자율주행차의 장애물 회피, 경로 계획, 제어 기술에 대한 자세한 설명

1 소개

지능형 교통 시스템은 복잡한 환경에서 까다로운 자율성과 안전 문제를 해결하므로 연구자들의 특별한 관심을 끌고 있습니다. 자율주행차 개념의 주요 모듈은 인식, 계획, 제어입니다.

사실 인식은 환경 모델링과 현지화로 구성됩니다. 그들은 각각 외부 센서와 신체 센서에 의존합니다. 다음으로, 센싱 결과가 전달하는 정보를 바탕으로 주어진 목적지에 도달하기 위한 최적의 궤적을 생성하는 것이 계획입니다. 마지막으로 제어 모듈은 차량의 액추에이터에 명령을 내려 생성된 궤적을 추적하는 데 전념합니다.

이 글에서는 장애물을 피하는 특정 상황에 대한 프로세스의 각 모듈을 소개합니다. 글로벌 아키텍처에 이러한 작업을 통합하는 것이 이 문서의 주요 기여입니다. 인식 모듈은 정확한 그리드 표현을 기반으로 환경이 설명되도록 보장합니다. OGM(Occupancy Grid Maps)을 사용하면 운전 가능한 공간을 식별하고 장면에서 정적 및 동적 개체를 찾을 수 있으므로 장애물 회피에 특히 편리합니다. 그런 다음 피해야 할 객체의 자세는 경로 계획 수준에서 사용되며, [1]에 표시된 시그모이드 매개변수화된 함수와 롤링 지평선을 기반으로 궤적과 속도 프로파일을 생성합니다. 획득된 곡률 프로파일은 제어 모듈을 안내하기 위한 기준 경로로 간주됩니다. 이 수준은 기존의 무게 중심 대신 충격 중심(CoP)을 사용하는 측면 유도 컨트롤러를 기반으로 차량에 적절한 조향 각도를 제공합니다. 제안된 컨트롤러는 측면 오류에 대한 교란의 영향을 줄이고 측면 안정성을 보장하기 위해 피드포워드 및 견고한 상태 피드백 동작을 기반으로 합니다[2].

이 문서는 다음과 같이 구성됩니다. 2부는 장애물 회피를 위해 구현될 다양한 모듈이 포함된 글로벌 접근 방식을 제시합니다. 세 번째 부분에서는 신뢰도 그리드 점유를 기반으로 한 동적 객체 감지 방법을 소개합니다. 4장에서는 매개변수화된 시그모이드 함수와 롤링 지평선을 기반으로 한 장애물 회피 알고리즘을 설명합니다. 섹션 5에서는 견고한 상태 피드백에 대한 피드포워드 결합을 기반으로 하는 컨트롤러 설계를 자세히 설명합니다. 섹션 6에서는 실험 플랫폼과 이 실험 방법의 결과를 설명합니다. 마지막으로 7장에서는 논문을 마무리한다.

2 장애물 회피 전략

이 섹션에서는 그림 1과 같이 세 가지 모듈을 기반으로 하는 글로벌 장애물 회피 전략의 제목을 소개합니다. 이 섹션에서는 각 레벨을 간략하게 소개합니다.

사진

그림 1 장애물 회피 전략

A. 인식 모듈

환경을 정확하고 효과적으로 인식하는 것은 필수입니다. 본 연구에서는 주로 외부 센싱 센서를 기반으로 정적/동적 물체의 위치와 주행 가능한 경로를 추출하는 환경 인식에 중점을 두고 있다. 측위 부분에서 고려되지 않은 차량의 위치는 알려져 있고 신뢰할 수 있는 것으로 간주됩니다. 도로 및 주변 물체에 대한 정보를 추출하는 가장 일반적인 방법 중 하나는 "OG(Occupancy Grid)"입니다. 이는 충돌 회피, 센서 융합, 표적 추적, SLAM(Simultaneous Localization and Mapping)과 같은 다양한 애플리케이션에 사용될 수 있습니다[3]. OG의 기본 아이디어는 환경 그래프를 균일한 간격의 이진 확률 변수 필드로 표현하는 것입니다. 각 변수는 환경의 해당 위치에 장애물이 있는지 여부를 나타냅니다[4]. 이는 알려진 차량 자세에 따라 시끄럽고 불확실한 센서 측정을 처리하기 위해 다양한 형태로 생성될 수 있습니다. 본 논문에서 OG는 불확실성, 부정확성 및 알 수 없는 부분을 모델링하고 데이터 융합 시 충돌을 관리할 수 있으므로 Dempster 및 Shafer[5][6]가 제안한 신념 이론에 따라 정의됩니다. 3부에서는 자세한 내용을 제공합니다.

