一文读懂自动驾驶研究现状

　　状态空间的表征形式通常可分为拓扑表征 [CUM08] [MIL12] [FORE18] 和度量表征 [HOR13] [MUT16] [SCH18]。拓扑表征是将状态建模为图(graph)，其中节点代表重要的位置(或特征)，边表示它们之间的拓扑关系(比如位置、方向、接近程度和连通性)。这些分解的分辨率取决于环境的结构。度量表征通常是将状态空间分解成规则间隔的单元。这种分解形式并不取决于特征的位置和形状。度量表征的空间分辨率往往高于拓扑表征的。其易变性和高效性使其成为了最常用的空间表征。要了解用于创建拓扑表征的主要的基于视觉的方法，读者可参阅 Garcia-Fidalgo and Ortiz [FID15]。这里我们总结了用于计算度量表征的最重要方法，这些方法又可进一步分为离散和连续空间表征。

　　1) 离散空间度量表征

　　2) 连续空间度量表征

　　C 道路地图测绘

　　道路测绘子系统负责收集自动驾驶汽车周围的道路和车道信息，并使用几何和拓扑属性将它们表示在地图中，包括互连的区域和受限区域。道路地图测绘子系统的主要主题是地图表征和地图创建。

　　1) 道路地图表征

图 4：无人驾驶汽车 IARA 使用的道路网格地图和 RDDF 路径。

绿色和红色区域表示道路网格地图，黑点是 RDDF 路径点，这是从道路网格地图中自动提取出来的。

图 5：自动车辆项目 [BEN14] 使用的 lanelet(车道片段)地图的图模型。

红色和绿色点分别表示车道片段 A、B、C 的左和右路沿。该图展示了 A 和 C 交汇成 B 的情况。

　　2) 道路地图创建

　　D 移动目标跟踪

　　移动目标跟踪(MOT)子系统(也被称为检测与跟踪多目标/DATMO)负责检测和跟踪自动驾驶汽车所处环境中的移动障碍物的姿态。这个子系统对自动车辆的决策而言至关重要，能帮汽车避免与可能移动的物体(比如其它汽车和行人)发生碰撞。移动障碍物随时间的位置变化通常是根据测距传感器(比如 LIDAR 和 RADAR)或立体相机捕获的数据估计的。来自单目相机的图像能提供丰富的外观信息，这可用于改善对移动障碍物的假设。为了应对传感器测量的不确定性，可将贝叶斯滤波器(比如卡尔曼或粒子滤波器)用于状态预测。文献中已提出了多种用于 MOT 的方法。这里我们将给出近十年最新发表的相关文献。更早期的研究可参阅 Petrovskaya et al. [PET12]、Bernini et al. [BER14] 和 Giro et al. [GIR16]。

　　用于 MOT 的方法主要可分为六类：

　　1)基于传统方法的 MOT

　　2)基于模型的 MOT

　　3)基于立体视觉的 MOT

　　4)基于网格地图的 MOT

　　5)基于传感器融合的 MOT

　　6)基于深度学习的 MOT

　　E 交通信号检测与识别

　　交通信号检测与识别子系统负责检测和识别交通规则定义的信号，使汽车可以遵守交通法规做出正确的决策。与交通信号相关的任务有很多，本文将介绍这三大主要主题：

　　1) 交通信号灯检测与识别

　　2) 交通标志检测与识别

　　3) 路面标记检测与识别