你的智能汽车能否聪明地绕开物体

自动驾驶能否识别障碍物的能力与环境感知同等重要,如何安全有效的规划行驶路线,是自动驾驶汽车需解决的最大的难题之一。事实上,路径规划技术,现阶段是一个非常活跃的研究领域。路径规划之所以如此复杂,是因为其涵盖了自动驾驶的所有技术领域,从最基础的制动器,到感知周围环境的传感器,再到定位及预测模型等等。准确的路径规划,要求汽

自动驾驶能否识别障碍物的能力与环境感知同等重要,如何安全有效的规划行驶路线,是自动驾驶汽车需解决的最大的难题之一。事实上,路径规划技术,现阶段是一个非常活跃的研究领域。路径规划之所以如此复杂,是因为其涵盖了自动驾驶的所有技术领域,从最基础的制动器,到感知周围环境的传感器,再到定位及预测模型等等。准确的路径规划,要求汽车要理解我们所处的位置以及周边的物体(其他车辆、行人、动物等)会在接下来的几秒钟内采取什么样的行为。

首先来说一下三个名词:路径规划、避障规划、轨迹规划

路径规划通常指全局的路径规划,也可以叫全局导航规划,从出发点到目标点之间的纯几何路径规划,无关时间序列,无关车辆动力学。

避障规划又叫局部路径规划,又可叫动态路径规划,也可以叫即时导航规划。 主要是探测障碍物,并对障碍物的移动轨迹跟踪( Moving Object Detection and Tracking ,一般缩写为MODAT)做出下一步可能位置的推算,最终绘制出一幅包含现存碰撞风险和潜在碰撞风险的障碍物地图,这个潜在的风险提示是100毫秒级,未来需要进一步提高,这对传感器、算法的效率和处理器的运算能力都是极大的挑战,避障规划不仅考虑空间还考虑时间序列,在复杂的市区运算量惊人,可能超过30TFLOPS,这是无人车难度最高的环节。未来还要加入V2X地图,避障规划会更复杂,加入V2X地图,基本可确保无人车不会发生任何形式的主动碰撞。

轨迹规划则源自机器人研究,通常是说机械臂的路径规划。 在无人车领域,轨迹规划的定义感觉不统一。有人将避障规划与轨迹规划混淆了。轨迹规划应该是在路径规划和避障规划的基础上,考虑时间序列和车辆动力学对车辆运行轨迹的规划,主要是车纵向加速度和车横向角速度的设定。将设定交给执行系统,转向、油门、刹车。如果有主动悬挂,那么轨迹规划可能还要考虑地形因素。

三大规划是无人车最复杂的部分,算法多不胜数,让人眼花缭乱,这也是百度、谷歌和苹果科技巨头要切入无人车领域的主要原因,这些科技巨头最擅长的就是算法的优化整合。当然传统车厂如福特和丰田,拥有对车辆动力学的绝对优势,在此领域实力并不比科技巨头要差,尤其是丰田,从开源 SLAM到KITTI,软件实力丝毫不次于谷歌。

对于全局型路径规划不算复杂,前提是有拓扑级地图,这对地图厂家来说很容易的。对于非地图厂家是有点麻烦的,不过只能算小麻烦。

今天我们重点了解一下避障规划,避障规划的前提是对周围环境有深刻的理解,有一个非常完善实时的环境理解。

在此之前不得不先要理解无人驾驶避障的含义,很明显我们根据无人驾驶避障的过程,可以将无人驾驶避障分成三个方面:

1.运动障碍物检测:对运动过程中环境中的运动障碍物进行检测,主要由车载环境感知系统完成。

2.运动障碍物碰撞轨迹预测:对运动过程中可能遇到的障碍物进行可能性评级与预测,判断与无人驾驶车辆的碰撞关系。(当你检测到障碍物后,你就得让机器判断是否会与汽车相撞)

3.运动障碍物避障:通过智能决策和路径规划,使无人驾驶车辆安全避障,由车辆路径决策系统执行。(判断了可能会与汽车发生碰撞的障碍物后,你就得去让机器做出决策来避障了)