B. 참조 궤적 생성 모듈

이 모듈은 차량이 따라갈 궤적과 해당 속도 곡선을 정의하는 데 사용됩니다. 플래너는 인식 모듈로부터 주행 가능 영역과 장애물 위치를 수신합니다. 이 정보를 바탕으로 기하학적 궤적과 속도 곡선을 생성할 수 있습니다. 이 문서에서는 경로 계획 전략에 중점을 둡니다. 이 섹션에서는 인지된 주행 가능 영역을 기반으로 시작점에서 끝점까지의 명목 궤적을 제공하는 것을 목표로 합니다.

장애물이 감지되면 자율주행차 승객의 안전과 편안함을 보장하기 위해 두 번째 궤적(장애물 회피 궤적)이 계산되고, 회피 후 공칭 궤적에 추가됩니다. 이 회피 궤적은 명목 궤적의 작은 부분만을 포함하므로 지역 계획을 통해 얻을 수 있습니다. 궤적 생성 알고리즘의 계산 비용을 줄이기 위해 [1]에 설명된 대로 롤링 지평선 방법을 채택합니다. 이 논문의 작업은 섹션 IV를 참조하세요. 이러한 궤적(명목 및 장애물 회피)은 제어 모듈(주로 측면 컨트롤러)에 대한 참조로 간주될 수 있습니다.

C. 제어 모듈

제어 모듈은 세로 및 측면 컨트롤러의 두 가지 주요 부분으로 구성되어 자동 주행 제어를 보장합니다. 여기서 주요 초점은 장애물 회피를 처리하는 측면 컨트롤러에 있습니다. 실제로 기준 생성 모듈에서 제공한 원하는 경로를 따르도록 측면 컨트롤러에서 적절한 조향 각도를 제공합니다. 두 가지 추적 오류, 즉 측면 오류와 방향 오류를 줄임으로써 원하는 경로의 추적을 달성할 수 있습니다. 문헌[7]에 제시된 기하학적 및 동적 측면 유도 전략 중에서 충돌 중심(CoP)을 기반으로 한 동적 접근 방식이 여기에서 채택되었습니다[8]. 선택은 이 제어 방법의 성능에 따라 달라집니다. CoP는 차량의 무게중심(CoG) 앞에 위치한 기하학적 점으로 측면 위치 오차를 예측합니다. 그러면 더 나은 궤도 추적을 기대할 수 있습니다. 반면에, 섹션 V에서와 같이 CoP의 운동은 뒷타이어 횡력과 분리되기 때문에[9], 횡동역학 방정식은 덜 복잡해진다.

2 동적 그리드 기반 동적 장애물 감지

OG는 공간을 다차원적으로 단위로 세분화하고 각 단위는 점유 상태에 대한 지식을 저장하는 표현입니다[4]. 오늘날 OG는 계산 복잡성을 처리하기 위해 더 강력한 리소스를 사용할 수 있기 때문에 많이 사용되고 있습니다. 메쉬 구성은 다양한 차원(2D, 2.5D 및 3D)에 적용되었으며[10], 각 셀 상태는 선택한 형식에 따라 설명됩니다. 가장 일반적인 것은 베이지안 프레임워크로, Elfes가 처음 채택한 후[4] 이후 많은 확장을 거쳐 유명한 베이지안 점유 필터(BOF)[11]가 되었습니다. 다른 연구에서는 증거 이론이라고도 알려진 Dempster-Shafer 이론에 기초한 형식론을 제안하며 이에 대해서는 나중에 설명합니다.

