自动驾驶功能系统架构设计

自动驾驶——一种自上而下的方法

摘要

本文提出了一种以模块化积木系统为概念的“自动驾驶汽车”功能系统架构。该架构采用自上而下的方法，基于自动驾驶汽车的功能需求定义进行开发，并明确结合了基于感知和基于定位的方法。无论是功能需求的定义还是功能系统架构本身，均考虑了人为操作、任务完成、地图数据、定位、环境感知与自感知以及协作等方面。该功能系统架构是在布伦瑞克工业大学“城市试点”研究项目背景下开发的。

关键词 ：自动驾驶、功能系统架构、定位、地图、 V2X通信、感知、任务完成、协作

1 引言

如今，“自动驾驶”的愿景被广泛讨论。媒体正在报道该研究领域的进展，并承诺在不久的将来将其引入市场。此外，汽车公司正在竞相开发新技术，而软件公司也在与车辆制造商展开竞争。

关于市场引入的估计存在显著差异。提到的时间选项从3年到30年，甚至“永不”都有。这种高度差异可能由多种因素导致，其中包括对“自动驾驶”车辆的功能需求理解不一致。

因此，第一步（第2节）中，我们提出了针对公路上行驶的自动驾驶汽车的功能需求定义，该定义遵循自动驾驶出租车的愿景，等同于国际汽车工程师学会（SAE international）所定义的完全自动化，即SAE 5级[48]。这些功能需求包括地图数据和通信技术的使用、绝对与全球定位、环境感知与自感知、任务完成，以及将人类作为乘客和自动驾驶汽车周围近距离内的其他交通参与者进行整合。基于这些定义以及研究现状（第3节），我们提出了一种系统化开发的功能系统架构（第4节），该架构通过自上而下方法（第5节）覆盖了上述提出的功能需求。在第6节中，我们将所提出的功能系统架构与前述功能需求进行了验证。

我们的系统架构允许讨论现有的自动驾驶方法，以及完全、高度或条件自动化系统和当今的辅助系统。第5节和6节给出了一些示例。借助所提出的功能系统架构，还可以直观地展示自动驾驶汽车发展所需的进一步研究方向。

2 公共道路交通中自动驾驶路面车辆的功能需求

本文将自动驾驶汽车理解为一种自动出租车，类似于瓦亨费尔德和维纳的描述[54]。它能够在公共道路交通中“自由”行驶，因为它不受轨道、供电线路或滑触线的限制。

自动驾驶汽车由人类操作的方式非常直观。这意味着，除了服务模式外，通常只需通过输入任务来指示车辆。一般而言，道路车辆的任务包括运输任务，可能涉及人员、货物或仅仅是车辆本身的运输。在未来的系统中，监控和其他任务也可能与自动驾驶汽车相关。

在运送人类时，任务必须能够随时适应乘客的当前需求。这种调整可能是由于触发了紧急停车（参见瓦亨费尔德和维纳[54]）或增加了在餐厅、下一个洗手间或医院的中途停留。因此，自动驾驶车辆的操作界面类似于当今常见的导航系统界面，并且从系统的视图来看，相应地在最抽象层级提供（参见第4.5节）。

在公共道路交通中的应用增加了对自动驾驶汽车（在此情况下也指自动化车辆）在环境感知和驾驶行为方面的更高要求。尤其是城市环境对环境感知提出了很高的要求。车辆必须能够可靠地检测并分类静态元素（如道路走向、标志、交通信号灯）和动态元素（如交通参与者、人类、动物）。由于一致性原因，人类和机械系统必须使用相同的光学特征进行定位，因为它们共享相同的道路环境（参见例如巴尔·希勒尔等人[4],黄等人[23]）。

在这种混合交通（自动驾驶车辆和人工驾驶车辆）的情况下，本地定义的道路交通法规[54]尤为重要。它们规定了必须感知和考虑的最少环境要素（如标志、道路标线、交通参与者等）。此外，这些法规还规定了在各种情况下的行为准则。定义的情况[54, p. 6]。道路交通法规的基本部件是相互体谅、明确的行为模式以及通信与合作。

