Verbesserung der Trajektorienplanungsmethoden für autonomes Fahren in unsicheren Umgebungen

Titel der Abschlussarbeit: „Trajektorienplanungsmethode für autonome Fahrzeuge in unsicheren Umgebungen basierend auf einer verbesserten modellprädiktiven Steuerung“

Veröffentlichte Zeitschrift: IEEE Transactions on Intelligent Transportation Systems

Veröffentlichungsdatum: April 2023

Das Folgende sind meine eigenen Lesenotizen für die Arbeit Dies sind hauptsächlich die Teile, die meiner Meinung nach die Schlüsselpunkte sind, nicht die vollständige Textübersetzung. Dieser Artikel folgt dem vorherigen Artikel und sortiert den experimentellen Verifizierungsteil dieses Artikels. Der vorherige Artikel lautet wie folgt: Das Folgende sind meine eigenen Notizen zum Lesen des Artikels, hauptsächlich die Teile, die meiner Meinung nach die wichtigsten Punkte sind, nicht die vollständige Textübersetzung. Dieser Artikel folgt dem vorherigen Artikel und sortiert den experimentellen Überprüfungsteil dieses Artikels. Der vorherige Artikel lautet wie folgt:

fhwim: Eine Trajektorienplanungsmethode basierend auf einer verbesserten modellprädiktiven Steuerung für autonome Fahrzeuge in unsicheren Umgebungen
https://zhuanlan.zhihu.com/p/658708080

1. Simulationsüberprüfung

(1) Simulationsumgebung

Zu den Co-Simulationstools gehören Prescan, PyCharm, Matlab/Simulink, darunter Prescan zum Erstellen simulierter Verkehrsszenen und PyCharm (einfach mit neuronalem Netzwerk oder Pytorch) zum Schreiben des Fusionsvorhersagemoduls , Matlab/Simulink (mit MPC-Toolbox) wird verwendet, um das Trajektorienplanungsmodul zu erstellen und die Fahrzeugsteuerung zu realisieren. Die allgemeine Idee der Werkzeugauswahl ist relativ natürlich und vernünftig. Die zur Steuerung dieses Teils verwendete horizontale Steuerung ist LQR, und die vertikale Steuerung verwendet PID, was ebenfalls eine relativ häufige Steuerungsmethode ist. Der LSTM-Encoder-Decoder im Fusion-Vorhersagemodul verwendet Open-Source-Code. Der Autor sagte, er stamme aus der Referenz [31] Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances, aber ich habe gesehen, dass dieser Artikel im Jahr 2011 veröffentlicht wurde. Es ist etwas alt (wo war die LSTM-Encoder-Dekodierung im Jahr 2011? Ich weiß nicht, ob der Autor den Code auf dieser Grundlage geändert hat. Abbildung 1: Einrichtung der Simulationsumgebung 1: statische Vermeidung Hindernisszene

Statische Hindernisvermeidungsszene bezieht sich auf ein stehendes Hindernisfahrzeug. Das Ergebnis der Flugbahnplanung ist wie folgt:

Vergleichen Sie die allgemeine MPC-Methode und die Pipeline-basierte MPC-Methode in Abbildung 3

Hier vermute ich, dass er eine Legende hat Frage: Laut dem vorherigen Artikel wird die endgültige Referenztrajektorie durch Addition der gewünschten Trajektorie und der Anpassungstrajektorie erhalten. Gleichzeitig sagte er bei der Analyse der Ergebnisse auch, dass der rohrbasierte MPC in den Bereichen

und liegt

in Abbildung 3(b) Der Fehler ist groß. Da die Anpassungs-Trajektorie den Fehler verringert, sollte es mit der Logik seines Artikels übereinstimmen, dass die beiden Legenden der gewünschten Trajektorie und der Referenz-Trajektorie in Abbildung 3(b). ) sollte ausgetauscht werden. Das heißt, die grüne Linie ist die endgültige Referenztrajektorie. Die blaue Linie ist die gewünschte Trajektorie des Zwischenergebnisses. Einschließlich der Geschwindigkeitskurve und der horizontalen und vertikalen Fehlerkurven unten, aber Sie können wahrscheinlich verstehen, was der Autor meint. Die grüne Kurve im röhrenbasierten MPC ist das Endergebnis und die blaue Kurve ist das Ergebnis ohne Anpassungsbahn.

