自動駕駛汽車避障、路徑規劃與控制技術詳解

1 介紹

智慧交通系統解決了複雜環境中具有挑戰性的自主性和安全性問題，因此它吸引了研究人員特別的關注。自動駕駛汽車概念的主要模組是感知、規劃和控制。

實際上，感知是由環境建模和在地化組成的。它們分別依賴外界和本體的感測器。接下來，規劃旨在基於感知結果傳遞的資訊來產生最佳軌跡，以便到達給定的目的地。最後，控制模組專用於透過命令車輛的執行器來追蹤生成的軌跡。

本文將針對避免障礙的具體情況介紹該過程的每個模組。這些任務在全域體系結構中的整合是本文的主要貢獻。感知模組確保根據準確的網格表示來描述環境。佔用柵格地圖（OGM）的使用對於避免障礙物特別方便，因為它可以識別可行駛空間並在場景中定位靜態和動態物件。然後在路徑規劃層級使用要避免的物體的姿態，該路徑規劃根據[1]中所示的 S型參數化函數和滾動水平線產生軌跡和速度曲線。所獲得的曲率輪廓被認為是引導控制模組的參考路徑。根據使用撞擊中心（CoP）而非經典重心的橫向引導控制器，此水平為車輛提供了適當的轉向角。所提出的控制器基於前饋和魯棒的狀態回授動作，以分別減少干擾對橫向誤差的影響並確保橫向穩定性[2]。

該檔案的組織結構如下：第二部分介紹了全域方法，其中包含為避免避障而將要實施的不同模組。第三部分介紹了基於信度網格佔用的動態物體偵測方法。第四部分說明了基於參數化S型函數和滾動地平線的避障演算法。第五節詳細介紹了基於前饋耦合到穩健狀態回授的控制器設計。第六部分說明了此實驗方法的實驗平台和結果。最後，第七節總結了論文。

2 避障策略

本節介紹基於三個模組的全域避障策略的標題，如圖1所示。本節將簡要介紹每個層次。

圖片

圖1 避障策略

A.感知模組

正確且有效地感知環境對於自動駕駛汽車是強制性的。這項研究主要關注環境感知，以提取靜態/動態物體的位置以及基於外部感知感測器的可駕駛路徑。定位部分未被視為車輛的位置被認為是已知和可靠的。提取道路和周圍物體資訊的最常用方法之一是「佔用網格」（OG）。它可用於多種應用，例如避免碰撞，感測器融合，目標追蹤以及同時定位和映射（SLAM）[3]。 OG的基本思想是將環境圖表示為二進制隨機變數的均勻間隔字段，每個變數均表示環境中該位置是否存在障礙物[4]。可以根據許多形式來產生它，以在已知車輛姿態的前提下處理嘈雜和不確定的感測器測量數據。在本文中，OG是由Dempster和Shafer [5] [6]提出的信念理論定義的，因為它對不確定性，不精確性和未知部分進行建模，也允許管理資料融合中的衝突。第三部分給出了更多細節。

B. 參考軌跡產生模組

#此模組專用於定義軌跡以及車輛要遵循的對應速度曲線。規劃者從感知模組接收可駕駛區域和障礙物位置。根據這些信息，可以產生幾何軌跡以及速度曲線。本文著重於路徑規劃策略。本部分旨在基於感知的可駕駛區域，提供從起點到終點的名義軌跡。

當偵測到障礙物時，計算第二軌跡（避障軌跡）以確保自動駕駛車輛乘客的安全性和舒適性，並在避開後加入標稱軌跡。這種避免軌跡可以透過局部規劃來獲得，因為它只涉及標稱軌跡的一小部分。為了降低軌跡生成演算法的計算成本，採用了滾動地平線方法，如[1]所述，其工作在本文中進行了擴展，請參見第IV節。然後，可以將這些軌跡（標稱和避障）視為控制模組（主要是橫向控制器）的參考。