除了这些纯粹的功能需求外，负责任的行为要求还规定自动化车辆不得对其周围环境构成任何危险。因此，车辆必须了解自身的能力和技能，并根据其实际状态采取相应行动。因此，对能力的评估以及对硬件和软件的监控是另一项强制性要求（车载诊断）。此外，车辆必须具备抵抗滥用和操纵的能力。

总之，自动驾驶汽车必须处理至少以下源自上述要求的方面：
1. 运行 ：车辆必须由人类进行操作，例如定义任务。
2. 任务完成 ：车辆必须完成预期的任务。这包括导航任务、行为生成以及对执行器的控制。
3. 地图数据 ：地图数据主要用于路径规划。
4. 定位 ：车辆需要知道其全局位姿，以使用地图数据（例如导航任务）以及用于通信目的（例如车对车（V2V）或车对基础设施（V2I）通信）。
5. 环境感知 ：车辆必须感知其局部的静态和动态环境，包括可移动元素的动态。
6. 协作 ：车辆必须响应其他交通参与者（自动化车辆和人类驾驶员）的意图，并向其他交通参与者传达自身的意图。
7. 安全 ：必须确保车辆不会对其环境构成任何危险。
8. 自我感知 ：车辆需要了解其当前状态（各组件的功能能力、运动等）。

本文未讨论车内监控以及与滥用和篡改相关的安全和安全防护方面的问题。

3 相关工作

3.1 人类作为原型

假设存在人类驾驶员与自动驾驶车辆的混合交通，旨在模拟人类行为的方法显得尤为基础，因为当今的交通系统是由人类建立的，并基于人类的能力进行组织。

至少有两种著名的建模人类行为的方法，即拉斯穆森[46]和东格斯[11]的方法。拉斯穆森[46]使用三级模型，着重于人类总体上的目标导向行为。东格斯[11, 12, 13]也采用三级模型，但他专注于驾驶任务。根据他的模型，驾驶任务同样可分解为三个层次化的任务：导航、引导和稳定化。第一步，在最高层级上处理任务，执行路线规划和导航任务，这些步骤需要有关相关道路网络的数据。在下一层级，基于车辆近处环境的局部场景来处理所生成的计划和路线，该层级以开环控制为特征。引导模块所选择的机动动作随后由稳定化层级上的相应闭环控制器进行处理。

米雄提出了一个非常相似的模型[35]，黑尔等人将其与拉斯穆森的层级进行了关联[46]（见表1）。

3.2 自动驾驶

在自动驾驶领域，过去二十年中已发表了多种系统架构。早期由迪克曼斯[9], 、迪克曼斯等人[10]提出的方法，随后被毛雷尔[34],、佩尔科普[44]和西登斯伯格[49]发展，并由阿尔布斯[1]集成到实时控制系统（ RCS）中。

此外，在DARPA挑战赛期间，已发表多种架构，例如巴查等人[2],、贝克和多兰[3],、博伦等人[6],、赫杜斯等人[24],、伦纳德等人[28],、米勒等人[37],、蒙特梅尔洛等人[38],、劳斯科尔布等人[47]。这些研究均聚焦于DARPA挑战赛的明确约束条件，而这些约束条件仅部分与真实城市场景相关（参见巴·希勒尔等人[4]）。其中大多数团队决定采用基于定位的方法，因为有详细的地图数据可用。在领先的团队中，只有伦纳德等人[28]明确开发了基于感知的方法。

表1 ：根据黑尔等人的任务矩阵[17]。

布伦瑞克工业大学在参加DARPA城市挑战赛之后，继续在“城市试点”研究项目中开展自动驾驶方面的研究活动。例如，威勒[55,页 102] 针对2010年的发展状态，提出了所开发系统的自下而上描述。自动驾驶汽车“莱奥妮”的功能系统架构主要包括输入列和输出列：输入列粗略涵盖了地图、定位和感知；输出列则更详细地展示了动作规划和动作执行的结构。该架构提供了两个抽象层次，一个用于感知和执行，另一个用于态势评估和动作规划。