A. 믿음 이론 사용

확률 이론으로 축소된 믿음 이론은 데이터 및 소스 결함에 대한 적절한 표현을 제공하므로 ITS의 인식에 적합합니다. 이는 애플리케이션에 따라 이러한 속성을 처리할 수 있는 광범위한 융합 연산자를 제공합니다. Belief 프레임워크를 사용하여 OG를 구축하는 방법에 대한 일부 연구는 [12], [13]에서 찾을 수 있습니다. 본 연구는 [13]의 연구에서 시작되었으며, 충돌을 기반으로 움직이는 물체를 감지하고 주행 가능 공간을 결정하는 방법을 제안했다. 이를 위해, 자유(F) 또는 점유(O)로 간주되는 셀의 상태를 포함하도록 식별 프레임을 정의한다. 식별 상자는 Ω={F, O}입니다. 기준 전력 집합 프레임워크에는 다음 가정의 가능한 모든 조합이 포함되어 있습니다: 2Ω= {∅,F,O,{F,O}}. 각 상태에 대한 믿음을 표현하기 위해 질량함수 m(.)은 충돌 m(∅), 자유 상태 m(F), 점유 상태 m(O) 및 미지 상태 m({F,O)을 나타냅니다. }) 각각.

B. 센서 모델

기본적으로 센서 모델은 메트릭에 해당하는 상태의 품질 함수를 계산하는 방법입니다. 우리 애플리케이션에서 사용할 센서는 3D 다중 에코 LIDAR입니다(섹션 VI 참조). 입력 데이터에는 점 pi와 각도 θi를 기준으로 한 범위 ri가 포함됩니다. 이 데이터 세트로부터 극좌표의 스캐닝 그리드(SG)가 구성됩니다. SG의 각 행은 RxΘ에 정의된 각도 섹터 Θ=[θ-, θ+]에 해당합니다. 셀의 범위는 R=[r-,r+]입니다. 이는 각 셀이 한 쌍의 질량 m{Θ,R}으로 정의됨을 의미합니다. 각 명제에 해당하는 질량 A∈Ω은 여기에서 찾을 수 있습니다 [13]:

Picture

여기서 μF와 μO는 각각 센서의 잘못된 경보 및 감지 실패 확률에 해당합니다. 단순화를 위해 이러한 질량 함수 m(O), m(F) 및 m(Θ)이 설명됩니다.

Pictures

그림 2 지도 그리드(MG) 구축

그림 2는 t 시점에 제공된 센서 포인트 클라우드를 이용하여 MG를 구축하고 업데이트하는 과정을 보여준다. 이번 업데이트는 다중 그리드 증거 융합을 기반으로 이루어졌습니다. 이는 지도 그리드를 업데이트하고 유닛 상태를 평가할 시간을 허용하므로 프로세스에서 가장 흥미로운 부분입니다. 다양한 신념 이론 연산자 중에서 Dempster-Shafer 조합 규칙이 사용됩니다.

여기서 mmG,t 및 mmG,t-1은 각각 시간 t에서의 지도 격자 및 스캔 격자의 품질을 나타냅니다. . 연산자는 다음과 같이 정의됩니다.

여기서

은 이전 상태와 새 측정항목에 따라 각 셀의 상태를 정의하는 결과 mMG,t(A)를 생성합니다. 각 주별 대량생산량은 다음과 같다[13].

기본적으로 이 속성은 t-1과 t 사이의 불협화음을 보여줍니다. 유닛이 Free에서 Occupied로 또는 그 반대로 변경되면 불일치가 발생합니다. 따라서 충돌을 감지하면 동적 셀을 평가할 수 있습니다. 충돌을 사용하면 두 가지 충돌 유형에 따라 상태를 변경하는 점유 셀을 표시할 수 있습니다.

여기서

융합 프로세스는 전체 충돌로 상태 품질을 정규화하지만 이 정보를 사용하여 동적 객체를 정의하는 모바일 유닛입니다. 감지된 각 포즈는 다음 섹션의 궤적 생성을 위한 입력으로 사용됩니다.

