自动驾驶中在感知、决策、控制架构中，充满了各种参数的不确定性，例如mobileye识别的车道线confidence，决策中行人轨迹预测，控制中推算本车位置... 总之在自动驾驶中，唯一确定的就是不确定本身了。既然如此，有没有一种满足这种特性的方法呢，如果能在数学上解决这个问题，说不定能更好的满足车辆控制的舒适性。
1. 布尔逻辑
要想了解模糊逻辑，首先我们要知道对应的另外一种逻辑，布尔逻辑。布尔数值就是0和1，是和非，也是计算机逻辑的基础，而模糊逻辑用隶属度替代了布尔真值，允许在包含0和1之间的集合成员关系值。这些陈述表示实际上接近于日常人们的语意陈述，因为“隶属”在多数时候是部分的，非二元的，不精确的。
2. 隶属度
在模糊逻辑的眼中，元素与模糊集的相似程度的度量，通过隶属函数得到，取值在0-1之间。比如下雨而言，大雨，小雨，和中雨之间是没有严格的界限的，也就是说某一种雨量的大小并不完全归属于某一个类，对于10mm降雨，隶属于小雨的隶属度为0.5, 中雨的隶属度为0.4，大雨的隶属度为0.1。模糊隶属度表示在模糊定义的集合中的成员隶属关系，而不是某事件或条件的可能性，所以隶属度并不是概率。
将逻辑的输入数值转化成各个集合(小雨，中雨，大雨)的隶属度的过程就叫做模糊化。 也是模糊逻辑的第一步。
3. Fuzzyfication(模糊化)
如何确定输入数值与隶属度的关系呢，这就要用到隶属度函数，隶属度函数的图形可以是任意的，但常用的方法是三角形或者梯形。 如下图：
有这样的函数，结合实际测量值，决定各个集合的隶属度。
4. 模糊逻辑的决策规则
将输入模糊化了之后，需要通过规则，和模糊逻辑的运算来重新组合。下面我们通过一个实例来介绍一下什么是模糊逻辑的规则。
编写程序分配食物，分配多少由饥饿程度（Hunger）和食物味道(Taste)共同决定的，两者分别有少、中、多(S, M, L)三个集合，如下图，表格为规则，例如：Taste(M)与Hunger(M)输出M，Hunger(M)与Taste(L)输出L；隶属度函数在表格下面。以Taste 和 Hunger分别取值为5.625和5为例，参考给定的隶属度函数，模糊化之后 Taste(S)=0，Taste(M)=0.75，Taste(L)=0.25, Hunger(S)=0, Hunger(M)=1, Hunger(L)=0。
- 红色M是Taste(M)与Hunger(M)的输出结果可以用最小法则Min(0.75, 1)=0.75
- 绿色L是Taste(L)与Hunger(M)的输出结果可以用最小法则Min(0.25, 1)=0.25
5. 去模糊化
模糊逻辑通过模糊化将输入的数值转化成各个集合的隶属度之后，再通过规则和运算得到若干个FS。这些FS并不能为我们解决实际问题。以之前分配食物为例，我们期望的是：给出任意两个输入值(Taste 和 Hunger)能输出一个确定的数值，这时我们就要用去模糊化来得到这个输出值了。去模糊化有很多方法，这里我同样只介绍一个简单和应用广泛的方法：加权平均判决法
其中FS就是上一步输出的Fire Strength, OW (Output Wight)是权重。
如果Taste = 5.625, Hunger = 4.375 FS1(S)=0.25, FS2(M)=0.75, FS3(M)=0.25, FS4(L)=0.25.
用上面的公式可以求得 Output = (0.252.5+0.755+0.255+0.257.5)/(0.25+0.75+0.25+0.25)=5
这个输出有什么用呢？你可以通过这个输出决定是否分配食物，设定一个阈值，比如为4，如果小于等于这个阈值就不分配食物，大于这个阈值就分配食物。这里输出是5，那么就可以给自己分配食物了。还可以通过设置多个阈值，来决定分配给自己食物的多少。
6. 总结
看到这里，发现很难在自动驾驶中找到应用，模糊逻辑强调的是属于某个类别的隶属度，需要多个平级的类别供选择，最后通过不同类别和结果的关联函数，计算对应的输出值，在自动驾驶似乎只有决策有多个平级的选择，例如直线和转弯，似乎也能映射出不同选择对应的方向盘转角，最后通过加权计算出叠加下的方向盘转角。只是这样的结果四不像，后面有时间在研究吧。此刻还没有找到模糊逻辑和自动驾驶很好的结合点。明天研究隐马尔科夫随机场.....
