1.3.2 决策

面对动态道路环境，自动驾驶汽车面临诸多挑战。这些挑战充满了不确定性和物体运动的不可预测性，例如道路封闭、事故清理等。其主要的挑战是在复杂的驾驶场景下，可能无法正确解释某些决策规则的含义。

建模和理解人机交互，对于在混合交通环境中安全导航，建立消费者对自动驾驶汽车的信任，并促进广泛采用人机交互，以实现自动驾驶汽车全部安全至关重要，但这仍然是决策算法的挑战。首先，了解自动驾驶汽车中的人是否准备重新获得对车辆的控制至关重要。例如，如果自动驾驶系统无法识别乘客疲惫或分心等行为特征，而将控制权移交给乘客，则会产生安全风险。其次，了解自动驾驶汽车和其他车辆附近人员的意图，是安全导航的关键。例如，人类通常使用手势和其他社交提示来表明他们意图违反某些交通规则，以提高交通流量。驾驶员在开车期间，例如在行车道超车和并线，还必须与其他车辆的驾驶员进行协商，这需要在人类行为的不确定性之间取得平衡，同时避免过分防御性的驾驶行为，确保交通畅通。然而，自动驾驶汽车可能无法正确解释或执行社交提示，这会阻碍其他道路使用者使用自动驾驶汽车的行为能力，产生不匹配的期望，从而导致碰撞事故的发生。现在已经有一些研究在探索人机交互对自动驾驶系统学习能力的影响，这对于解决上述问题至关重要。

决策算法还受到计算复杂性和其他软件组件中算法的约束，这些软件组件可能会破坏自动驾驶系统在动态环境中的性能和安全性。尽管研究人员已经成功开发出运动规划算法，例如图形搜索，以及针对自动驾驶和移动机器人的探索随机树，但是在计算上，寻找最佳路径非常费时，不总是可行的[7]。另外，在有诸如行人和其他道路使用者等多个动态障碍物的情况下，对计算有严格要求的感知算法，减少了运动规划算法连续计算新的无碰撞轨迹所需的时间[8]。运动规划算法还需要与控制算法很好地集成，并适当考虑控制算法所面临的约束，例如对时间、速度和加速度的限制，以及轨迹的演变，但这需要比现有处理器更多的计算资源。有鉴于此，一些研究人员已经开始研发路径规划算法，以解决感知不确定性和控制约束，减轻潜在的危险情况。此外，最初被认为是安全的车辆轨迹，可能在意外的环境变化时变得危险。例如，当移动障碍物影响了自动驾驶系统最初计划的轨迹和感知时，用于增量计划调整的新方法，可以增强自动驾驶汽车对意外情况的适应性[9]。通过5G网络的通信能力，利用更可靠的车辆对基础设施（V2I）技术，为自动驾驶汽车提供有关附近障碍物的更多信息，可以实现比现有4G网络更快的速度来支持近乎即时的决策。