摘要

本文介绍了一种基于规则的行为规划器，用于自动驾驶车辆。该论文的核心在于提出了一种双层规则引擎算法，用于从专家驾驶决策中学习并维护一个规则基础的行为规划系统。该系统通过两层规则处理，第一层确定一组可行的参数化行为，第二层则将这些参数协调成单一行为。论文通过在城市环境中对第三级自动驾驶车辆的实地测试，展示了其方法的实用性和有效性。

原理

论文提出的双层规则引擎包括一个行为层和一个参数层。行为层接收环境状态作为输入，输出一组候选的参数化行为，然后通过一个选择函数选出最保守的高级操作。参数层则进一步处理这些行为的参数，输出一个单一的高级操作及其参数。这种设计不仅提高了系统的可解释性和安全性，还通过模块化的设计，便于未来扩展和维护。

流程

论文通过一个示例场景详细说明了规则引擎的工作流程。首先，传感器感知到的状态被送入行为层，行为层根据规则集识别出一组兼容且保守的行为。然后，这些行为的属性被转换并补充完整，作为参数层的输入。参数层根据其规则集和选择函数，最终确定一个单一的行为，该行为被送至本地规划器进行进一步处理。

应用

该论文提出的规则引擎适用于复杂的自动驾驶环境，特别是在需要高度可解释性和安全性的场景中。随着自动驾驶技术的进一步发展，这种基于规则的系统可以作为深度学习方法的有效补充，特别是在处理复杂的交通交互和不确定性时。