<mark id="btymc"></mark>

  • <optgroup id="btymc"></optgroup>
      1. 分享

        更多

           

        自動駕駛的“大腦”——決策規劃篇

        2018-01-25  開文如其





         智能汽車 (  Intelligent  Vehicles)  是智能交通系統(Intelligent Transportation Systems)  的重要組成部分。智能汽車根據傳感器輸入的各種參數等生成期望的路徑,并將相應的控制量提供給后續的控制器。所以決策規劃是一項重要的研究內容,決定了車輛在行駛過程中車輛能否順暢、準確得完成各種駕駛行為。


        決策規劃是自動駕駛的關鍵部分之一,它首先融合多傳感信息,然后根據駕駛需求進行任務決策,接著在能避開可能存在的障礙物前提下,通過一些特定的約束條件,規劃出兩點間多條可選安全路徑和,并在這些路徑中選取一條最優的路徑作為車輛行駛軌跡。決策規劃按照劃分的層面不同可分為全局規劃和局部規劃兩種。全局規劃是由獲取到的地圖信息,規劃出一條在一些特定條件下的無碰撞最優路徑;局部規劃則是根據全局規劃,在一些局部環境信息基礎上,能避免撞上未知的障礙物,最終到達目標點的過程。


        軌跡規劃是智能汽車自主駕駛行為必須涉及到的一項研究,由于道路環境非常復雜,車輛系統本身是非完整系統,使得智能汽車在行駛過程中的運動軌跡規劃問題變得復雜。傳統的路徑規劃方法僅僅考慮了地形空間的幾何約束,忽略了車輛的運動學和動力學特性,因而規劃結果不一定是可行的,運動控制系統無法使得車輛準確得跟蹤規劃軌跡。近年來,國內外智能汽車的運動軌跡規劃方法有了很大的改進,這些方法最大的改進就是考慮車輛實際行駛的環境條件并根據控制系統的需要,以生成最優的參考軌跡。


        軌跡規劃技術概述:路徑規劃問題最早出現在 20 世紀 60 年代末的人工智能機器人領域,特指考慮移動主體和障礙物之間的幾何關系,找到一條不發生碰撞的靜態路徑,通常表示輪式移動機器人在笛卡爾坐標下位置和姿態的關系[21]。運動軌跡規劃是在靜態路徑規劃的基礎上考慮時間因素和車輛的運動學、動力學約束條件,并根據車輛當前的位姿以及傳感器收集到周圍環境的狀態信息,考慮智能汽車的內在約束條件( 如非完整約束) 和車輛的運動學、動力學約束條件對軌跡生成的影響,規劃出可行的參考軌跡。最后將軌跡以控制量的方式供給到后續的控制系統,使得車輛可以沿著相應的軌跡行駛,避免碰撞。


        決策規劃技術結構體系



         決策規劃層是自主駕駛系統智能性的直接體現,對車輛的行駛安全性和整車性能起著決定性作用,以谷歌和斯坦福等為代表的眾多企業和高校做出了大量研究。常見的決策規劃體系結構有分層遞階式、反應式以及二者是混合式。


        • 分層遞階式體系結構


        分層遞階式體系結構是一個串聯系統結構,如圖 3-1 所示。在該結構中,智能駕駛系統的各模塊之間次序分明,上一個模塊的輸出即為下一個模塊的輸入,因此又稱為“感知-規劃-行動”結構。當給定目標和約束條件后,規劃決策就根據即時建立的局部環境模型和已有的全局環境模型決定出下一步的行動,進而依次完成整個任務。

        圖3-1決策規劃-分層階梯式體系結構


        由于該結構對任務進行了自上而下的分解,從而使得每個模塊的工作范圍逐層縮小,對問題的求解精度也就相應的逐層提高,具備良好的規劃推理能力,容易實現高層次的智能控制。但是也存在一些缺點:(1) 它對全局環境模型的要求比較理想化,全局環境模型的建立是根據地圖數據庫先驗信息和傳感器模型的實時構造信息,所以它對傳感器提出了很高的要求,與此同時,存在的計算瓶頸問題也不容忽視,從環境感知模塊到執行模塊,中間存在著延遲,缺乏實時性和靈活性;(2) 分層遞階式體系結構的可靠性不高,一旦其中某個模塊出現軟件或者硬件上的故障,信息流和控制流的傳遞通道就受到了影響,整個系統很有可能發生崩潰而處于癱瘓狀態。