C. 控制模組

#

控制模組由兩個主要部分組成：縱向和橫向控制器，確保自動駕駛控制。這裡主要關注側向控制器以處理避障。實際上，適當的轉向角度由側向控制器提供，以遵循參考生成模組給定的期望路徑。可以透過減少兩個追蹤誤差，即橫向誤差和航向誤差，來實現對所需路徑的追蹤。在文獻[7]中存在的幾何和動態橫向引導策略中，此處採用了基於碰撞中心（CoP）的動態方法[8]。此選擇取決於此控制方法的性能。 CoP是位於車輛重心（CoG）前方的幾何點，可以預測橫向位置誤差。然後可以期望更好的軌跡追蹤。另一方面，由於CoP的運動與後輪胎側向力[9]分離，如第V節所示，橫向動力學方程式變得較不複雜。

2 基於動態網格的動態障礙物偵測

#OG是將空間多維細分化為單元的表示形式，每個單元都儲存其佔用狀態的知識[4]。如今，由於可以使用更強大的資源來處理OG的運算複雜性，因此OG大量使用。網格的構造已應用於多個維度（2D，2.5D和3D）[10]，其中每個單元狀態均根據選定的形式描述。最常見的是貝葉斯框架，首先被Elfes [4]所採用，隨後又進行了許多擴展，成為了著名的貝葉斯佔用過濾器（BOF）[11]。其他作品則提出了基於Dempster-Shafer理論的形式主義，該理論也被稱為證據論，隨後進行描述。

A. 使用信念理論

#歸納為機率論，信念理論提供了資料和來源缺陷的充分表示，因此適合ITS中的感知。它提供了廣泛的融合算子，可以根據應用程式處理這些屬性。一些使用Belief框架建構OG的研究可以在[12]，[13]中找到。這項工作源自於[13]的研究，該研究提出了一種基於由此產生的衝突的移動物體檢測和可行駛空間確定方法。為此，將識別幀定義為包括認為其為空閒（F）或已佔用（O）的單元的狀態。辨識框是Ω={F，O}。參考效能集框架包含以下假設的所有可能組合：2Ω= {∅,F,O,{F,O}}。為了表達對每個狀態的信念，質量函數m(.)分別表示衝突m(∅)，自由狀態m(F)，佔領狀態m(O)和未知狀態m({F,O}) 。

B. 感測器模型

#基本上，感測器模型是如何計算與度量對應的狀態的品質函數。在我們的應用中，要使用的感測器是3D多迴聲LIDAR（請參見第VI節）。輸入資料將包括根據一點pi範圍ri和一個角度θi。根據此資料集，構造極座標中的掃描網格（SG）。 SG的每一行對應定義在RxΘ的一個角扇區Θ=[θ-，θ ]。單元格的範圍是R=[r-,r ] 這表示每個像元由一對質量定義為m{Θ,R} 。每個命題對應的質量A∈Ω在這裡找到[13]：

#圖片

其中μF和μO分別對應於感測器的誤警報和漏檢的機率。為簡單起見，將說明這些質量函數，m(O)，m(F)和 m(Θ)。

圖片

 圖2 地圖網格(MG)建構

圖2示出了使用在時間t處提供的感測器點雲來建立和更新MG的過程。此更新是根據多網格證據融合完成的。這是過程中最有趣的部分，因為它允許時間更新地圖網格並評估單元狀態。在信念理論的各種運算子中，使用了Dempster-Shafer組合規則：

#其中mMG,t和mMG,t-1分別表示在時間t的地圖網格和掃描網格的品質函數。運算子定義為：

其中，

##產生的結果mMG,t(A)定義每個單元的狀態，該狀態取決於先前的狀態和新的度量。發現根據每種狀態產生的質量如下[13]：

基本上，此屬性顯示了在t-1和t之間的不協調。不協調的出現在單元從自由狀態（Free）改變到被佔用狀態（Occupied）或相反。因此，衝突的檢測可以導致動態單元格的評估。衝突允許標記佔用的單元格，它們根據兩個衝突類型改變其狀態：