在诺特杜夫特提出的进一步发展阶段中[42,第 72]页，该架构采用三层设计，包含战略层、战术层和操作层。路线规划在战略层完成，车联网信息（V2X）与战术层以及决策单元相关联。传感器数据（用于定位和感知目的）则与操作层、轨迹规划器以及车辆控制相关联。该架构的主要特点是“上下文模型”，它涵盖并处理所有相关的环境信息。因此，该架构主要提供了一个包含所有相关环境信息的大型数据库，但并未对环境数据的处理提出任何结构化方案。这一点与许多其他系统架构类似（例如巴查等人[2], 、卡梅尔等人[25],、伦纳德等人[28],、蒙特梅尔洛等人[38]），这些架构均提供一个单一的“感知”模块，并包含用于处理所有环境数据的子模块，但缺乏层次结构。

3.3 研究需求

在“城市试点”项目中，针对城市环境下的自动驾驶研究（特别是围绕核心的“上下文模型”）发现，环境建模不仅仅是对其他车辆的跟踪，其复杂性显著增加，因为车辆不仅要在“共享空间”中行驶，1还必须根据车道标线、交通信号灯和交通标志，考虑基于本地交通法规的各种规则以及协同方面等因素。

模块化和层次化结构是管理这种高复杂性的常用机制。观察DARPA城市挑战赛中的系统架构，这种系统开发策略已在任务处理中得到确立：整个驾驶任务通常被划分为多个（大多数情况下为三个）子任务。在许多项目中，模块化等同于东格斯[11]的理念。但在处理来自各种来源的数据（例如地图数据、自身的车载感知系统，或通过车对车通信接收到的其他交通参与者或基础设施的感知系统）以及协同方面的集成上，整个系统的模块化和结构化仍然不足。根据东格斯[11]和拉斯穆森[46], 的模型，任务完成的每个抽象层次都需要对环境特征的表示具有相应的抽象层次。

由于在城市环境中自动驾驶时，整个驾驶任务所涉及的子任务日益增加的复杂性，一个关键问题是如何在多大程度上能够独立于车辆的当前任务来处理环境数据。换句话说，哪些步骤真正属于“感知”，而哪些步骤已经属于对感知数据的功能特定解释。明确区分这两者将有助于为高级驾驶辅助系统开发出应用无关的环境感知（如Holder等人[21]中所讨论的）。“应用无关”在此意味着环境感知必须满足后续应用各自的最高要求，而不再像当前的自适应巡航控制（ACC）或盲点辅助系统那样针对某一特定应用进行专门化。

由于上述日益增加的复杂性，再用处理步骤来表示已不再方便。仅需一个“感知”模块即可实现一致的环境模型。在所介绍的架构中，只有米勒等人[37],阿尔布斯[1]和毛雷尔[34]明确考虑了环境数据的逐步抽象。但即使是这些提案也未考虑协作方面，且未系统性地利用地图数据，缺乏透明性。

特别是地图数据的使用通常仅被视为环境传感器的附加数据输入（米勒等人[37]和伦纳德等人[28]除外）。可能由于详细地图数据的存在，开发者容易误将其不仅用于扩展视野，还用作环境感知算法和传感器的替代。例如，在某些方法中，道路的走向根本没有被感知和建模，而是将道路检测问题简化为地图相对定位问题（如蒙特梅尔洛等人[38],、威勒[55]或Szczot等人[50]）。这些方法在安全方面存在明显缺陷，因为在地图数据创建与使用之间存在环境观测中断，无法保证地图数据的时效性。只有实时感知系统（无论是车载系统或作为智能基础设施的一部分）才能确保环境数据的时效性。因此，针对整个场景（静态和动态环境特征）的实时感知系统必须纳入功能系统架构中。

