決策規划技術概述
決策規划是自動駕駛的關鍵部分之一，它首先融合多傳感信息，然后根據駕駛需求進行任務決策，接着在能避開可能存在的障礙物前提下，通過一些特定的約束條件，規划出兩點間多條可選安全路徑，並在這些路徑中選取一條最優的路徑作為車輛行駛軌跡。決策規划按照划分的層面不同可分為全局規划和局部規划兩種。全局規划是由獲取到的地圖信息，規划出一條在一些特定條件下的無碰撞最優路徑；局部規划則是根據全局規划，在一些局部環境信息基礎上，能避免撞上未知的障礙物，最終到達目標點的過程。
軌跡規划技術概述：路徑規划問題最早出現在 20 世紀 60 年代末的人工智能機器人領域，特指考慮移動主體和障礙物之間的幾何關系，找到一條不發生碰撞的靜態路徑，通常表示輪式移動機器人在笛卡爾坐標下位置和姿態的關系。
運動軌跡規划是在靜態路徑規划的基礎上考慮時間因素和車輛的運動學、動力學約束條件，並根據車輛當前的位姿以及傳感器收集到周圍環境的狀態信息，考慮智能汽車的內在約束條件( 如非完整約束) 和車輛的運動學、動力學約束條件對軌跡生成的影響，規划出可行的參考軌跡。最后將軌跡以控制量的方式供給到后續的控制系統，使得車輛可以沿着相應的軌跡行駛，避免碰撞。
決策規划技術結構體系
常見的決策規划體系結構有分層遞階式、反應式以及二者是混合式。
分層遞階式體系結構
分層遞階式體系結構是一個串聯系統結構，如圖 3-1 所示
由於該結構對任務進行了自上而下的分解，從而使得每個模塊的工作范圍逐層縮小，對問題的求解精度也就相應的逐層提高，具備良好的規划推理能力，容易實現高層次的智能控制。但是也存在一些缺點：(1) 它對全局環境模型的要求比較理想化，全局環境模型的建立是根據地圖數據庫先驗信息和傳感器模型的實時構造信息，所以它對傳感器提出了很高的要求，與此同時，存在的計算瓶頸問題也不容忽視，從環境感知模塊到執行模塊，中間存在着延遲，缺乏實時性和靈活性；(2) 分層遞階式體系結構的可靠性不高，一旦其中某個模塊出現軟件或者硬件上的故障，信息流和控制流的傳遞通道就受到了影響，整個系統很有可能發生崩潰而處於癱瘓狀態。
反應式體系結構
特點是存在着多個並行的控制回路，針對各個局部目標設計對應的基本行為，這些行為通過協調配合后作用於驅動裝置，產生有目的的動作，形成各種不同層次的能力。雖然高層次會對低層次產生影響，但是低層次本身具有獨立控制系統運動的功能，而不必等高層次處理完畢。
反應式體系結構中的許多行為主要設計成一個簡單的特殊任務，所以感知、規划和控制三者可緊密地集成在一塊，占用的存儲空間不大，因而可以產生快速的響應，實時性強。同時，每一層只需負責系統的某一個行為，整個系統可以方便靈活的實現低層次到高層次的過渡，而且如若其中一層的模塊出現了預料之外的故障，剩下的層次仍能產生有意義的動作，系統的魯棒性得到了很大的提高。但是設計方面也存在一些難點：
(1) 由於系統執行動作的靈活性，需要特定的協調機制來解決各個控制回路對同一執行機構爭奪控制的沖突，以便得到有意義的結果；
(2) 除此之外，隨着任務復雜程度以及各種行為之間交互作用的增加，預測一個體系整體行為的難度將會增大，缺乏較高等級的智能。
混合式體系結構
在全局規划層次上，則生成面向目標定義的分層遞階式行為；在局部規划層次上，生成面向目標搜索的反應式體系的行為分解。
四個關鍵環節
智能駕駛決策規划系統的開發和集成基於遞階系統的層次性特征，可分為四個關鍵環節，分別是信息融合、任務決策、軌跡規划和異常處理。其中，信息融合，完成多傳感器的數據關聯和融合建立周邊環境模型；任務決策，完成智能汽車的全局路徑規划任務；軌跡規划，在不同的局部環境下，進行智能駕駛車輛的運動軌跡狀態規划；異常處理，負責智能汽車的故障預警和預留安全機制。任務決策和軌跡規划分別對智能性和實時性要求較高。
數據融合
具體技術中包括數據轉換、數據關聯、融合計算等，其中數據轉換與數據關聯在融合架構的實現中已經體現，而數據融合的核心可以認為是融合計算，其中有很多可選擇的方法，常用的方法包括：加權平均，卡爾曼濾波，貝葉斯估計，統計決策理論，證據理論，熵理論，模糊推理，神經網絡以及產生式規則等等。
任務決策
任務決策作為智能駕駛的智能核心部分，接收到傳感感知融合信息，通過智能算法學習外界場景信息，從全局的角度規划具體行駛任務，從而實現智能車輛擬人化控制融入整個交通流
軌跡規划
軌跡規划是根據局部環境信息、上層決策任務和車身實時位姿信息，在滿足一定的運動學約束下，為提升智能汽車安全、高效和舒適性能，規划決斷出局部空間和時間內容車輛期望的運動軌跡，包括行駛軌跡、速度、方向和狀態等[28]。並將規划輸出的期望車速以及可行駛軌跡等信息給入下層車輛控制執行系統。軌跡規划層應能對任務決策層產生的各種任務分解做出合理規划。規划結果的安全性、舒適性是衡量運動規划層性能的重要指標。