其中，

#融合過程透過總衝突將狀態品質歸一化，但考慮使用此資訊來標記定義動態物件的移動單元。然後，將每個檢測的姿勢用作下一部分中軌跡產生的輸入。

4 軌跡產生

本節專門用於路徑規劃，即建立幾何軌跡（跟隨座標點）Ai(xi,yi) 。由於本文旨在驗證所提出的迴避體系結構的可行性，因此未考慮速度曲線以及相關的縱向控制。如第二部分所述，路徑規劃模組具有兩個目標：根據起點和到達點產生全域標稱軌跡，並產生局部軌跡以避免偵測到障礙物。在此，焦點集中在迴避軌跡的產生。此迴避軌跡必須遵守安全標準，尤其是與障礙物之間的縱向和橫向距離。這些距離可以相等，如[1]中最近建議的那樣，在障礙物周圍創建了一個圓形安全區。本文透過考慮橫向和縱向安全性標準不同的整體情況，提出此方法的一般化。

為了獲得軌蹟的幾何形式，基於迴旋曲線，貝塞爾曲線或樣條曲線等函數，存在幾種數學方法[14]，[15]。 [16]中對所有這些幾何方法進行了詳細的回顧。這些方法具有有趣的特徵（平滑度，在候選集合中選擇最佳軌跡等），但是它們的計算成本可能很高。其中，sigmoid函數代表了平滑度和計算成本之間的公平取捨。考慮的方法建議將此數學方法與本地Horizo​​n計劃程序結合使用，以減少計算成本。這種計劃方法的優點在[1]中進行了很大的討論。這個本地計劃者考慮從佔用柵格中檢測到的障礙物的信息，以定義適當的平穩迴避操作，並返回標稱軌跡。

A. 幾何規避#​​

圖3給出了不同的軌跡：標稱軌跡，安全區和最終的平滑迴避軌跡。安全區定義R是偵測到障礙物之後的第一步。該區域不可導航，以免因與障礙物接近而發生碰撞。 Lx 和 Ly橢圓的半長軸和半短軸分別是定義區域的安全標準。定義後，就可以設計迴避軌跡。為了確保乘客的舒適性，選擇了基於S形的功能。在圖3中，A 指的是起點（即自我車輛的重心）， B是sigmoid的屈曲點，而WP是要達到的起點。平滑度C （）可以進行調整，因此避免軌跡可以定義為

為了獲得在障礙物移動時具有穩健性的演算法，對每個水平向量樣本重複整個過程（確定安全區域並計算基於S形函數的路點）。

圖片

圖3 軌跡規劃

B. 水平規劃

為了減少演算法的計算成本，使用了局部規劃器。它沒有遵循整個避障軌跡，而是分成幾個部分。在此離散水準的每個樣本處都計算局部軌跡，從而降低了計算成本並使演算法對動態障礙物具有穩健性。可以參數化兩個參數：樣本大小和水平長度。最後一個取決於配備的感知感知器（硬體約束）和車速（滾動水平線）。樣本步驟代表軌跡在局部段的細分。整個原理總結在圖4。

圖片

圖4 地平線規劃

#

當車輛到達下一個取樣步驟時，將再次計算局部水平線。可以看到，兩次迭代之間有一個共同的部分，允許演算法處理動態障礙。與離散時域一樣，樣本大小的選擇需要在準確性和計算成本之間進行權衡。此演算法進行迭代，直到地平線向量到達完整軌蹟的末尾，即，當感知感測器覆蓋軌跡的所有細分時。此幾何軌跡是導引控制級的輸入。

5 控制器設計

本節介紹了圖1所示的控制模組中使用的橫向控制器設計。橫向導引旨在減少兩種誤差，即橫向誤差，車輛的CoG與參考軌跡之間的距離以及航向誤差，車輛縱軸與參考軌跡之間的距離，如圖5所示：

圖片

圖5 橫向與航向誤差

這裡，取代經典的CoG橫向誤差ey，建議在CoP定義為[9]時使用橫向誤差：

#CoP和CoG之間的距離xcop僅取決於車輛配置：

其中m和Iz 車輛質量和偏航慣性，以及lf是CoG與前軸之間的距離。由（12）可以看出CoP橫向誤差ecop高於圖5側向誤差ey。這樣，可以預期橫向位置誤差，並且可以預期更好的軌跡追蹤。與基於CoG（重心）的經典控制器相比，此處的撞擊中心（CoP）被用作車輛上的幾何點。 CoP的主要優點是降低了橫向動力學方程式的複雜度，因為後輪胎橫向力不會影響CoP的移動[9]。