我们开发整体功能系统架构的动机是，结合已发表的系统架构中的多个方面，以找到一种功能系统架构，该架构涵盖第2节中定义的自动驾驶汽车的所有方面，并体现在一个系统描述中，从而也可用作开发具有较少功能需求的较简单系统的基础构建系统。

4 功能系统架构

4.1 总体架构

在此架构提案的背景下（见图1），单车被视为上级系统的一部分。所开发的架构结合了已发布架构中部分元素，这些元素考虑了城市交叉路口辅助和自动驾驶。

系统架构的主要结构是一种类似于Bonazzo等人[7],、东格斯[12],、毛雷尔[34],、诺特杜夫特[42]和Du等人[14]所提出的多层设计的三层设计。Du等人[14]还引入了三个层级。

分辨率级别被分配给上述系统架构的三个层级，如下所示：
– 战略层：规划，宏观尺度分辨率，
– 战术层：决策，中观尺度分辨率，
– 操作层：反应式稳定（微观尺度分辨率）。

这三个层级在分辨率、时间范围和精度（关于时间和空间）、相关环境特征、任务以及周期时间等方面存在差异。

与这三个层级正交的方向上，我们引入了“绝对全局定位”、“外部数据”、“感知”（包括环境感知和自我感知）以及“任务完成”等列。该系统核心（由车辆和基础设施组成）通过传感器、执行器和通信设备与人类或其他自动化交通参与者进行数据交换。

“感知”和“任务完成”这两列属于研究现状，已包含在许多系统架构中（例如贝克和多兰[3],迪克曼斯[9],伦纳德等人[28],蒙特梅尔洛等人[38],威勒[55]）。它们通常属于基于车辆的视角，这意味着环境是相对于车辆来描述的inrelation to thevehicle。在这种情况下，不需要绝对全局定位。

相反，绝对全局定位和外部数据从另一个角度描述了整个系统“世界与车辆”：它们在一个绝对的全局参考坐标系中描述环境，而全局定位确定车辆相对于环境的位姿inrelation tothe environment。

下文将详细讨论所介绍的“绝对全局定位”、“外部数据”、“感知”和“任务完成”各列。

4.2 全局定位

车辆的绝对全局定位在两个应用领域中是必需的：外部数据集成（多个交通参与者之间的地图数据共享使用以及通过车对车（V2V）或车对基础设施通信（V2I）进行的数据交换），以及在缺乏局部环境特征的环境中（例如在沙漠中）实现车辆的稳定化。特别是中央服务器上的自动地图更新构想（参见Visintainer和Darin[53]以及Deragården和Thomas[8]），只有依靠绝对全局位姿才能实现。

在当今的系统中，输入数据来自不同的全球导航卫星系统（GNSS）。在我们的架构背景下，定位解决方案的精度（正确度和精确度）决定了其适用的层级。当今的标准GNSS接收器的位置误差可达20米。因此，它们仅适用于具有宏观尺度位姿的strategical层级。某些方法可以提高位置的正确度（例如差分全球定位系统， DGPS）及其精确度（例如通过将运动估计融合到位置估计中）。这些方法使得定位解决方案的应用——视情况而定——可以在tactical甚至operational层级进行。

根据安全要求和具体的系统设计，可能需要满足运行级别限制的具有微观尺度精度的绝对全局位姿。然而，由于卫星遮挡、多径传播或其他效应，特别是在城市环境中会出现定位误差。因此，最先进的系统无法保证在自动驾驶（至少在城市环境中）所需的微观尺度位姿精度下的足够可用性[41,第314f页]摩尔等人[39]提出了一种用于稳定任务的局部参考坐标系，该坐标系不直接依赖GNSS支持。

4.3 外部数据

4.3.1 处理后的数据

所有在主车辆外部感知或生成的环境数据（例如由其他车辆或人工创建），并通过无线通信或数据存储介质提供的，均属于“外部数据”。“外部数据”也可被理解为一个世界模型（不仅是环境模型），通常定义在一个全局（或更通用的：公共）参考坐标系中，否则将无法供多个用户使用。“外部数据”模块包括：
– 关于静态环境的数据，下文称为环境（地图数据、交通信号灯状态、天气状况，根据Geyer等人[16]定义），
– 关于可移动环境的数据（交通拥堵、危险信息、临时道路封闭、车联网（V2X）（车对基础设施（V2I）和车对车（V2V））目标列表等），
– 通过V2X获取的其他交通参与者的请求和状态信息，
– 主车的全局位姿（地图相对或绝对），以支持V2X和地图数据的使用。

