原标题：无人驾驶如何进行规划?无人驾驶如何自我控制?

无人驾驶汽车的规划和自我控制是其实现自主驾驶的关键技术。以下是对这两个方面的详细解释：

无人驾驶的规划

无人驾驶的规划主要包括任务规划（也被称为路径规划或路由规划）、行为规划和动作规划。

1. 任务规划：

• 负责相对顶层的路径规划，例如从起点到终点的路径选择。

• 可以将当前的道路系统处理成有向网络图，这个图能够表示道路和道路之间的连接情况、通行规则、道路的路宽等各种信息。

• 路径规划问题就变成了在路网图中，基于某种方法选取最优（即损失最小）的路径的过程。传统的算法如迪科斯彻算法（Dijkstra’s Algorithm）和A算法（A Algorithm）主要用于计算离散图的最优路径搜索，被用于搜索路网图中损失最小的路径。

2. 行为规划：

• 有时也被称为决策制定，主要任务是按照任务规划的目标和当前的局部情况（其他车辆和行人的位置和行为、当前的交通规则等）作出下一步无人车应该执行的决策。

• 可以把这一层理解为车辆的副驾驶，依据目标和当前的交通情况指挥驾驶员是跟车还是超车，是停车等行人通过还是绕过行人等。

• 一种常见的实现方法是使用包含大量动作短语的复杂有限状态机（Finite State Machine，FSM）。有限状态机从一个基础状态出发，将根据不同的驾驶场景跳转到不同的动作状态，将动作短语传递给下层的动作规划层。

3. 动作规划：

• 是规划一系列的动作以达到某种目的（比如说规避障碍物）的处理过程。

• 配置空间是一个定义了机器人所有可能配置的集合，它定义了机器人所能够运动的维度。在无人车的应用场景中，初始配置通常是无人车的当前状态（当前的位置、速度和角速度等），目标配置则来源于动作规划的上一层——行为规划层，而约束条件则是车辆的运动限制（最大转角幅度、最大加速度等）。

• 动作规划的方法可以归纳为两类：组合规划方法和基于采样的规划方法。组合方法通过连续的配置空间找到路径，而无需借助近似值；基于采样的方法由于其概率完整性而被广泛使用，最常见的算法如PRM（Probabilistic Roadmaps）、RRT（Rapidly-Exploring Random Tree）、FMT（Fast-Marching Trees）。

无人驾驶的自我控制

无人驾驶汽车的自我控制主要依赖于车辆的纵向控制和横向控制技术。

1. 纵向控制：

• 即车辆的驱动与制动控制。

• 巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。

• 这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。

• 智能控制策略，如模糊控制、神经网络控制、滚动时域优化控制等，在纵向控制中也得到广泛研究和应用。

2. 横向控制：

• 即方向盘角度的调整以及轮胎力的控制。

• 基于驾驶员模拟的方法，一种策略是使用较简单的运动力学模型和驾驶员操纵规则设计控制器；另一策略是用驾驶员操纵过程的数据训练控制器获取控制算法。

• 控制目标一般是车中心与路中心线间的偏移量，同时受舒适性等指标约束。

在无人驾驶汽车的自我控制过程中，还需要考虑反馈控制。反馈控制被广泛应用于自动化控制领域，其中最典型的反馈控制器当属PID控制器（Proportional-Integral-Derivative Controller）。PID控制器的控制原理是基于一个单纯的误差信号，这个误差信号由三项构成：误差的比例（Proportion）、误差的积分（Integral）和误差的微分（Derivative）。然而，作为纯反馈控制器，PID控制器在无人车控制中却存在一定的问题，如不能对延迟建模。为了解决这一问题，可以引入基于模型预测的控制方法。

综上所述，无人驾驶汽车的规划和自我控制是一个复杂而精细的过程，涉及多个模块和算法的共同作用。通过不断的研发和优化，无人驾驶汽车的规划和自我控制技术将不断得到完善和提高。