据外媒报道，日前，美国专利商标局（U.S. Patent and Trademark Office）公布了苹果公司的73项专利，其中有一项涉及泰坦项目（Project Titan）的新发明，包含自动或半自动驾驶汽车运动规划与控制的系统和算法。新系统着重于两个关键系统的使用，即“行为规划器（The Behavior Planner）”和“动作选择器（The Motion Selector）”。
（图片来源：https://www.patentlyapple.com）
能够感知环境并导航到目的地的机动车辆，很少或根本不需要驾驶员进行干预，才可能被称为自动驾驶汽车。而目前，由于现有硬件和软件的限制，分析车辆外部环境相关信息的计算速度还不足够快，无法在没有人工引导的情况下，做出重要的导航决策。而且，即使有快速处理器、大内存和高级算法，但由于在真实交通环境中，其他物体的行为无法预测，以及环境数据不完整或有噪声，因此对自动驾驶车辆的行驶轨迹做出及时、合理的决策仍然是一项重大挑战。
苹果的该项专利描述了用于管理自动驾驶车辆轨迹或运动的决策方法和设备。在一个实例中，与自动驾驶汽车的决策组件可以包括至少一个行为规划器和一个运动选择器，其中一个或两个行为规划器和运动选择器可以组成各自的计算设备集。
行为规划器
行为规划器经过配置，可以迭代方式，在某些选定时间范围内，如数十秒或几分钟，生成车辆条件动作的候选序列和相关预期状态变化，并至少向运动选择器提供在各种规划迭代期间生成的一些序列。这些序列也可称为策略，而动作可能包括变道，以及加速或减速到特定速度等，并且时间周期可能仅有短短几秒。
某一给定状态可表示受控自动驾驶汽车的位置、速度和其他属性，还可表示道路拓扑信息（包括车道线、停车标志和路面状况等），以及自动驾驶汽外部环境中的其他车辆和物体。由于某个操作可能会导致多种状态，因此前一种状态中采取的特定操作会引起车辆状态的变化，此种变化可能与条件概率相关。
在一些应用中，行为规划器可进行配置，利用决策树技术生成策略。在一些实例中，从机器学习模型（如深度神经网络模型）中获得的启发，可用于优化决策树算法的执行。神经网络可用于限制决策树搜索的宽度，而另一个神经网络则可用于限制决策树搜索的深度。
运动选择器
运动选择器可以使用这些策略和附加的输入信息，生成低级别的指令，然后传输到车辆的各个运动控制子系统，如制动子系统、加速子系统和转向子系统等，从而使车辆沿着选择器选定的轨迹行驶。在一些实例中，与动作选择器从行为规划器接收到策略的速率相比，动作选择器发出指令的速率更快。
在很多实例中，自动驾驶汽车配备不同类型的传感器设备，如摄像头、GPS、雷达、激光雷达等。这些传感装置的输出信息可由行为规划器和运动选择器以不同的速率采集。由于运动选择器作为车辆轨迹的终端仲裁器，而车辆轨迹可能涉及应对紧急情况和其他物体无法预测的行为，因此其传感器数据的采样速率可能要高于行为规划器。用户可以配置一个或两个决策组件，以能够处理传感器不完整或有噪声的数据集。
如下苹果专利图FIG. 1阐释了一个示例系统环境，其中自动驾驶汽车的决策组件可以综合利用决策树搜索算法和神经网络模型，以控制车辆轨迹。
（图片来源：https://www.patentlyapple.com）
如下苹果专利图FIG. 2阐释了自动驾驶汽车的决策情形，以及与此类决策情形相关的一般问题的特征。
（图片来源：https://www.patentlyapple.com）
如下苹果专利图FIG. 3概述了一种自动驾驶汽车的混合决策方法，涉及随机、确定性和基于学习的技术的组合。
（图片来源： https://www.patentlyapple.com）
如下苹果专利图FIG. 7概述了神经网络模型，该模型可用于优化自动驾驶汽车运动控制的决策树搜索操作。
（图片来源：https://www.patentlyapple.com）