根据架构中的抽象层次，外部数据提供了不同级别的精度、表示形式和变化的时间跨度。例如，有关交通拥堵和危险情况以及临时道路封闭的信息（根据其详细程度）属于战略或战术层级。这些信息已应用于当今的导航系统，并通过交通消息通道（TMC）或互联网发送到车辆。

与车道相关联的交通信号灯状态，从而将其位置精度降低至车道级精度，也是战术层表示的一部分（见图2）。操作层的一个示例是由基础设施感知到的交通参与者假设生成的目标列表（例如，霍梅尔和沃尔夫[22]）。

4.3.2 输入和输出

作为第一步，该架构向“外部数据”池中提供两个数据输入：绝对全局位姿以及局部环境数据，后者体现为协同环境感知。第三个输入来自地图供应商提供的数据。此外，该架构还隐含了第四个输入：通过V2X接收驾驶员意图。因此，“外部数据”被设计为一个中心化世界模型，由所有交通参与者同时使用。

4.3.3 数据处理

在“外部数据”模块的处理中，一项基本任务是准备地图数据，使其能够在车辆参考系统中用于“环境感知”模块内的数据处理。这需要确定一个map-relative pose，该位姿可通过相应的地图匹配方法获得（例如，参见 Quddus等人[45]）。在全局精确地图的特殊情况下，匹配过程得到的位姿等于绝对全局位姿，从而实现地图辅助定位（目前在文献中尚未一致使用）。

在外部数据处理中的另一项任务是融合来自多个（交通）参与者推导出的环境特征（世界建模）。

在操作层面上，这些特征可能是点状地标（在基于对象的表示中）或基于网格的表示的一部分（另请参见 Elfes[15]中的“视图”、“局部地图”、“全局地图”）。对于结构化环境中的道路车辆，在战术层面上的相关特征由车道走向及其关联的速度限制或行驶方向描述。所有这些特征都可以存储在历史记录中，以及在战略层面上更加抽象的道路走向及其拓扑信息。

出于制图目的，需要两种不同的全局定位解决方案：需要一个地图相对姿态来更新语义数据（如交通流量、交通标志）

或车道数量），并且需要一个绝对全局位姿来纠正几何误差或添加缺失的特征，如道路、车道或点状地标（取决于抽象层次）。

如果系统中不包含绝对全局位置，则该建图问题可简化为已知的同步定位与建图问题（SLAM问题）（例如特龙等人[51]）和环路闭合问题（例如米尔福德和怀思[36]）。然而，一个ex-由于缺乏公共参考坐标系，本地存储的数据无法与其他交通参与者进行交换。车辆随后在其自身世界中导航。

在地图数据中，通过引入模型假设可以实现抽象层次的转换，这类似于环境感知中的处理过程（见第4.4节）。以车道级地图为例：可以通过道路级地图、车道数量和车道宽度等信息（例如参见Knaup和Homeier[26]或穆勒等人[40]）推导出车道级地图（存在一定误差）。此处理过程描述了抽象层次的降低。为了实现抽象层次的提升，则进行逆向处理：可通过具有详细车道边界的地图生成车道级地图，也可通过计算车道支撑点的平均值等方式从车道级地图生成道路级地图。

环境中不同表示的示意图如图2所示。

4.4 感知

4.4.1 处理后的数据

在最低的操作层，重点是从传入的传感器数据中提取精确且准连续的值。“环境感知”模块的算法确定车辆周围近距离内对象的尺寸、位置、速度、颜色和其他特征。因此，主要处理的是几何值。“自我感知”模块处理用于表示车辆内部状态的数据。