        • 反應式體系結構


        與分層遞階式體系結構不同,反應式體系采用并聯結構,如圖 3-2 所示,每個控制層可以直接基于傳感器的輸入進行決策,因而它所產生的動作是傳感器數據直接作用的結果,可突出“感知-動作”的特點,易于適應完全陌生的環境。其中,基于行為的反應式體系結構是反應式體系中最常用的結構。反應式結構最早于 1986 年由 Brooks,并成功應用于移動機器人[24]。其主要特點是存在著多個并行的控制回路,針對各個局部目標設計對應的基本行為,這些行為通過協調配合后作用于驅動裝置,產生有目的的動作,形成各種不同層次的能力。雖然高層次會對低層次產生影響,但是低層次本身具有獨立控制系統運動的功能,而不必等高層次處理完畢。

        圖3-2決策規劃-反應式體系結構


        反應式體系結構中的許多行為主要設計成一個簡單的特殊任務,所以感知、規劃和控制三者可緊密地集成在一塊,占用的存儲空間不大,因而可以產生快速的響應,實時性強。同時,每一層只需負責系統的某一個行為,整個系統可以方便靈活的實現低層次到高層次的過渡,而且如若其中一層的模塊出現了預料之外的故障,剩下的層次仍能產生有意義的動作,系統的魯棒性得到了很大的提高。但是設計方面也存在一些難點:

        (1) 由于系統執行動作的靈活性,需要特定的協調機制來解決各個控制回路對同一執行機構爭奪控制的沖突,以便得到有意義的結果;

        (2) 除此之外,隨著任務復雜程度以及各種行為之間交互作用的增加,預測一個體系整體行為的難度將會增大,缺乏較高等級的智能。


        • 混合式體系結構


        分層遞階式體系結構和反應式體系結構各有優劣,都難以單獨滿足行駛環境復雜多變時的使用需求,所以越來越多的行業人士開始研究混合式體系結構,將兩者的優點進行有效的結合(如圖 3-3),在全局規劃層次上,則生成面向目標定義的分層遞階式行為;在局部規劃層次上,生成面向目標搜索的反應式體系的行為分解。


        車輛駕駛決策技術是實現自主駕駛的核心,不良駕駛決策將影響車輛自身安全、節能和舒適性,并造成外部交通流效率降低。國內外學者在基于環境信息、車輛狀態等方面的車輛智能駕駛決策方法已取得了一些成果,能夠在一定程度上滿足復雜、動態的實際交通場景。

        圖3-3基于功能和行為分解的混合體系結構


        決策規劃系統的關鍵環節



        智能駕駛決策規劃系統的開發和集成基于遞階系統的層次性特征,可分為四個關鍵環節,分別是信息融合、任務決策、軌跡規劃和異常處理。其中,信息融合,完成多傳感器的數據關聯和融合建立周邊環境模型;任務決策,完成智能汽車的全局路徑規劃任務;軌跡規劃,在不同的局部環境下,進行智能駕駛車輛的運動軌跡狀態規劃;異常處理,負責智能汽車的故障預警和預留安全機制。任務決策和軌跡規劃分別對智能性和實時性要求較高。


        • 傳感信息融合


        傳感信息融合是將多個傳感器的輸出信息統一在車輛坐標系下,建立具有時間標記的數據關聯和融合,以保證場景數據信息的連貫性和適用性。


        智能駕駛汽車在環境感知方面,通常會使用到多種傳感器來進行行駛環境數據的采集與分析,分為環境傳感器如單目攝像頭、立體攝像頭、毫米波雷達、激光雷達、超聲波傳感器、紅外傳感器等,定位導航設備如 GPS 和北斗等,以及 V2X 車聯網通信設備三種信息來源。智能汽車在復雜多變的路況下行進時,對周圍信息的不確定性會使之處于危險之下,尤其是僅依賴于單一的環境傳感器時。因此,使用多傳感器對周圍環境進行檢測,利用數據融合,可以充分準確地描述目標物體的特征,并且減少二義性,提高智能駕駛汽車決策的準確性與魯棒性。


        數據融合技術可以認為是一種解決問題的工具,它包括對融合單元的理解以及對融合架構的設計兩個方面。融合單元是指每一次數據處理到輸出給決策層的整個部分,而融合架構則是進行數據融合的框架與模式。一個數據融合架構至少需要包括負責采集外部信息的感知框架,即傳感器管理框架,以及負責數據處理的模型管理框架。其中,模型管理具體涉及數據匹配、數據關聯、融合決策等部分。


        數據融合具體技術中包括數據轉換、數據關聯、融合計算等,其中數據轉換與數據關聯在融合架構的實現中已經體現,而數據融合的核心可以認為是融合計算,其中有很多可選擇的方法,常用的方法包括:加權平均,卡爾曼濾波,貝葉斯估計,統計決策理論,證據理論,熵理論,模糊推理,神經網絡以及產生式規則等等。