4 궤적 생성

이 섹션은 경로 계획, 즉 (좌표점을 따르는) 기하학적 궤적 생성 Ai(xi,yi)에 대해 다룹니다. 본 논문은 제안된 회피 아키텍처의 타당성을 검증하는 것을 목표로 하므로 속도 곡선과 관련 종방향 제어는 고려하지 않습니다. 섹션 2에서 언급했듯이 경로 계획 모듈에는 출발점과 도착점을 기반으로 전역 명목 궤적을 생성하는 것과 장애물 감지를 피하기 위한 로컬 궤적을 생성하는 두 가지 목표가 있습니다. 여기서는 회피 궤적 생성에 중점을 둡니다. 이 회피 궤도는 안전 표준, 특히 장애물까지의 세로 및 가로 거리를 준수해야 합니다. 이러한 거리는 동일할 수 있으며 최근 [1]에서 제안된 것처럼 장애물 주위에 원형 안전 구역을 생성합니다. 본 논문에서는 수평적 보안기준과 수직적 보안기준이 다른 전반적인 상황을 고려하여 방법의 일반화를 제안한다.

궤적의 기하학적 형태를 얻기 위해 클로소이드 곡선, 베지어 곡선 또는 스플라인과 같은 함수를 기반으로 하는 여러 수학적 방법이 있습니다[14], [15]. 이러한 모든 기하학적 방법에 대한 철저한 검토는 [16]에 나와 있습니다. 이러한 방법은 흥미로운 특성(부드러움, 후보 집합 중에서 최상의 궤적 선택 등)을 가지고 있지만 계산 비용이 많이 들 수 있습니다. 그중 시그모이드 함수는 부드러움과 계산 비용 간의 공정한 균형을 나타냅니다. 고려된 접근 방식에서는 계산 비용을 줄이기 위해 기본 Horizon 스케줄러와 함께 이 수학적 방법을 사용할 것을 권장합니다. 이 계획 접근 방식의 장점은 [1]에서 광범위하게 논의됩니다. 이 로컬 계획자는 점유 그리드에서 감지된 장애물에 대한 정보를 고려하여 적절하고 원활한 회피 동작을 정의하고 공칭 궤적으로 돌아갑니다.

A. 기하학적 회피

그림 3은 공칭 궤적, 안전 영역 및 최종 부드러운 회피 궤적과 같은 다양한 궤적을 보여줍니다. 안전 구역 정의 R은 장애물 감지 후 첫 번째 단계입니다. 이 지역은 장애물과의 근접으로 인한 충돌을 피하기 위해 탐색할 수 없습니다. Lx 및 Ly 타원의 장반축과 단축반은 각각 영역을 정의하는 안전 기준입니다. 일단 정의되면 회피 궤적을 설계할 수 있습니다. 승객의 편안함을 보장하기 위해 S 모양을 기반으로 한 기능이 선택되었습니다. 그림 3에서 A는 시작점(즉, 자아 차량의 무게 중심)을 나타내고, B는 시그모이드의 좌굴점, WP는 도달할 시작점을 나타냅니다. 회피된 궤적이 다음과 같이 정의될 수 있도록 부드러움 C()를 조정할 수 있습니다. 장애물이 움직일 때 견고한 알고리즘을 얻기 위해 전체 프로세스가 각 수평 벡터 샘플에 대해 반복됩니다(안전 영역 식별). 시그모이드 함수를 기반으로 웨이포인트를 계산합니다.

Pictures

그림 3 궤도 계획

B. 수평 계획

알고리즘의 계산 비용을 줄이기 위해 로컬 플래너가 사용됩니다. 전체 장애물 회피 궤적을 따르지는 않고 여러 부분으로 나누어져 있습니다. 로컬 궤적은 이 개별 수준의 각 샘플에서 계산되므로 계산 비용이 줄어들고 알고리즘이 동적 장애물에 대해 견고해집니다. 두 가지 매개변수(샘플 크기 및 가로 길이)를 매개변수화할 수 있습니다. 마지막은 장착된 인식 센서(하드웨어 제약)와 차량 속도(롤링 지평선)에 따라 달라집니다. 샘플 단계는 궤적을 로컬 세그먼트로 세분화하는 것을 나타냅니다. 전체 원리는 그림 4에 요약되어 있습니다.

