行為決策在自動駕駛系統架構中的位置

Claudine Badue等人以圣西班牙聯邦大學（UFES）開發的自動駕駛汽車（Intelligent Autonomous Robotics Automobile，IARA）為例，提出了自動駕駛汽車的自動駕駛系統的典型架構。

自動駕駛系統主要由感知系統（Perception System）和規劃決策系統（Decision Making System）組成。

感知系統主要由交通信號檢測模塊（Traffic Signalization Detector，TSD）、移動目標跟蹤模塊（Moving Objects Tracker，MOT）、定位與建圖模塊（Localizer and Mapper）等組成。

規劃決策系統主要由全局路徑規劃模塊（Route Planner）、局部路徑規劃模塊（Path Planner）、行為決策模塊（Behavior Selector）、運動規劃模塊（Motion Planner）、自主避障模塊（Obstacle Avoider）以及控制模塊（Controller）組成。

路徑跟蹤控制在此架構中主要是由控制模塊實現。控制模塊接收最終由自主避障模塊修改的運動計劃軌跡，計算并發送相應的控制指令給方向盤、油門和制動器的執行器，以使汽車在現實世界規則允許的情況下執行修改后的軌跡。

自動駕駛汽車路徑跟蹤控制算法，主要是控制車輛按照上層路徑規劃器規劃好的路徑進行無偏差橫縱向控制。

目前自動駕駛汽車橫向控制算法主要分為兩種，包括有模型和無模型的控制方法。

無模型橫向控制方法即傳統的比例-積分-微分控制（Proportional Integral Derivative，PID）

另一種是基于模型的橫向控制方法，其中根據控制模型的不同，控制器又可分為有基于運動學模型的控制器和基于動力學模型的控制器。

車輛運動學模型通常將車輛簡化為一個質點，即為質點模型；或將車輛的垂直方向移動忽略、將車輛的同車軸的車輪角速度相同、將車輛的朝向簡化為前輪的朝向

即簡化為自行車模型，基于該模型的控制方法主要有純跟蹤控制（Pure Pursuit）算法、Stanley 控制算法，后輪反饋控制算法（Rear wheel feedback）。

該類型控制器通常是通過控制航向角和橫向誤差來計算轉向角，易于實現，但該模型僅適用于不考慮車輛動力學的低速行駛工況，如自動泊車控制系統。

如果考慮復雜城市工況和高速交通環境時，則基于運動學模型的控制器的可靠性和魯棒性并不高，因此就需要引入車輛動力學模型。

基于車輛動力學模型的控制算法主要有線性二次型調節器（Linear Quadratic Regulator，LQR）、模型預測控制（Model Predictive Control，MPC）、滑模控制（Sliding Model Control，SMC）等

由于其考慮了車輛高速行駛時車身與外界干擾項等多重因素，如輪胎的非線性變化、車輛橫擺與側傾約束、路面曲率變化等，進一步提高了車輛行駛于復雜工況的安全性和可 靠性。

目前的車輛動力學模型通常是簡化了的二自由度單車模型，其保留了車輛的橫擺和側向運動，在能夠準確描述車輛動力學的基礎上盡量簡化了車輛模型，以減少算法的計算量，確保控制系統的實時性。