Abbildung 4 zeigt den Vergleich der Geschwindigkeitsänderungen zwischen der allgemeinen MPC-Methode und der Pipeline-basierten MPC-Methode.

Abbildung 5 Vergleich der Querpositionen die horizontalen und vertikalen Fehler Abbildung 6

Der Autor hat auch die Sanftheit der Lenkradwinkeländerungen verglichen, auf die ich hier nicht näher eingehen werde. Kurz gesagt, sie hat sich verbessert. Gleichzeitig schlug der Autor eine gute theoretische Grundlage für die Anpassung der Flugbahn vor. Nach dem Hinzufügen liegt der Flugbahnfehler immer innerhalb des MRPI-Satzes, also der Spurabweichung der röhrenbasierten modellprädiktiven Steuerung (Röhrenbasierte MPC) liegt immer innerhalb des MRPI-Sets. Die allgemeine modellprädiktive Steuerung (MPC) hat in einer unsicheren Umgebung keine Grenze, die sehr groß sein kann

(4) Fall 2: dynamische Hindernisvermeidungsszene

Im Vergleich dazu In der vorherigen Szene setzt sich nun das Hindernisauto in Bewegung. Wir werden nicht näher auf die Gesamtflugbahn, Geschwindigkeitsänderungen, horizontale und vertikale Fehler und die Sanftheit der Lenkradänderungen eingehen. Hier wird nur eine Veranschaulichung der gesamten Flugbahn gezeigt Der Autor entscheidet sich für die Verwendung des NGSIM-Datensatzes zur Validierung Ihrer Methode. Zunächst validierten die Autoren die Fusionsvorhersagemethode. Der NGSIM-Datensatz enthält Fahrzeugtrajektoriendaten, die der Autor in historische Trajektorien und zukünftige Trajektorien aufteilte und einen Trainingssatz für das Lernen des LSTM-Encoders/Decoders erstellte. Der Autor wählte 10.000 Trajektorien aus, von denen 7.500 als Trainingssatz und 2.500 als Validierungssatz verwendet wurden. Der Optimierer nimmt Adam und setzt die Lernrate auf 0,01. Der Vorhersageeffekt ist in der folgenden Abbildung dargestellt. FDE usw. Ich denke, dieser Ansatz ist nicht überzeugend, aber es kann auch verstanden werden, dass der Schwerpunkt dieses Artikels auf der Trajektorienplanung basierend auf röhrenbasiertem MPC liegt

Nach der Überprüfung der Trajektorienvorhersage wurde eine Trajektorienplanung durchgeführt, um die Rolle des Trajektorienvorhersagemoduls weiter zu überprüfen . Hier ist ein Vergleich. Es gibt drei Situationen:

(a) Wenn ich die tatsächliche zukünftige Flugbahn des Hindernisautos bereits kenne, führe ich eine Flugbahnplanung durch.

Wenn ich die Zukunft nicht kenne Wenn ich die Flugbahn des Hindernisautos nicht kenne, mache ich zuerst eine Flugbahnvorhersage (aber berechne nicht die Unsicherheit) und dann die Flugbahnplanung

(c) Wenn ich die zukünftige Flugbahn des Hindernisautos nicht kenne, führe ich zuerst eine Flugbahnvorhersage durch (Berechnung). Unsicherheit) und dann Flugbahnplanung

Abbildung 9 zeigt die Ergebnisse von (a), (b) und (c), entsprechend der wahren Position, den Vorhersageergebnissen bzw. der vorgeschlagenen Methode.

Die vorgeschlagene Methode ist das Ergebnis, das mit der Methode in erhalten wurde In diesem Artikel können Sie sehen, dass die vorgeschlagene Methode näher an True Position liegt und zeigt, dass diese Fusionsvorhersagemethode (insbesondere die Berechnung der Unsicherheit) effektiv ist.