사진

사진 4 호라이즌 기획

차량이 다음 샘플링 단계에 도달하면 로컬 지평선이 다시 계산됩니다. 볼 수 있듯이, 알고리즘이 동적 장애물을 처리할 수 있도록 하는 두 반복 사이에는 공통 부분이 있습니다. 이산 시간 영역과 마찬가지로 샘플 크기를 선택하려면 정확도와 계산 비용 간의 균형이 필요합니다. 알고리즘은 수평선 벡터가 전체 궤적의 끝에 도달할 때까지, 즉 인식 센서가 궤적의 모든 하위 구분을 덮을 때까지 반복됩니다. 이 기하학적 궤도는 안내 제어 단계의 입력입니다.

5 컨트롤러 설계

이 섹션에서는 그림 1에 표시된 제어 모듈에 사용된 측면 컨트롤러 설계를 소개합니다. 측면 안내는 그림 5와 같이 두 가지 유형의 오류, 즉 차량의 CoG와 기준 궤적 사이의 거리인 측면 오류와 차량의 세로 축과 기준 궤적 사이의 거리인 방향 오류를 줄이는 것을 목표로 합니다.

그림

그림 5 측면 및 방향 오류

여기서는 고전적인 CoG 측면 오류 대신 CoP가 [9]로 정의된 경우 측면 오류를 사용하는 것이 좋습니다.

CoP와 CoG 사이 거리 xcop는 차량 구성에만 의존합니다.

여기서 m과 Iz는 차량 질량과 요 관성이고 lf는 CoG와 앞차축 사이의 거리입니다. (12)로부터 CoP 측면 오류 ecop이 그림 5의 측면 오류 ey보다 높다는 것을 알 수 있습니다. 이렇게 하면 측면 위치 오류가 예상될 수 있으며 더 나은 궤적 추적을 기대할 수 있습니다. CoG(중력 중심)를 기반으로 하는 기존 컨트롤러와 달리 여기서는 충격 중심(CoP)이 차량의 기하학적 지점으로 사용됩니다. CoP의 주요 장점은 후방 타이어 측면 힘이 CoP의 운동에 영향을 미치지 않기 때문에 측면 동역학 방정식의 복잡성이 줄어든다는 것입니다[9].

평면 자전거 모델[17]을 기반으로 추적 오류(11)과 (12)를 사용하여 CoP 측면 탐색 컨트롤러를 설계하는 데 사용되는 추적 오류 모델은 다음과 같습니다.

, δf는 앞바퀴 회전 각도이고,

외란 항에는 예상되는 요 각속도와 요 각가속도가 포함됩니다. Picture

Lr은 CoG와 리어 액슬 사이의 거리이고, Cf와 Cr은 프론트와 리어 타이어 코너링 강성입니다. Cr은 Ac의 두 번째 행에 없습니다. 따라서 CoP를 사용하면 불확실한 매개변수의 수를 줄일 수 있습니다.

측면 컨트롤러는 상태 벡터 오류가 0에 가깝게 수렴되도록 적절한 δf를 계산합니다. 또한 추적 오류 모델의 역학은 Wref의 영향을 받기 때문에 컨트롤러는 Wref의 영향 감쇠 수준도 보장해야 합니다. 이러한 목표를 달성하기 위해 피드포워드를 통해 강력한 상태 피드백에 결합된 측면 컨트롤러가 제안되었습니다[2].

picture

LFF와 KFB는 각각 피드포워드 및 강력한 피드백 이득입니다. 피드포워드 작업은 벡터 Wref의 영향을 부분적으로 제거하는 것을 목표로 합니다. CoP의 이점은 얻은 피드포워드에 Cr에 대한 지식이 필요하지 않다는 것입니다. 상태 피드백 동작은 오류 벡터가 0을 향해 기하급수적으로 수렴하도록 보장하고 벡터 wref의 영향을 약화시킵니다. 이 강인한 제어 문제는 [2]와 같이 선형 행렬 부등식(LMI)을 사용하여 표현할 수 있습니다.