基於平面自行車模型[17]，並使用追蹤誤差（11）和（12），用於設計CoP橫向導航控制器的追蹤誤差模型為：

其中狀態向量，δf是前輪轉角，##作為擾動項目包含期望橫擺角速度和橫擺角加速度。

圖片

#Lr是CoG與後軸之間的距離，Cf和Cr是前後輪胎側偏剛度。注意後Cr 不在Ac第二行  因此，使用CoP可以減少不確定參數的數量。

橫向控制器計算適當的δf為了保證狀態向量誤差的收斂接近零。此外，由於追蹤誤差模型的動力學特性受到wref的影響，控制器還必須確保其影響的衰減程度。為了實現這些目標，提出了一個由前饋耦合到穩健狀態回饋的橫向控制器[2]：

圖片

 LFF和KFB分別是前饋和穩健的回饋增益。前饋動作旨在部分消除向量的影響wref。 CoP的好處在於，獲得的前饋不需要了解Cr。狀態回饋動作可確保誤差向量趨於零的指數收斂並減弱向量wref的影響。可以使用線性矩陣不等式（LMI）來表示這種魯棒的控制問題，如[2]所示。

6 實驗結果

#A. 實驗設定

實驗平台ARTEMIPS是配備多個感測器的自動測試車：採用DGPS技術的高精度IMU（慣性測量單元）RT-3002、2台IBEO LUX 2D 4層雷射掃描儀，2台VLP -16 Velodyne3D雷射掃描儀和高範圍攝影機MANTA-G125（參見圖6））。 RT-3002用作位置，速度，加速度和方向測量的參考感測器。 LUX掃描器用於在汽車的前部和後部提供遠端偵測（以4層點雲的形式）。 VLP-16用於完成汽車兩側環境的檢測（它們提供16層點雲，並具有360°環繞視野）。 ARTEMIPS還配備了3個致動器和2個整合的伺服電動馬達MAC-141，用於控制方向盤和煞車踏板，以及用於導航汽車引擎的多功能NI-daq系統。所有感測器和執行器都連結到運行Intempora的RTMaps軟體解決方案的嵌入式電腦。它是專用於多感測器和多執行器系統的平台。

圖片

圖6 實驗平台ARTEMIPS及其參考架構

B. 實驗結果

出於可讀性目的，僅透過考慮障礙物避免情況的一種實驗方案來評估所提出體系結構的表現。此測試以恆定速度執行vx=10km/h。

根據來自四個雷射掃描器的記錄資料集，根據第三部分所述的方法，將點雲用於OG的構造。圖7顯示了周圍的場景和要避免的物件。 OG的時間融合突顯了描述動態單元的衝突。應用了層次聚類演算法（來自MATLAB中的統計和機器學習工具箱）來建構動態物件。它們如圖8所示。透過3D邊界框。顯示的座標對應於基於GPS資料的車輛姿態。要避免的物件是紅色的物件。可以注意到，由於方法對定位誤差的敏感度，可以發現一些錯誤的檢測結果。

圖片

圖7 用於避障測試的順序

圖片

圖8 點雲，原點座標與障礙物偵測

實驗結果如圖9所示。從左上圖可以看出，標稱軌跡線與物體的位置相交，而產生的紅色路徑則避免了障礙物。還可以觀察到，橫向控制器確保了良好的軌跡跟踪，並可以避免在13 s和20 s之間檢測到障礙物。在此時間間隔內，控制器會產生從正值變為負值的轉向角，以避免障礙物並確保較小的追蹤誤差和。

圖片

圖9 轉向控制器結果

7 結論

本文提出了一個基於感知，路徑規劃和控制指導三個層次的動態避障方案。動態障礙物偵測是根據證據佔用網格進行的。路徑規劃基於sigmoïd函數​​產生平滑的軌跡，以避免偵測到障礙物。最終，車輛透過碰撞中心的基於橫向控制的策略跟隨車輛產生的參考軌跡。在我們的測試車輛上的實驗結果表明，該方法可有效避開障礙物。未來的工作將包括考慮定位策略以及在更複雜的情況下對該方法的評估。

參考文獻

#圖片

圖片

#

以上是自動駕駛汽車避障、路徑規劃與控制技術詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！