Elon Musk最近宣布，特斯拉正全力攻克自动驾驶技术的最后难关：车辆控制。他再次预言，特斯拉将在今年年底前实现完全自动驾驶。
作为这一计划的一部分，特斯拉正在转向更多地依赖神经网络来控制车辆，以减少C++控制代码的使用。虽然特斯拉正在积极训练这些神经网络，但训练计算仍然是一个限制因素。
自动驾驶的规划控制框架和方法，主要包括以下方面：
◎ 车辆超车规划与跟踪
超车是一个涉及车辆侧向和纵向运动的复杂任务。超车操作包括换道到超车道、通过前车、换道回原车道等，并需要避免与其他车辆的碰撞。超车规划涉及车辆动力学和环境约束，以及对周围障碍物的精确知识。
◎ 规划控制整体架构
自动驾驶的规划控制可分为三个主要层次：任务规划、行为规划和运动规划。任务规划涉及确定车辆的长期目标和路线，行为规划涉及制定车辆与其他交通参与者的交互行为模型，运动规划涉及确定车辆的具体轨迹和动作。
◎ 规划方法
常用的规划方法包括基于图搜索的算法（如Dijkstra和A*）、采样点搜索算法（如RRT和PRM）、模型预测控制（MPC）等。其中，MPC是一种基于模型的优化控制方法，可以显式处理约束条件，并具有较好的控制效果和鲁棒性。轨迹产生分为基于传感器和基于动力学两类方法，跟踪则采用几何法和模型法。几何法包括Pure Pursuit和Stanley方法，而模型法则是基于MPC的不同方法。
特斯拉希望整个过程能实现端到端（E2E）的控制，这目标颇具野心。近期，特斯拉开始部署超级计算机Dojo，这可能有助于加快训练支持全自动驾驶（FSD）的神经网络的速度。Dojo计划和系统改进速度的加快可能给这一目标带来一线希望。
不过，只有时间能告诉我们，特斯拉是否能实现其设置的期限并克服自动驾驶的最后一道难题。
最前沿的电子设计资讯
