清华大学车辆与运载学院李升波教授团队与清华大学苏州汽车研究院智能网联中心的合作论文”Integrated Decision and Control: Towards Interpretable and Computationally Efficient Driving Intelligence”近日获得IEEE Transactions on Cybernetics录用，该刊2021年度IF影响因子达到了11.4，是国际人工智能与控制论领域的顶级期刊。
当前，自动驾驶决策控制多采用分层式方案（图1（a）），将决控问题分解为行为预测、行为选择、轨迹规划和运动控制等模块。这一方案易于分工调试，但其需实时求解约束型优化问题以生成可行轨迹，造成了决控实时性和最优性的矛盾；此外，该方案较为依赖人工设定规则，难以利用驾驶数据持续进化。该研究工作以高级别自动驾驶汽车为对象，首次提出了面向城市交通场景的集成式决控（Integrated Decision and Control, IDC）框架，以提高城市道路高复杂、高随机、高密度行车工况的驾驶智能性。与分层式决控不同，集成式决控（图1（b））将决控过程分解为静态路径规划与动态最优跟踪两个设计阶段。前者仅考虑静态道路信息生成备选路径集合；后者进一步结合车辆模型与动态交通信息，构造约束型最优跟踪问题，特别地，其使用强化学习算法实现这一问题的离线求解，得到评价函数与策略函数，分别用于实时在线路径选择与避撞路径跟踪。仿真与实车实验表明，相比分层式决控，IDC实现了在线计算效率一个数量级的跃升，并且在不同的驾驶场景和任务中具有很强的可解释性和适应性。
（a）分层式决控框架 （b）集成式决控框架
图1. 分层式决控与集成式决控框架对比
苏州汽研院搭建的数字孪生测试平台为该项研究提供了重要的支撑条件，有效的验证了理论分析结果在实车上的应用效果。近年来，苏州汽研院团队和车辆与运载学院团队充分合作，在智能网联汽车等领域取得了一系列重要的科研成果。2021年9月，双方团队合作发表的论文”Learn Collision-Free Self-Driving Skills at Urban Intersections with Model-Based Reinforcement Learning”在于美国召开的IEEE ITSC 2021会议上获得Best Student Paper Award。
图2. 论文获奖证书
未来，苏州汽研院将继续发挥自身在产业技术创新、实验能力等方面的优势，支撑清华大学院系学科发展与科技创新，支撑更多优秀科技成果的产出与产业化发展。