異常處理
異常處理作為預留的智能駕駛系統安全保障機制，一方面是在遇到不平及復雜路面易造成車輛機械部件松動、傳感部件失效等問題時，通過預警和容錯控制維持車輛安全運行；另一方面是決策過程某些算法參數設置不合理、推理規則不完備等原因導致智能汽車在行為動作中重復出現某些錯誤並陷入死循時，能夠建立錯誤修復機制使智能汽車自主的跳出錯誤死循環，朝着完成既定任務的方向繼續前進，以減少人工干預來解決問題，這是提高車輛智能化水平的必需。
具體的技術方法是：建立專家系統，就智能汽車交叉口通行中出現的錯誤狀態的表現與成因進行分析、定義與規則描述，制定判斷動作失敗的標准；研究自適應錯誤修復算法，對各錯誤狀態的成因進行分類，並相應地制定調整策略，以產生新的動作序列。
決策規划技術方法
決策規划是智能汽車導航和控制的基礎，從軌跡決策的角度考慮的，可分為全局規划和局部規划兩個層次。其中，全局路徑規划的任務是根據全局地圖數據庫信息規划出自起始點至目標點的一條無碰撞、可通過的路徑。由於全局路徑規划所生成的路徑只能是從起始點到目標點的粗略路徑，並沒有考慮路徑的方向、寬度、曲率、道路交叉以及路障等細節信息，加之智能汽車在行駛過程中受局部環境和自身狀態的不確定性的影響，會遇到各種不可測的情況。因此，在智能汽車的行駛過程中，必須以局部環境信息和自身狀態信息為基礎，規划出一段無碰撞的理想局部路徑，這就是局部路徑規划。
全局規划方法
(1) 基於狀態空間的最優控制軌跡規划方法
最優控制一般包括一到兩個性能指標，對於控制變量的取值不受約束的情況，一般用變分法進行求解；對於控制量受約束的情況，一般用極小值原理進行求解。
(2)基於參數化曲線的軌跡規划方法
B 樣條曲線由一組稱作控制點的向量來確定，這些控制點按順序連接形成一個控制多邊形，B樣條曲線就是逼近這個控制多邊形。通過確定控制點的位置，可以控制曲線的形狀。
(3)基於基於系統特征的軌跡規划方法
微分平坦法是基於系統特征的一種軌跡規划方法。微分平坦是指可以找到一組系統輸出，使得所有狀態變量和輸入變量都可以由這組輸出及其導數決定(不需積分)。
局部規划方法（也可稱之為實時路徑規划）
智能汽車進行局部路徑規划（也可稱之為實時路徑規划），一般是指在有障礙物的環境中，如何利用自身傳感器感知周邊環境，並尋找一條從當前點到目標點點的局部行駛路徑，使智能汽車在本次任務中能安全快速地到達目標位置。局部路徑規划的方法主要包括以下兩個關鍵部分：
建立環境模型，即將智能汽車所處現實世界抽象后，建立計算機可認知的環境模型；
搜索無碰路徑，即在某個模型的空間中，在多種約束條件下，選擇合乎條件的路徑搜索算法。根據不同行駛環境的特點，智能汽車局部路徑規划中的側重點和難點都會有相應不同：
-
在高速公路中，行車環境比較簡單但車速較快，此時對智能汽車控制精度要求很高，算法難點主要在於環境信息獲取的位置精度和路徑搜索的速度；
-
在城市半結構化道路中，道路環境特征性比較明顯但交通環境比較復雜，周邊障礙物較多，這就對智能汽車識別道路特征和障礙物的可靠性有較高要求，路徑規划的難點主要在於車輛周邊環境建模和避障行駛的路徑搜索，特別是對動態障礙物方向和速度預測；
-
在越野環境的非結構化道路中，智能汽車所處的環境沒有明顯的道路邊界，路面起伏不平，可能有大坑或土堆，這就對智能汽車識別周圍環境，特別是地形地勢有較高要求，路徑規划的難點主要在於車輛可通行區域的識別。
(1)基於滾動時域優化的軌跡規划方法
該方法能夠確保機器人在未知環境中安全地避開障礙物行駛，具有反應速度快的優點，能夠迅速適應變化的環境，是一種有效實用的工具，但計算量相對較大。
(2)基於軌跡片段的運動規划方法
軌跡片段包含配平軌跡和機動軌跡。其中配平軌跡是系統處於相對平衡時所經歷的軌跡，而機動軌跡則是系統從一個相對平衡躍入另外一個相對平衡所經歷的軌跡。可以通過考慮車輛的運動學和動力學約束條件，基於最優控制原理的機動軌跡設計方法和隨機采樣法，實現基於軌跡片段連接的最優運動軌跡規划和快速運動規划。但是該方法計算較為復雜，使其在實際應用中受到限制。
(3)路權分配技術
路權與車速強相關，可分為期望路權和實際路權，當兩者不一致時，就需要進行調節來解決沖突。自主駕駛是智能汽車在任意時刻對路權的檢測和使用，多車交互是車群在任意時刻對路權的競爭、占有、放棄等協同過程。自主駕駛的不確定性，體現在車輛行駛中擁有的路權在不停地發生變化。