无人驾驶汽车怎样认路

我们给狭义的认路下个定义，此定义只在本文范围内有效。认路是指在知道从A地到B地的大方向和大体路径以后，怎样安全到达的过程中应对实际问题的能力。
总结起来，上路行驶，汽车认路需要两种能力，识别并应对静止的目标和运动的目标的能力。
静止的目标包括，道路边际，道路标记线，路面固定的障碍；运动的目标，包括车辆，行人，小动物等各种可能出现在道路上的动态事物。
汽车怎样识别静态目标
结构化和非结构化道路
对于无人车，道路被划分成结构化道路和非结构化道路。二者的区别在于，是否具有清晰的道路边界，路面是否均匀平整具有一致的光学性质，是否具有明显的路面标识。不科学的讲，就是正规柏油马路与乡村土路的关系。
对于结构化道路，无人车的检测目标主要是道路标记线，依据对道路标记线的定位，调整自己的方向，使自身始终处于交通规则要求的正确行车位置。结构化道路的识别方法比较多，研究相对充分，已经基本满足实际应用的要求。
对于非结构化道路，无人车的检测目标是道路的边际。但自然形成的人工化低的道路，其边际模糊，不同道路的差异性大，并且路面情况也不一致，造成各种算法想要兼顾所有情况，几乎不可能。再加上离线地图在非结构化道路这方面，时常缺失。非结构化道路，是无人驾驶的难点。
交通标志的识别
识别交通标志，应用较多的方法是，先进行颜色分类，再进行形状识别；另外也有模板匹配法，直接在系统中定义出可能的交通标志模板，遇到一个标志，拿来与存储的信息进行匹配即可做出判断。每个国家和地区的交通标志都是有限量的，模板匹配是个效率较高的方法。
障碍物识别
障碍识别，常见的过程是这样的，先运用激光雷达射程远的特点，远距离扫描，发现障碍物，测量距离，确定是否是静止障碍物；再使用照相机等其他成像设备，测量其具体形状和尺寸等特性参数。视觉系统对障碍物质地的检测还比较不成熟。
汽车怎样应对动态目标
动态目标的处理要相对复杂，需要处理好连续相关的三个问题，怎样检测到障碍物，获取它的运动信息；怎样预测运动物体的轨迹，和下一时刻相对自己的位置关系；车辆自身采取怎样的应对策略，避免与运动目标发生碰撞。
获取障碍物信息
对于运动物体，依靠一次激光雷达的扫描结果是无法确定的，必须分析对比依照时间推移，不同的扫描结果之间的关系。比如在离线地图上的相对位置，1秒钟以前与现在的位置有怎样的变化，比如测量障碍物与无人车之间的距离，结合自身车速，可以判断障碍物是否移动。
预测物体运动轨迹
为了应对行进方向上的运动物体下一刻的位置，无人车倾向于对运动物体后续轨迹进行预测。根据物体当前的运动状态，推测它大概率保持当前状态继续运行。这种方式，在运动物体出现状态突变的时候，会预测失败，比如对行人的预测，失败率比较高。
在此基础上，应用一些改良手段，添加一些限制条件，比如当前的道路轨迹、交通信号；模糊控制，开放设想运动物体的可能性，比如，车辆超越行人时，设定一个较大的安全距离。改良后的预测，有用性会大大提高，但预测这件事本身，都是概率上的成功，而不可能百分之百。
避撞策略
根据前一步的预测，无人车需要作出应对策略，避免碰撞事件的发生。总体思想就是在运动物体预测轨迹上，避免自身轨迹与其预测轨迹的时空同时交汇，并保留一定的安全空间。
有的规则认为，运动物体距离较远时，对自己影响小，可以减少关注，距离较近时影响大，需要给予更过关注，也就是运算量；有的规则，综合考量自身运动状态和运动物体的状态，划定安全范围和危险范围，综合全部安全范围，规划自己的路径；有的，则采用即时反应策略，根据运动目标的变化，随时调整自己的路径规划，这个方法需要的算力非常大。
找到引路的标记，避开路上遇到的动静障碍，无人车跑起来。