불확실한 환경에서 자율주행을 위한 궤도 계획 방법 개선

논문 제목: "향상된 모델 예측 제어를 기반으로 한 불확실한 환경에서 자율주행 자동차의 궤적 계획 방법"

발간 저널: IEEE Transactions on Intelligent Transportation Systems

발행일: 2023년 4월

다음은 저입니다. 나만의 논문 독서 노트 본 글은 전문 번역이 아닌 주로 제가 핵심이라고 생각하는 부분입니다. 본 글은 이전 글에 이어 본 논문의 실험적 검증 부분을 정리한 것입니다. 이전 글은 다음과 같습니다. 다음은 제가 직접 작성한 논문 독해 노트로, 전문 번역이 아닌 제가 핵심이라고 생각하는 부분을 위주로 정리한 글입니다. 이전 기사는 다음과 같습니다.

fhwim: 불확실한 환경에서 자율주행차를 위한 향상된 모델 예측 제어를 기반으로 한 궤도 계획 방법
https://zhuanlan.zhihu.com/p/658708080

1 시뮬레이션 검증

(1) 시뮬레이션 환경

공동 시뮬레이션 도구에는 Prescan, PyCharm, Matlab/Simulink가 포함되며, 그 중 Prescan을 사용하여 시뮬레이션된 교통 장면을 구축하고 PyCharm(쉽게 신경망 또는 pytorch 사용)을 사용하여 융합 예측 모듈을 작성합니다. , Matlab/Simulink(MPC 툴박스 포함)는 궤적 계획 모듈을 구축하고 차량 제어를 실현하는 데 사용됩니다. 전반적인 도구 선택 아이디어는 비교적 자연스럽고 합리적입니다. 이 부분을 제어하는데 사용되는 수평 제어는 LQR, 수직 제어는 PID를 사용하는데 이 역시 비교적 일반적인 제어 방식이다. 융합 예측 모듈의 LSTM 인코더-디코더는 오픈 소스 코드를 사용합니다. 저자는 참고 문헌 [31] Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances에서 따왔다고 밝혔는데, 이 글이 2011년에 출판된 것으로 봤습니다. 조금 오래되었습니다(2011년의 LSTM 인코더-디코드는 어디에 있었습니까?). 작성자가 이를 기반으로 코드를 변경했는지는 알 수 없습니다.

그림 1 시뮬레이션 환경 설정

(2) MRPI 세트 얻기

그림 2 MRPI 세트 서브시스템

(3) 사례 1: 정적 회피 장애물 장면

정적 장애물 회피 장면은 정지해 있는 장애물 차량을 의미합니다. 궤적 계획 결과는 다음과 같습니다.

그림 3의 일반 MPC 방법과 파이프라인 기반 MPC 방법을 비교

여기서 그는 전설이 있다고 의심합니다. 질문, 이전 기사에 따르면 원하는 궤적과 조정 궤적을 추가하여 최종 참조 궤적을 얻는 동시에 결과를 분석할 때 튜브 기반 MPC가 영역에 있다고 말했습니다. 그림 3(b)의 조정 궤적은 오류를 줄이므로 그림 3(b)의 원하는 궤적과 참조 궤적의 두 범례가 일치해야 합니다. )을 교환해야 합니다. 즉, 녹색 선이 최종 기준 궤적입니다. 파란색 선은 원하는 중간 결과 궤적입니다. 아래의 속도 곡선과 수평 및 수직 오차 곡선을 포함하면 저자가 의미하는 바를 이해할 수 있을 것입니다. 튜브 기반 MPC의 녹색 곡선은 최종 결과이고 파란색 곡선은 조정 궤적을 적용하지 않은 결과입니다.

그림 4는 일반 MPC 방법과 파이프라인 기반 MPC 방법의 속도 변화 비교를 보여줍니다.