运动障碍物检测方法

运动障碍物检测根据他们的sensor主要分成两类:

一种是基于激光雷达和毫米波雷达的

一种是基于立体视觉的

运动障碍物碰撞轨迹预测

这一部分与障碍物的检测识别分不开的。无人车的感知系统需要实时识别和追踪多个运动目标(Multi-ObjectTracking,MOT),例如车辆和行人。

物体识别是计算机视觉的核心问题之一,最近几年由于深度学习的革命性发展,计算机视觉领域大量使用CNN,物体识别的准确率和速度得到了很大提升,但总的来说物体识别算法的输出一般是有噪音的:物体的识别有可能不稳定,物体可能被遮挡,可能有短暂误识别等。自然地,MOT问题中流行的Tracking-by-detection方法就要解决这样一个难点:如何基于有噪音的识别结果获得鲁棒的物体运动轨迹。

运动障碍物的避障本质上它是一个路径规划的过程:在路段上有未知障碍物的情况下,按照一定的评价标准,寻找一条从起始状态到目标状态的无碰撞路径。

预测

预测模块的作用是对感知所探测到的物体进行行为预测,并且将预测的结果具体化为时间空间维度的轨迹传递给下游模块:行为决策模块。然后行为决策模块结合路由寻径模块从而进行行为决策。

这些选择就是结合高精地图的全局规划,然后再通过汽车周边传感器感知的信息进行局部规划,从而判断汽车是否右转、直行or并道。

路径规划

先简单理解一下自动驾驶汽车的功能层,因为路径规划需要自动驾驶汽车不同功能层之间的合作、协调。

动作控制层:负责控制汽车,使其尽可能的按照“设定的”轨迹形式。该层需要最快的反应速度;

传感器融合层:负责合并个传感器的输出(如雷达和激光雷达)

定位层:负责尽可能准确的在地图上定位车辆的位置,并计算其他物体相对于车辆的位置

预测层:负责识别传感器检测到的物体的性质(又名感知),并根据汽车当前的轨迹、其他车辆的轨迹和场景中的各种元素(如交通灯)预测场景中近未来的变化。这个层的一个重要任务是预测冲突。

行为层:该层的主要作用是协调。根据底层的输入信息来决定如何调整行车轨迹

轨迹层:负责计算既定条件(速度、距离、车道、jerk等等)下的行车轨迹

对于不同的环境,我们创造了环境模型,再加上路径搜索就构成了路径规划。通常,环境模型有三大类,分别是栅格法、可视图法、自由空间法。路径搜索算法就多了,Dijkstra、Floyd-Warshall、A+算法、层次法、动作行为法、势场域法、栅格法、模糊逻辑法、拓扑法、惩罚函数法、遗传算法、模拟退火法、蚁群法和神经网络法等。大多数算法都是诞生于六十年代。

对于环境建模来说,栅格法是公认最成熟的算法,栅格法应该也是安全系数最高的算法,也是最耗运算资源的算法。不过无人车要考虑安全,安全是第一位,成本是第二位,同时有英伟达和英特尔这样的半导体巨人在不断提高运算性能,运算资源不用过多考虑。

栅格法与激光雷达很搭

可视图法和自由空间法和栅格法相比的优点是比较灵活,对运算资源消耗少。缺点很明显,障碍物多少与算法复杂程度成正比,算法太复杂时可靠性就降低,同时不太适合动态环境,要求运动速度变化尽量小。栅格法的缺点是如果分辨率高,对运算资源和内存需求较高。 显然,可视图法和自由空间发适合机器人,栅格法更适合无人车,这在业内差不多已经是定论。这和传感器也有部分关系,视觉系统难以适应太精细的格栅法,因为视觉系统的要做精细的定量边界分割是不可能的,而激光雷达非常适合栅格法。

Dijkstra(迪杰斯特拉)——最短路算法的经典算法

路径算法的种类如此之多,可以看出他一直是一个热门话题,也采用了许多技术。这些路径规划方法大致可以分为三种:

1.基于图搜索的规划器

2.基于采样的方法

3.内插曲线规划器

在基于图形搜索的规划器的范围内,Dijkstra算法是一种基于图形搜索的算法,给定一个起点,使用Dijkstra算法可以得到起点到其它所有节点的最短路径。Dijkstra算法要求图(Graph)中所有边的权重都为非负值,只有保证了这个条件才能该算法的适用性和正确性。

在《自动驾驶路径规划-Graph Based的BFS最短路径规划》中介绍,将地图抽象为Graph的数据结构,然后利用Graph广度优先遍历算法(Breadth-First Search, BFS)解决无权重的High-Level的地图级别的规划。但是实际应用场景中,地图中各个路径所代表的Graph的边的权重都是不同的,比如距离长的Edge权重就应该比较低;交通拥堵的Edge权重就应该低等等。对于有权重的Graph如何进行最短路径规划呢,Dijkstra算法可以解决这个问题。

华夏智能网

它的基本思路是:

考虑一个图,该图由两部分组成:节点和连接结点的边。其中每条边还被指定了一个数值,表示从该边的一个端点移动到另一端点的代价,通常指距离。

让我们把图中的开始节点称为初始节点。让节点Y的距离是从初始节点到Y的距离。Dijkstra的算法将分配一些初始距离值,并尝试逐步改进。

1.为每个节点分配一个暂时的距离值:为我们的初始节点设置为零,对所有其他节点设置为无穷大。

2.将初始节点设置为当前节点。标记所有其他节点为未访问节点,创建一组称为未访问集的未访问节点。

3.对于当前节点,考虑其所有邻居并计算其临时距离。将新计算的临时距离与当前分配的值进行比较,并分配较小的值。例如,如果当前节点A的距离为6,并且与邻居B连接的边的长度为2,则到B(途径A)的距离将为 6 + 2=8,如果B先前标记的距离大于8,然后将其更改为8。否则,保持当前值。

4.当我们完成考虑当前节点的所有邻居时,将当前节点标记为已访问,并将其从未访问集中移除,以后将不会再次检查被访问的节点。

5.如果目标节点已被标记为华夏智能网访问(在两个特定节点之间规划路由时),或者未访问集合中的节点之间的最小暂定距离都是无穷远(当完整遍历时;当初始节点和剩余的未访问节点之间没有连接时),算法结束。

6.否则,选择标有最小暂定距离的未访问节点,将其设置为新的“当前节点”,然后返回到步骤3。

作为运动规划领域最著名的算法之一,Dijkstra算法可以解决带权重有向图的最短路径规划问题,在实际的路径规划中也有大规模的实际应用。但是Dijkstra算法的搜索没有方向性,会有大量冗余的搜索操作。我们可以给Dijkstra加上一些启发性的信息,引导搜索算法快速的搜索到目标,这就是A*算法。由于加入引导信息,A*算法在大多数情况下会比Dijkstra算法要快。

对于移动机器人来说,轨迹生成问题主要研究如何生成一系列动作,使得机器人由初始状态到达目标状态。对于无人车来说,其初始状态包括其二维坐标 (x, y)、 航向角 ψ 以及曲率 κ。

实际情况远比这复杂,还需要建立大量的数学方程。良好的规划必须建立对周边环境,尤其是动态环境的深刻理解。

参考资料:

1.智车科技:自动驾驶之——避障方法研究

2.智车科技:自动驾驶核心技术之路径规划

3.算法集锦之路径规划算法:Dijkstra算法

4.自动驾驶基础(十八)--路径规划

5.自动驾驶高速路上的路径规划算法


文章来源:https://baijiahao.baidu.com/s?id=1664663465467468073&wfr=spider&for=pc

本文由 汽车热线网 作者:admin 发表,其版权均为 汽车热线网 所有,文章内容系作者个人观点,不代表 汽车热线网 对观点赞同或支持。如需转载,请注明文章来源。

发表评论