狀態(tài)空間的表征形式通?？煞譃橥?fù)浔碚?[CUM08] [MIL12] [FORE18] 和度量表征 [HOR13] [MUT16] [SCH18]。拓?fù)浔碚魇菍顟B(tài)建模為圖(graph)，其中節(jié)點(diǎn)代表重要的位置(或特征)，邊表示它們之間的拓?fù)潢P(guān)系(比如位置、方向、接近程度和連通性)。這些分解的分辨率取決于環(huán)境的結(jié)構(gòu)。度量表征通常是將狀態(tài)空間分解成規(guī)則間隔的單元。這種分解形式并不取決于特征的位置和形狀。度量表征的空間分辨率往往高于拓?fù)浔碚鞯?。其易變性和高效性使其成為了最常用的空間表征。要了解用于創(chuàng)建拓?fù)浔碚鞯闹饕幕谝曈X的方法，讀者可參閱 Garcia-Fidalgo and Ortiz [FID15]。這里我們總結(jié)了用于計(jì)算度量表征的最重要方法，這些方法又可進(jìn)一步分為離散和連續(xù)空間表征。

　　1) 離散空間度量表征

　　2) 連續(xù)空間度量表征

　　C 道路地圖測(cè)繪

　　道路測(cè)繪子系統(tǒng)負(fù)責(zé)收集自動(dòng)駕駛汽車周圍的道路和車道信息，并使用幾何和拓?fù)鋵傩詫⑺鼈儽硎驹诘貓D中，包括互連的區(qū)域和受限區(qū)域。道路地圖測(cè)繪子系統(tǒng)的主要主題是地圖表征和地圖創(chuàng)建。

　　1) 道路地圖表征

圖 4：無人駕駛汽車 IARA 使用的道路網(wǎng)格地圖和 RDDF 路徑。

綠色和紅色區(qū)域表示道路網(wǎng)格地圖，黑點(diǎn)是 RDDF 路徑點(diǎn)，這是從道路網(wǎng)格地圖中自動(dòng)提取出來的。

圖 5：自動(dòng)車輛項(xiàng)目 [BEN14] 使用的 lanelet(車道片段)地圖的圖模型。

紅色和綠色點(diǎn)分別表示車道片段 A、B、C 的左和右路沿。該圖展示了 A 和 C 交匯成 B 的情況。

　　2) 道路地圖創(chuàng)建

　　D 移動(dòng)目標(biāo)跟蹤

　　移動(dòng)目標(biāo)跟蹤(MOT)子系統(tǒng)(也被稱為檢測(cè)與跟蹤多目標(biāo)/DATMO)負(fù)責(zé)檢測(cè)和跟蹤自動(dòng)駕駛汽車所處環(huán)境中的移動(dòng)障礙物的姿態(tài)。這個(gè)子系統(tǒng)對(duì)自動(dòng)車輛的決策而言至關(guān)重要，能幫汽車避免與可能移動(dòng)的物體(比如其它汽車和行人)發(fā)生碰撞。移動(dòng)障礙物隨時(shí)間的位置變化通常是根據(jù)測(cè)距傳感器(比如 LIDAR 和 RADAR)或立體相機(jī)捕獲的數(shù)據(jù)估計(jì)的。來自單目相機(jī)的圖像能提供豐富的外觀信息，這可用于改善對(duì)移動(dòng)障礙物的假設(shè)。為了應(yīng)對(duì)傳感器測(cè)量的不確定性，可將貝葉斯濾波器(比如卡爾曼或粒子濾波器)用于狀態(tài)預(yù)測(cè)。文獻(xiàn)中已提出了多種用于 MOT 的方法。這里我們將給出近十年最新發(fā)表的相關(guān)文獻(xiàn)。更早期的研究可參閱 Petrovskaya et al. [PET12]、Bernini et al. [BER14] 和 Giro et al. [GIR16]。

　　用于 MOT 的方法主要可分為六類：

　　1)基于傳統(tǒng)方法的 MOT

　　2)基于模型的 MOT

　　3)基于立體視覺的 MOT

　　4)基于網(wǎng)格地圖的 MOT

　　5)基于傳感器融合的 MOT

　　6)基于深度學(xué)習(xí)的 MOT

　　E 交通信號(hào)檢測(cè)與識(shí)別

　　交通信號(hào)檢測(cè)與識(shí)別子系統(tǒng)負(fù)責(zé)檢測(cè)和識(shí)別交通規(guī)則定義的信號(hào)，使汽車可以遵守交通法規(guī)做出正確的決策。與交通信號(hào)相關(guān)的任務(wù)有很多，本文將介紹這三大主要主題：

　　1) 交通信號(hào)燈檢測(cè)與識(shí)別

　　2) 交通標(biāo)志檢測(cè)與識(shí)別

　　3) 路面標(biāo)記檢測(cè)與識(shí)別