6 실험 결과

A 실험 설정

실험 플랫폼 ARTEMIPS는 DGPS 기술을 사용하는 고정밀 IMU(관성 측정 장치) RT-3002, IBEO LUX 2D 4층 레이저 스캐너 2개, VLP-16 Velodyne3D 레이저 스캐너 2개, 고해상도 카메라 MANTA-G125(그림 6 참조)). RT-3002는 위치, 속도, 가속도 및 방향 측정을 위한 기준 센서로 사용됩니다. LUX 스캐너는 차량 전면과 후면에서 원격 감지(4레이어 포인트 클라우드 형태)를 제공하는 데 사용됩니다. VLP-16은 차량 양쪽의 환경 감지를 완료하는 데 사용됩니다(16레이어 포인트 클라우드 제공 및 360° 서라운드 뷰 제공). ARTEMIPS에는 스티어링 휠과 브레이크 페달을 제어하기 위한 3개의 액추에이터와 2개의 통합 서보 모터 MAC-141뿐만 아니라 자동차 엔진 탐색을 위한 다기능 NI-daq 시스템도 장착되어 있습니다. 모든 센서와 액추에이터는 Intempora의 RTMaps 소프트웨어 솔루션을 실행하는 내장 컴퓨터에 연결됩니다. 다중 센서 및 다중 액추에이터 시스템을 위한 전용 플랫폼입니다.

Pictures

그림 6 실험 플랫폼 ARTEMIPS 및 해당 참조 프레임

B 실험 결과

가독성을 위해 장애물 회피 상황을 고려하여 하나의 모델만 얻습니다. 실험 프로토콜은 제안된 아키텍처의 성능을 평가하는 데 사용됩니다. 이 테스트는 일정한 속도 vx=10km/h에서 수행됩니다.

4개의 레이저 스캐너에서 기록된 데이터 세트를 기반으로 Part III에 설명된 방법에 따라 점 구름을 OG 구성에 사용했습니다. 그림 7은 피해야 할 주변 장면과 물체를 보여줍니다. OG의 시간적 융합은 동적 단위를 설명할 때의 갈등을 강조합니다. 동적 객체를 생성하기 위해 계층적 클러스터링 알고리즘(MATLAB의 Statistics and Machine Learning Toolbox)을 적용했습니다. 그림 8에 나와 있습니다. 3D 경계 상자를 통해. 표시된 좌표는 GPS 데이터를 기반으로 한 차량 자세에 해당합니다. 피해야 할 물체는 빨간색 물체입니다. 위치 오류에 대한 방법의 민감도로 인해 일부 잘못된 감지 결과가 발견될 수 있습니다.

Pictures

Figure 7 장애물 회피 테스트 순서

Pictures

Figure 8 포인트 클라우드, 원점 좌표 및 장애물 감지

실험 결과는 다음과 같습니다. 그림 9에서 . 왼쪽 상단 이미지에서 볼 수 있듯이 공칭 궤적 선은 물체의 위치와 교차하고 결과적으로 빨간색 경로는 장애물을 피합니다. 또한 측면 컨트롤러가 우수한 궤적 추적을 보장하고 13초에서 20초 사이의 장애물 감지를 피하는 것을 볼 수 있습니다. 이 시간 간격 동안 컨트롤러는 장애물을 피하고 작은 추적 오류 합계를 보장하기 위해 양수 값에서 음수 값으로 변경되는 조향 각도를 생성합니다.

Pictures

그림 9 조향 컨트롤러 결과

7 결론

본 논문에서는 세 가지 수준의 인식, 경로 계획 및 제어 안내를 기반으로 하는 동적 장애물 회피 방식을 제안합니다. 증거 점유 그리드를 기반으로 동적 장애물 감지가 수행됩니다. 경로 계획은 장애물 감지를 피하기 위해 부드러운 궤적을 생성하는 시그모이드 기능을 기반으로 합니다. 궁극적으로 차량은 충돌 중심에서 측면 제어 기반 전략을 통해 차량이 생성한 기준 궤적을 따릅니다. 테스트 차량의 실험 결과는 이 방법이 장애물 회피에 효과적이라는 것을 보여줍니다. 향후 작업에는 포지셔닝 전략에 대한 고려와 보다 복잡한 상황에서의 접근 방식 평가가 포함될 것입니다.

참고자료

사진

사진

사진

위 내용은 자율주행차의 장애물 회피, 경로 계획, 제어 기술에 대한 자세한 설명의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!