(5) 不确定条件下驾驶行为的规划与决策
车辆模型不准确及环境状态对车辆动力学等特性的影响，极大地制约着自主车辆运动规划与跟踪控制的发展。因此项目将对自主车辆的运动规划方法进行研究，提出较好解决各种不确定性的规划轨迹。
首先，项目将基于初始状态、目标状态及控制点约束实现一条基本可行的初始轨迹；
其次，为了保证轨迹的较优性，项目将基于车辆运动学模型及反馈修正的思想对初始轨迹进行优化，提高轨迹的安全性、高效性；
另外，为了较好地解决各种不确定性，项目将对该轨迹进行边缘属性约束。在此约束的基础上，可通过多种方法，如压缩映射、增强学习等方法较好的解决轨迹跟踪问题。
为了实现不确定条件下驾驶行为的规划与决策，结合具体工作中遇到的关于车辆自主驾驶系统体系结构的一些问题，研究实现一套类似图9所示的多层分解体系结构，不同于目前的反应式与慎思式控制方式，该结构将采用一种双向数据流驱动的方式，正常运动的状态下，指令流是一种自上而下的驱动方法（如图中空心箭头所示方向），同时任务所在的空间进行逐层的分解；然而当出现某些特殊状态，如道路异常等，指令的流动则采用一种自下而上的驱动方式（如图中实心箭头所示）。
(6) 动态环境中无人驾驶车辆的优化控制
车辆的控制是一个典型的预瞄控制行为。行为规划层给出一条带有路宽的期望路径和速度，计算机根据车当前的速度和方向在这条路上找到下一时刻车要到达的那一点（该点就是预瞄点），并与当前车所在的这一点的位置、方向和速度比较，形成误差，将这些误差输入到学习控制器中通过计算得出车到达预瞄点所需要的方向盘角度以及油门、刹车和档位的位置，控制车往预瞄点行驶。经过单位时间t后利用定位和航姿设备测量车实际的位置和姿态，并与预瞄点处的方向和位置进行比较，它们的差就是奖励值r，该值最大为零。控制器的输入是规划给出的期望路径和期望速度，输出是方向盘的角度和油门、刹车、档位的位置，具体的控制策略如图10所示。
(7) 强噪声环境下脑电图检测
与脑电实验室环境相比，在车内强干扰的环境下要确保脑电信号记录的质量有一定难度。考虑采用的技术方案是，改造现有脑电设备，实现全数字、无线传输、主动屏蔽技术、可以采用有源电极记录等方法、内嵌DSP进行预处理等措施。
在信号采集方面，模拟前端是其核心难点，而阻抗监测是其关键功能。计划从车载脑电检测基本要求出发，采用阻容串联的高增益交流耦合式模拟前端、面向瞬态信号采集的基于高精度模数转换器直流耦合式模拟前端和基于高频方波激励的实时阻抗监测设计方案。设计和实现16通道USB信号采集模块和8通道无线信号采集模块，关键技术指标达到国际先进商用产品水平。
(8) 开放噪声环境下的声学事件检测
车辆在道路上行驶时，引擎轰鸣声及轮胎与路面摩擦声等会干扰麦克风阵列对目标源信号的定位。传统的定位算法不能有效分辨干扰源和目标源，本项目在发挥TDE两步架构算法优势的基础上，同时利用互相关函数的包络来估计多个声源目标的TDOA，再结合目标源信号辨识技术及远场近场分离方法，为麦克风阵列声源定位和信号分离提供了一种更加有效的途径。本项目结合噪声互相关矩阵估计算法、人耳听觉掩蔽效应和目标信号AR模型分析的技术，从而优化多通道子空间方法的设计，得到更加适用的增强信号。
此外，传统的声学事件检测方法，如HMM、GMM等，需要同时对声学事件和环境声音进行建模才能得到检测结果。而无人车具有环境声音变化多样的特点，无法对所有的环境声音进行有效建模。当环境先验知识不足时，传统的声学事件检测方法不再适用。本项目结合高斯混合模型方法和非参数检测机制，提出一种较少依赖环境声音模型也不需要先验阈值的非参数声学事件检测方法，满足无人车声学事件检测任务的特殊要求，这是本项目一个创新点。
自主驾驶车辆关键技术与集成验证平台