操作层向更高层级的战术层输出的内容包括车辆状态、天气状况、交通信号灯和（可变信息）标志的状态、车道标线走向、其他交通参与者的位置和运动，以及静态凸起周围环境的图像。所有这些环境特征在此步骤之前均被独立处理，并传输至任务完成模块，用于高频闭环控制。

操作层的典型算法包括对象和车道跟踪方法或基于网格的方法用于静态环境的处理[例如31–33]。

战术层级的主要部分是所谓的上下文或场景建模。Ulbrich等人[52]提供了相关概述。其重点是将独立感知到的环境特征置于关联上下文中。第一步构建“环境”（静态环境），例如将交通信号灯和静止障碍物关联到特定车道。第二步需将此环境与可移动环境特征相结合，以形成完整场景（根据Geyer等人[16]的定义）。在此步骤中，例如将其他交通参与者关联到特定车道（参见Knaup和Homeier[26]）。因此，在该抽象层级上，除了几何和拓扑信息外，语义信息也最为重要。此外，一个完整场景还包括抽象化的车辆状态，并将其传输至任务完成模块。

在strategical层面，环境在宏观尺度层以更为抽象的方式被观察。相关特征包括道路网络以及宏观交通流的信息。在此抽象层次上的主要信息是拓扑结构，即道路的连接关系，这对于路线规划至关重要。几何和语义信息仍然可用，并且对于规划优化路径和遵循规划路线等任务也是必要的。

4.4.2 输入和输出

从三个不同的来源接收要处理的数据（见图3）：
1. 车辆传感器（Knoll和Christaller所述的内部传感器[27]），
2. 环境传感器（Knoll和Christaller所述的外部传感器[27]），
3. 外部数据（见第4.3节）

除了经典的自动驾驶车辆架构外，来自环境感知的数据不仅传输给任务完成模块，还以协作或协同机制的方式传输给外部接收者（例如，通过V2V与周边附近的交通参与者，或通过V2I通信与中央服务，参见第4.3节）。此类数据的获取如今已通过手机跟踪甚至人工方式实现：驾驶员向广播电台报告当前的交通拥堵或交通管制情况，从而与其他交通参与者共享信息。这些信息通常以地图相对位姿进行通信（示例：在高速公路⋯⋯A出口和B出口之间，因事故造成15公里拥堵，延误40分钟）。

4.4.3 数据处理

感知模块涵盖了环境感知和自车感知，是该架构中自动驾驶车辆的核心模块。所有关于车辆周围环境及车辆状态的信息都在此模块中进行汇总，并为后续任务执行中的处理做好准备。

在每一层，都需要通过引入模型假设来对下一层的数据进行抽象。从概念上讲，也可以整合来自外部源的数据。图3概述了环境感知的方法和处理步骤，以及它们对应的抽象层次。

除了环境感知外，自感知也是本栏目的组成部分。只有详细了解车辆的状态，才能使自动驾驶车辆避免做出可能对系统或环境造成危害的决策。自身状态包括每个传感器和执行器的状态、燃油和电池电量以及车轮的转向角或旋转速率。

关于部件自我表征和自我感知的更详细讨论见毛雷尔[34],西登斯伯格[49],佩尔科普[44],或Bergmiller[5]。

4.5 任务执行

4.5.1 处理后的数据

任务完成处理已定义的任务。该处理分为三个步骤：战略层规划、战术层决策和操作层执行。

根据东格斯[12]以及杜等人提出的概念[14]，上述不同特征在每个抽象层级上都有所体现（见图2和3）：
– 战略层：道路网络与交通流，macro-scale信息；
– 战术层：抽象的局部场景，包含景观与可移动环境特征，中观尺度信息；
– 操作层：用于反应式避障和车辆稳定化的精确几何值，micro-scale信息。

4.5.2 输入和输出

乘客指示自动驾驶汽车的方式仅限于战略层面（根据第2节）。对于驾驶辅助系统，在其他层面上，车辆与乘客或驾驶员之间还存在额外的交互可能性。例如，在战术层面，驾驶员可以选择一种机动操作，或在自适应巡航控制情况下选择与前方车辆的时间间隔。

