方法主要包括以下两个关键部分：
建立环境模型，即将智能汽车所处现实世界抽象后，建立计算机可认知的环境模型；
搜索无碰路径，即在某个模型的空间中，在多种约束条件下，选择合乎条件的路径搜索算法。根据不同行驶环境的特点，智能汽车局部路径规划中的侧重点和难点都会有相应不同：
-
在高速公路中，行车环境比较简单但车速较快，此时对智能汽车控制精度要求很高，算法难点主要在于环境信息获取的位置精度和路径搜索的速度；
-
在城市半结构化道路中，道路环境特征性比较明显但交通环境比较复杂，周边障碍物较多，这就对智能汽车识别道路特征和障碍物的可靠性有较高要求，路径规划的难点主要在于车辆周边环境建模和避障行驶的路径搜索，特别是对动态障碍物方向和速度预测；
-
在越野环境的非结构化道路中，智能汽车所处的环境没有明显的道路边界，路面起伏不平，可能有大坑或土堆，这就对智能汽车识别周围环境，特别是地形地势有较高要求，路径规划的难点主要在于车辆可通行区域的识别。
(1)基于滚动时域优化的轨迹规划方法
该方法能够确保机器人在未知环境中安全地避开障碍物行驶，具有反应速度快的优点，能够迅速适应变化的环境，是一种有效实用的工具，但计算量相对较大。
(2)基于轨迹片段的运动规划方法
轨迹片段包含配平轨迹和机动轨迹。其中配平轨迹是系统处于相对平衡时所经历的轨迹，而机动轨迹则是系统从一个相对平衡跃入另外一个相对平衡所经历的轨迹。可以通过考虑车辆的运动学和动力学约束条件，基于最优控制原理的机动轨迹设计方法和随机采样法，实现基于轨迹片段连接的最优运动轨迹规划和快速运动规划。但是该方法计算较为复杂，使其在实际应用中受到限制。
(3)路权分配技术
路权与车速强相关，可分为期望路权和实际路权，当两者不一致时，就需要进行调节来解决冲突。自主驾驶是智能汽车在任意时刻对路权的检测和使用，多车交互是车群在任意时刻对路权的竞争、占有、放弃等协同过程。自主驾驶的不确定性，体现在车辆行驶中拥有的路权在不停地发生变化。