原標題：無人駕駛如何進行規劃?無人駕駛如何自我控制?

無人駕駛汽車的規劃和自我控制是其實現自主駕駛的關鍵技術。以下是對這兩個方面的詳細解釋：

無人駕駛的規劃

無人駕駛的規劃主要包括任務規劃（也被稱為路徑規劃或路由規劃）、行為規劃和動作規劃。

1. 任務規劃：

• 負責相對頂層的路徑規劃，例如從起點到終點的路徑選擇。

• 可以將當前的道路系統處理成有向網絡圖，這個圖能夠表示道路和道路之間的連接情況、通行規則、道路的路寬等各種信息。

• 路徑規劃問題就變成了在路網圖中，基于某種方法選取最優（即損失最小）的路徑的過程。傳統的算法如迪科斯徹算法（Dijkstra’s Algorithm）和A算法（A Algorithm）主要用于計算離散圖的最優路徑搜索，被用于搜索路網圖中損失最小的路徑。

2. 行為規劃：

• 有時也被稱為決策制定，主要任務是按照任務規劃的目標和當前的局部情況（其他車輛和行人的位置和行為、當前的交通規則等）作出下一步無人車應該執行的決策。

• 可以把這一層理解為車輛的副駕駛，依據目標和當前的交通情況指揮駕駛員是跟車還是超車，是停車等行人通過還是繞過行人等。

• 一種常見的實現方法是使用包含大量動作短語的復雜有限狀態機（Finite State Machine，FSM）。有限狀態機從一個基礎狀態出發，將根據不同的駕駛場景跳轉到不同的動作狀態，將動作短語傳遞給下層的動作規劃層。

3. 動作規劃：

• 是規劃一系列的動作以達到某種目的（比如說規避障礙物）的處理過程。

• 配置空間是一個定義了機器人所有可能配置的集合，它定義了機器人所能夠運動的維度。在無人車的應用場景中，初始配置通常是無人車的當前狀態（當前的位置、速度和角速度等），目標配置則來源于動作規劃的上一層——行為規劃層，而約束條件則是車輛的運動限制（最大轉角幅度、最大加速度等）。

• 動作規劃的方法可以歸納為兩類：組合規劃方法和基于采樣的規劃方法。組合方法通過連續的配置空間找到路徑，而無需借助近似值；基于采樣的方法由于其概率完整性而被廣泛使用，最常見的算法如PRM（Probabilistic Roadmaps）、RRT（Rapidly-Exploring Random Tree）、FMT（Fast-Marching Trees）。

無人駕駛的自我控制

無人駕駛汽車的自我控制主要依賴于車輛的縱向控制和橫向控制技術。

1. 縱向控制：

• 即車輛的驅動與制動控制。

• 巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。

• 這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。

• 智能控制策略，如模糊控制、神經網絡控制、滾動時域優化控制等，在縱向控制中也得到廣泛研究和應用。

2. 橫向控制：

• 即方向盤角度的調整以及輪胎力的控制。

• 基于駕駛員模擬的方法，一種策略是使用較簡單的運動力學模型和駕駛員操縱規則設計控制器；另一策略是用駕駛員操縱過程的數據訓練控制器獲取控制算法。

• 控制目標一般是車中心與路中心線間的偏移量，同時受舒適性等指標約束。

在無人駕駛汽車的自我控制過程中，還需要考慮反饋控制。反饋控制被廣泛應用于自動化控制領域，其中最典型的反饋控制器當屬PID控制器（Proportional-Integral-Derivative Controller）。PID控制器的控制原理是基于一個單純的誤差信號，這個誤差信號由三項構成：誤差的比例（Proportion）、誤差的積分（Integral）和誤差的微分（Derivative）。然而，作為純反饋控制器，PID控制器在無人車控制中卻存在一定的問題，如不能對延遲建模。為了解決這一問題，可以引入基于模型預測的控制方法。

綜上所述，無人駕駛汽車的規劃和自我控制是一個復雜而精細的過程，涉及多個模塊和算法的共同作用。通過不斷的研發和優化，無人駕駛汽車的規劃和自我控制技術將不斷得到完善和提高。