그림 5 가로 위치 비교

다시 작성해야 할 내용은 다음과 같습니다. 수평 및 수직 오류 그림 6

저자는 스티어링 휠 각도 변화의 부드러움도 비교했는데, 여기서는 자세히 설명하지 않겠습니다. 동시에 저자는 궤적 조정의 좋은 효과에 대한 이론적 근거를 제시했습니다. 이를 추가한 후 궤적 오류는 항상 MRPI 세트 내에 있습니다. 즉, 튜브 기반 모델 예측 제어의 추적 편차입니다. (튜브 기반 MPC)는 항상 MRPI 세트 내에 있습니다. 일반 모델 예측 제어(MPC)는 불확실한 환경에서 경계가 없으며 이는 매우 클 수 있습니다.

(4) 사례 2: 동적 장애물 회피 장면

과 비교 이전 장면에서는 이제 장애물 차량이 움직이기 시작합니다. 전반적인 궤적, 속도 변화, 수평 및 수직 오류, 스티어링 휠 변화의 부드러움에 대해서는 자세히 설명하지 않습니다. 여기서는 전체 궤적만 보여줍니다

그림 7 일반 MPC 방식과 튜브 기반 MPC 방식의 전체 궤적 비교

(5) 사례 3: 실제 주행 장면

여기서는 저자는 NGSIM 데이터세트를 사용하여 방법을 검증하기로 선택했습니다. 첫째, 저자는 융합 예측 방법을 검증했습니다. NGSIM 데이터 세트에는 차량 궤적 데이터가 포함되어 있으며, 저자는 이를 과거 궤적과 미래 궤적으로 나누고 LSTM 인코더-디코더가 학습할 수 있는 훈련 세트를 구성했습니다. 저자는 10,000개의 궤적을 선택했으며 그 중 7,500개는 훈련 세트로 사용되었고 2,500개는 검증 세트로 사용되었습니다. 최적화 프로그램은 Adam을 가져와 학습률을 0.01로 설정합니다. 예측 효과는 아래 그림과 같습니다

그림 8 수평 및 수직 궤도 예측 결과와 불확실성

이 글에서 저자는 ADE와 같이 궤도 예측 분야에서 일반적으로 사용되는 지표를 사용하지 않았습니다. FDE 등 이 접근 방식은 설득력이 없다고 생각하지만, 이 글의 초점은 튜브 기반 MPC 기반의 궤적 계획이라는 것도 이해할 수 있습니다

궤적 예측을 확인한 후, 궤적 예측 모듈의 역할을 더욱 검증하기 위해 궤적 계획을 수행했습니다. . 비교는 다음과 같습니다. 세 가지 상황이 있습니다.

(a) 장애물 자동차의 실제 미래 궤적을 이미 알고 있는 경우 이것이 통제 그룹 역할을 합니다.

미래를 모르는 경우. 장애물 자동차의 궤적을 먼저 합니다. 궤적 예측(불확도 계산은 아님)을 한 다음 궤적 계획을 세웁니다

(c) 장애물 자동차의 미래 궤적을 알 수 없을 때 먼저 궤적 예측(불확도 계산)을 수행합니다.

그림 9는 각각 True Position, Prediction Results, Proposed Method에 해당하는 (a), (b), (c)의 결과를 보여줍니다.

Proposed Method는 의 방법으로 얻은 결과입니다. 이 기사에서는 제안된 방법이 True Position에 더 가깝다는 것을 알 수 있으며 이러한 융합 예측 방법(특히 불확실성 계산)이 효과적임을 보여줍니다.