任务完成的结果不仅需要执行（图1中的向下信息流），还必须进行通信（图1中的向右信息流）。这种通信可以通过多个通道进行（光学、触觉、声学）。

在自动化车辆的情况下，车辆内的接收者是乘客。在辅助系统的情况下，接收者是驾驶员。车辆外部的通信则面向其他交通参与者，在更广泛的意义上也包括动物。通信通过光学方式（例如战术层的转向指示灯或操作层的刹车灯）、声学方式（例如战术层的喇叭）或通过车对车通信实现。

4.5.3 数据处理

在任务完成过程中，任务逐步具体化为考虑环境信息的操纵值。该过程如图3所示。

完成任务的首要任务是导航任务，根据东格斯[12]的讨论，该任务在最高级别的strategical层面执行。道路车辆从环境中所需的数据是包含当前交通流信息的道路网络。

根据这些数据规划一条路线，该路线会考虑乘客定义的优化标准。通常，每个任务输入只需执行一次。但由于运行时交通流量信息的变化或额外检测到的道路，规划路线可以在线调整。生成的路线应通信（可视化）给乘客以供验证。

路径规划完成后，由于车辆的移动，车辆周围的环境会相对发生变化。在战术层面向车辆引导输出的是下一个导航点，这一点在当前的导航系统中已经为人所知（例如“500米后左转”）。对于驾驶员辅助系统而言，该提示同时也是向驾驶员发出的声音通信方式，还可以补充例如当前的交通中断等信息。

战术层（或根据东格斯[12]的引导层）从战略层接收下一个导航点的输入，间接获得当前任务。感知模块提供抽象且与应用无关的场景信息，包括车辆在该场景中的位姿。态势评估模块现在结合当前任务（即下一个导航点）分析该场景，并提取场景中的相关元素。如果检测到危险情况，此结果可以通过不同方式与其他交通参与者进行通信，例如：
– 通过喇叭进行声学通信，
– 使用大灯闪光器或危险警示灯进行光学通信，或
– 通过V2X向其他自动化车辆通信

在辅助系统出现信息或处于危险情况发出警告时，也可以向驾驶员传达。

决策单元根据交通法规和当前情况选择驾驶操作。在某些情况下，所选择的操作必须向局部环境通信（例如变道或转弯操作）。这种通信也通过相应的技术组件（如转向指示灯）或通过V2X实现。喇叭、转向指示灯、倒车灯、近光灯和远光灯以及在危险情况下的警告，均属于战术tactical层级的通信部件。在此层级上采用简单的开环控制（依据东格斯[12]）。

在操作层执行具有特征参数的期望驾驶机动。环境感知通过传感器数据的基于模型的滤波机制提供特征信息。轨迹生成（明确不是轨迹规划，因为规划通常在战略层进行，且时间范围更长）计算车辆的基于时间和空间的标称位置，从而实现对车辆应用了考虑当前环境数据的闭环控制。因此，轨迹生成被归类为叠加式闭环控制。

下级闭环控制器的任务是实现由轨迹计算生成的标称位置。此类下级闭环控制器的输出是针对发动机、制动或转向系统的操纵量。通过这种方式，该层级具有来自内部和外部传感器的直接反馈，从而实现闭环控制（论证类似于东格斯[12]）。

制动机动期间的刹车灯或向驾驶员触发光学、触觉或声学警告（例如在发生非预期车道偏离时）从系统角度来看，属于操作层通信选项的一部分。

5 根据功能需求进行检查

根据赫茨伯格等人[20]，所提出的架构是一种混合架构，结合了串行和并行架构的优点。我们的方法可以理解为对迪克曼斯[9],、毛雷尔[34],和佩尔科普[44]工作的扩展。