Abbildung 9 Vergleich von drei Methoden zur Verifizierung des Trajektorienvorhersagemoduls

Hier finden Sie, dass Fall 1 und Fall 2 den Trajektorienplanungsteil vor der allgemeinen modellprädiktiven Steuerung (MPC) und der Pipeline verifizieren -basiertes MPC ist dasselbe. Dieser Vergleich kann die Rolle von Pipeline-basiertem MPC veranschaulichen. Fall 3 besteht darin, das Flugbahnvorhersagemodul zu überprüfen. Sie können sehen, dass zwei Arten der Überprüfung durchgeführt wurden. Der erste Typ besteht darin, die vorhergesagte Flugbahn direkt mit der tatsächlichen Flugbahn zu vergleichen, und der zweite Typ besteht darin, zuerst die zukünftige Flugbahn zu kennen/die zukünftige Flugbahn vorherzusagen (ohne die Unsicherheit zu berechnen)/die zukünftige Flugbahn vorherzusagen (die Unsicherheit zu berechnen) und dann die Flugbahn durchzuführen Planung. Unter Verwendung der realen Position als Standard werden die Auswirkungen der Trajektorienvorhersagemethode mit Unsicherheitsberechnung und der Trajektorienvorhersagemethode ohne Unsicherheitsberechnung verglichen. Die Verifizierungsideen für diese beiden Module sind immer noch sehr klar. das im Experiment verwendete Fahrzeug Bild 10

Der Autor stellte auch die Parameter des Versuchsfahrzeugs sowie die Parameter des im Experiment verwendeten Computers und der Sensoren bereit:

Der Inhalt, der neu geschrieben werden muss, ist: Abbildung 11 Die Die Parameter des Computers und des Sensors

müssen neu geschrieben werden. Der Inhalt lautet: Parameter des Versuchsfahrzeugs, Abbildung 12

Aus Sicherheitsgründen ist die vom Autor eingerichtete Versuchsszene dieselbe wie die Simulationsexperimentfall 1. Es handelt sich um eine statische Hindernisvermeidungsszene. Es ist besser, die Gesamtflugbahn, Geschwindigkeitsänderungen, horizontale und vertikale Fehler zu vergleichen. und die Sanftheit der Lenkradveränderungen, die nicht im Detail beschrieben werden.

3. Zusammenfassung der Lektüre

Zunächst geht es in der Arbeit um das Trajektorienvorhersagemodul mit Unsicherheitsberechnung und das auf röhrenbasiertem MPC basierende Trajektorienplanungsmodul. Unter ihnen ist das Trajektorienplanungsmodul der Hauptinhalt. Ich bin mit dieser modularen Form sehr zufrieden, da sie die Flugbahnvorhersage wirklich auf die Flugbahnplanung anwendet. Die Vorhersageausgabe wird als Planungseingabe verwendet, und das Planungsmodul bestimmt nur einen Sicherheitsschwellenwert für das Vorhersagemodul, und die Kopplung zwischen den beiden Modulen ist schwach. Mit anderen Worten: Das Vorhersagemodul kann durch andere Methoden ersetzt werden, solange es die Ergebnisse der Vorhersage der Flugbahn und der Unsicherheit des Hindernisautos liefern kann. In Zukunft könnten fortschrittlichere neuronale Netze in Betracht gezogen werden, um Flugbahnen und Unsicherheiten direkt vorherzusagen. Insgesamt ist der Prozess dieses Fusionsvorhersagealgorithmus etwas kompliziert, aber ich finde die Idee des Artikels sehr gut. Auch die Ideen und der Arbeitsaufwand der Simulation und der tatsächlichen Fahrzeugtests sind zufriedenstellend

Zweitens wurden beim Lesen des Artikels einige geringfügige Fehler entdeckt. Im LSTM-Encoder-Decoder-Teil ist die LSTM-Ausgabe beispielsweise der Trajektorienpunkt des zukünftigen -Schritts, der auch in der Formel geschrieben ist, im Text jedoch als geschrieben ist.

Abbildung 13 Einige Fehler im LSTM-Encoder-Decoder-Teil

Dann wird im Simulationsexperimentteil bei der Berechnung des MRPI-Sets gesagt, dass System (21), also das Fehlersystem, in Subsysteme unterteilt ist (32) und (34), aber eigentlich Subsysteme (30) und (32), diese kleinen Fehler wirken sich nicht auf die Gesamtmethode aus, sondern wirken sich auch auf das Leseerlebnis des Lesers aus.

Abbildung 14 Simulationsexperiment Teil MRPI Originaltext festlegen

Das Fehlersystem in Abbildung 15 ist in die Subsysteme (30) und (32) unterteilt

Originaltext-Link: https://mp . weixin.qq.com/s/0DymvaPmiCc_tf3pUArRiA

Das obige ist der detaillierte Inhalt vonVerbesserung der Trajektorienplanungsmethoden für autonomes Fahren in unsicheren Umgebungen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!