友情链接:
合作联系
|
ASPEN培训课程
自动驾驶决策规划算法工程师、ADAS系统开发人员、人工智能算法工程师、智能车辆研究人员。
理解自动驾驶决策规划的分层架构（全局路径规划、行为决策、运动规划）。
掌握基于规则与基于学习的决策方法（状态机、决策树、强化学习）。
能够独立开发基于AI的决策规划算法，实现车辆在复杂场景下的决策与规划。
自动驾驶决策规划概述：决策规划在自动驾驶系统中的位置（感知→决策→规划→控制）；决策规划的分层结构（任务规划、行为决策、运动规划）；典型场景下的决策挑战（交叉路口、匝道汇入、无保护左转）。
全局路径规划：基于图搜索的路径规划（Dijkstra、A、D）；基于采样的规划（RRT、PRM）；车道级路径规划（考虑车道线、交通规则）；路径的平滑与优化。
行为决策基础：行为决策的任务（车道保持、换道、超车、跟车、停车）；基于有限状态机（FSM）的决策；状态机的设计（状态、事件、转移）；层次化状态机。
基于规则的决策：规则的来源（交通法规、驾驶经验）；规则库的构建；冲突解决机制（优先级）；规则的局限性（复杂场景、长尾问题）。
基于学习的决策（一）：监督学习：用人类驾驶数据训练决策模型；行为克隆（模仿学习）；输入特征（感知信息、自车状态）；输出（离散动作、连续动作）；数据集的构建与标注。
基于学习的决策（二）：深度强化学习：强化学习的基本概念（智能体、状态、动作、奖励、策略）；马尔可夫决策过程（MDP）；深度Q网络（DQN）；策略梯度方法（PPO、DDPG）；多智能体强化学习。
运动规划基础：路径规划与轨迹规划的区别；轨迹的表示（多项式曲线、样条曲线）；轨迹的约束（动力学约束、运动学约束、避障约束、舒适性约束）。
基于优化的运动规划：目标函数的设计（平滑性、效率、安全性）；约束条件的建模；优化求解方法（二次规划QP、非线性优化）；常用求解器（OSQP、IPOPT）。
基于采样的运动规划：快速扩展随机树（RRT*）；概率路线图（PRM）；采样效率的优化；轨迹的剪枝与优化。
决策与规划的耦合：行为决策对轨迹规划的指导（目标车道、目标速度）；轨迹规划对决策的反馈（可行性验证）；决策与规划的协同优化。
交互式决策：考虑其他交通参与者反应的决策；博弈论在决策中的应用（纳什均衡、Stackelberg博弈）；社会力模型；不确定性处理（部分可观测马尔可夫决策过程POMDP）。
综合实战项目：基于AI的自动驾驶决策规划算法开发（如高速公路匝道汇入、无保护左转），包含场景定义、行为决策模型（规则/强化学习）、运动规划实现、仿真环境验证与结果分析。