在我们的架构中，上述自主道路机动车的要求将按如下方式进行考虑：
1. 运行 ：该架构为乘客提供了一个双向接口（见第4.5节）。
2. 任务完成 ：该架构采用一种广泛使用的三级方法来实现任务：战略层面规划、战术层面决策以及操作层执行（见第4.5节）。
3. 地图数据 ：在系统内，地图数据在多个抽象层次中被考虑。此外，还描述了地图数据向相邻抽象层次的转换。另外，自动地图更新机制以及可移动环境（交通参与者）相关数据交换也包含在该概念中（参见第4.3节）。
4. 定位 ：该架构考虑了两种全局定位的变体——仅基于定位和运动传感器的绝对全局定位（见第4.2节）和地图相对定位（见第4.3节）。此外，基于运动估计的位置估计也是该概念的一部分（见第4.4节）。当存在全局位置时，不属于该系统的一部分，解决SLAM问题的方法在此架构中被视为局部地图相对姿态（见第4.3节）。因此，我们整合了四种不同的定位解决方案（扩展了摩尔等人[39]的研究）。
5. 环境感知 ：架构的核心要素是环境感知。在此模块中，所有外部信息被整合为车辆周围环境的一致图像（参见第4.4节）。
6. 协作 ：协作在多个方面被考虑。该概念允许车辆向其环境发送环境数据（协作）、意图或操纵量（参见第4.4节和4.5节）。这些信息也可以作为外部数据从其他交通参与者接收（参见第4.3节）。在战术层面的“引导”模块中，主要实现了与其他交通参与者的显式交互意义上的协作。
7. 安全 ：这一方面部分由自感知及其在场景中的集成来覆盖。此外，该架构使功能冗余变得透明：理论上，所需的环境数据可以完全从外部数据获得，或完全从环境感知获得，或者——这可能是并行冗余的情况——同时从外部数据和环境感知获得。如果这两个独立来源的信息不再一致，则必须应用相应的机制以保持在安全状态，因为在自动驾驶情况下，驾驶员不再可作为后备解决方案。
8. 自我感知 ：作为感知的一部分，自我感知提供有关车辆状态及其运动的信息（见第4.4节）。

此外，当今的驾驶辅助系统可以归入所介绍的抽象层次。诸如电子稳定控制系统(ESC)、防抱死制动系统(ABS)、车道偏离预警(LDW)等系统主要在操作层运行。它们的任务侧重于车辆的稳定化，例如ABS或ESC情况下的物理极限，或车道偏离预警(LDW)涉及环境且具有较短预览时间的情况。自适应巡航控制系统(ACC-system)则同时工作在操作层和战术层。特别是选择相关的ACC目标是战术层的一个过程，而对与前方车辆距离的闭环控制则属于操作层。当今的导航系统主要位于战略层。

6 结论

本文提出了一种面向道路自动驾驶机动车的整体功能系统架构，该架构通过对外部数据（如地图数据和车联网信息）的系统性集成扩展了现有架构。我们明确地将感知驱动型方法（例如伦纳德等人[28]）和定位驱动型方法（例如Bachaet al.[2],蒙特梅尔洛等人[38],诺特杜夫特等人。[43],劳斯科尔布等人[47],威勒等人[56]）结合在一个统一的系统描述中。因此指出了两种不同的信息流路径（见图1）：一条是从外部传感器经由环境感知直接到任务完成的短回路，另一条是经过全局定位和外部数据再到任务完成的较长回路。此外，考虑双向通信允许实现自动地图更新，并且我们识别出了四种不同的定位解决方案。

所提出的系统架构还允许讨论战术层在未来系统中的作用。高级驾驶辅助系统，例如交叉路口辅助系统（参见Mages等人[29]或Herrmann[19]），表明无碰撞驾驶需要更长的时间范围。仅基于运动学参数的预测无法产生可用的结果，尤其是在城市内部场景中。在这些情况下，必须至少考虑环境（例如车道走向和交通信号灯）甚至场景（包括其他交通参与者）来预测可移动环境。此外，协同驾驶以及本地交通规则的考虑主要在战术层上进行。因此，我们预计战术层在未来系统中将承担更加重要的作用。