그림 9 궤적 예측 모듈을 검증하는 세 가지 방법 비교

여기서 Case1과 Case2가 궤적 계획 부분을 일반 모델 예측 제어(MPC)와 파이프라인 앞에서 검증하는 것을 볼 수 있습니다. 기반 MPC도 동일합니다. 이 비교를 통해 파이프라인 기반 MPC의 역할을 설명할 수 있습니다. Case3은 궤적 예측 모듈을 검증하는 것으로, 두 가지 유형의 검증이 수행된 것을 확인할 수 있습니다. 첫 번째 유형은 예측된 궤적과 실제 궤적을 직접 비교하는 것이고, 두 번째 유형은 미래 궤적을 먼저 알고/미래 궤적을 예측(불확도 계산 없이)/미래 궤적을 예측(불확실성 계산)한 후 궤적을 수행하는 것이다. 계획. 실제 위치를 기준으로 불확실성 계산을 적용한 궤적 예측 방법과 불확실성 계산을 적용하지 않은 궤적 예측 방법의 효과를 비교한다. 이 두 모듈에 대한 검증 아이디어는 여전히 매우 명확합니다

2. 실제 차량 실험 검증

실험에 사용된 차량은 아래 그림과 같습니다.

다시 작성해야 할 내용은 다음과 같습니다. 실험에 사용된 차량 사진 10

저자는 실험 차량의 매개변수와 실험에 사용된 컴퓨터 및 센서의 매개변수도 제공했습니다.

다시 작성해야 할 내용은 다음과 같습니다. 그림 11 컴퓨터와 센서의 매개변수

를 다시 작성해야 합니다. 내용은 다음과 같습니다. 실험 차량의 매개변수, 그림 12

안전을 위해 저자가 설정한 실험 장면은 시뮬레이션 실험 사례 1과 동일합니다. 정적 장애물 회피 장면이므로 전체 궤적, 속도 변화, 수평 및 수직 오차를 비교하는 것이 좋습니다. 그리고 스티어링 휠의 부드러움이 변하는데, 이에 대해서는 자세히 설명하지 않겠습니다.

3. 읽기 요약

우선, 논문의 아이디어는 불확실성 계산을 이용한 궤적 예측 모듈과 튜브 기반 MPC 기반의 궤적 계획 모듈에 관한 것입니다. 그 중 궤적계획 모듈이 주요 내용이다. 나는 이 모듈식 형식이 실제로 궤도 계획에 궤도 예측을 적용하기 때문에 매우 만족합니다. 예측의 출력은 계획의 입력으로 사용되며 계획 모듈은 예측 모듈의 안전 임계값만 결정하므로 두 모듈 간의 결합이 약합니다. 즉, 예측모듈은 장애물 차량의 궤적과 불확실성을 예측한 결과를 제공할 수 있는 한 다른 방법으로 대체될 수 있다. 미래에는 궤적과 불확실성을 직접 예측하기 위해 보다 발전된 신경망이 고려될 수 있습니다. 전체적으로 이번 융합 예측 알고리즘의 과정은 다소 복잡하지만, 논문의 아이디어는 매우 좋다고 생각합니다. 시뮬레이션과 실제 차량 테스트에 대한 아이디어와 작업량도 만족스럽습니다

둘째, 기사를 읽으면서 발견된 낮은 수준의 오류가 있습니다. 예를 들어 LSTM 인코더-디코더 부분에서 LSTM 출력은 미래 단계의 궤적 지점으로 수식에도 쓰여 있지만 텍스트에서는 로 쓰여 있습니다.

Figure 13 LSTM 인코더-디코더 부분의 일부 오류

그리고 시뮬레이션 실험 부분에서 MRPI Set을 계산할 때 시스템 (21), 즉 오류 시스템을 하위 시스템으로 나눈다고 합니다. (32)와 (34), 그러나 실제로 하위 시스템 (30)과 (32)에서는 이러한 작은 오류가 전체 방법에는 영향을 미치지 않지만 독자의 독서 경험에도 영향을 미칩니다.

그림 14 시뮬레이션 실험부 MRPI 원본 텍스트 설정

그림 15의 오류 시스템은 하위 시스템 (30)과 (32)로 구분됩니다

원문 링크: https://mp .weixin.qq.com/s/0DymvaPmiCc_tf3pUArRiA

위 내용은 불확실한 환경에서 자율주행을 위한 궤도 계획 방법 개선의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!