        • 任務決策


        任務決策作為智能駕駛的智能核心部分,接收到傳感感知融合信息,通過智能算法學習外界場景信息,從全局的角度規劃具體行駛任務,從而實現智能車輛擬人化控制融入整個交通流。智能駕駛中任務規劃結構如圖 3-4 所示,描述了道路、車道和行駛三級任務分工,在道路級進行全局的任務規劃,在車道級根據周邊交通狀況規劃運動軌跡,行駛時根據前后車進行運動智能控制。交通流的復雜度借助信息傳遞影響規劃任務的復雜程度,進而決定智能駕駛動作。不斷實時的監督車輛運動狀態和周圍環境信息,當探測到當前道路阻塞時,要求重新規劃任務,并做分解調整。

        圖3-4智能駕駛中任務規劃結構

        • 軌跡規劃


        軌跡規劃是根據局部環境信息、上層決策任務和車身實時位姿信息,在滿足一定的運動學約束下,為提升智能汽車安全、高效和舒適性能,規劃決斷出局部空間和時間內容車輛期望的運動軌跡,包括行駛軌跡、速度、方向和狀態等[28]。并將規劃輸出的期望車速以及可行駛軌跡等信息給入下層車輛控制執行系統。軌跡規劃層應能對任務決策層產生的各種任務分解做出合理規劃。規劃結果的安全性、舒適性是衡量運動規劃層性能的重要指標。


        • 異常處理


        異常處理作為預留的智能駕駛系統安全保障機制,一方面是在遇到不平及復雜路面易造成車輛機械部件松動、傳感部件失效等問題時,通過預警和容錯控制維持車輛安全運行;另一方面是決策過程某些算法參數設置不合理、推理規則不完備等原因導致智能汽車在行為動作中重復出現某些錯誤并陷入死循時,能夠建立錯誤修復機制使智能汽車自主的跳出錯誤死循環,朝著完成既定任務的方向繼續前進,以減少人工干預來解決問題,這是提高車輛智能化水平的必需。


        異常處理采用降低系統復雜性的原則,在程序正常運行使智能汽車陷入重復錯誤死循環時,進入錯誤修復狀態,利用自適應錯誤修復算法產生新的動作序列直至智能汽車成功跳出錯誤死循環方轉入程序正常運行狀態。具體的技術方法是:建立專家系統,就智能汽車交叉口通行中出現的錯誤狀態的表現與成因進行分析、定義與規則描述,制定判斷動作失敗的標準;研究自適應錯誤修復算法,對各錯誤狀態的成因進行分類,并相應地制定調整策略,以產生新的動作序列。


        • 決策規劃技術方法


        決策規劃是智能汽車導航和控制的基礎,從軌跡決策的角度考慮的,可分為全局規劃和局部規劃兩個層次。其中,全局路徑規劃的任務是根據全局地圖數據庫信息規劃出自起始點至目標點的一條無碰撞、可通過的路徑。由于全局路徑規劃所生成的路徑只能是從起始點到目標點的粗略路徑,并沒有考慮路徑的方向、寬度、曲率、道路交叉以及路障等細節信息,加之智能汽車在行駛過程中受局部環境和自身狀態的不確定性的影響,會遇到各種不可測的情況。因此,在智能汽車的行駛過程中,必須以局部環境信息和自身狀態信息為基礎,規劃出一段無碰撞的理想局部路徑,這就是局部路徑規劃。


        • 全局規劃方法


        (1) 基于狀態空間的最優控制軌跡規劃方法

        在狀態空間進行軌跡規劃的方法主要有最優控制方法。最優控制方法是指通過最優控制理論找到可行的控制量u*(t),使得該系統能夠沿著可行軌跡x*(t)行駛,該軌跡能夠使得評價函數 J 最小。將評價函數和系統的狀態方程聯系起來,只有系統狀態方程的約束條件滿足,評價函數才能置零,求得可行的軌跡x*(t)。最優控制一般包括一到兩個性能指標,對于控制變量的取值不受約束的情況,一般用變分法進行求解;對于控制量受約束的情況,一般用極小值原理進行求解。由于在最優控制方法中考慮時間的因素,因此生成的最優軌線是軌跡而不是路徑,軌跡具有曲率連續的優點,且生成的軌跡中包括和時間相關的速度、加速度等軌跡特征值。對于終端時間自由問題的求解一般采用邊界值問題求解方法 BVP(Boundary Value Problem),這種求解方法需要對問題的解有初始估計值,如果初始估計值和結果數值相差較大會影響最終對問題的求解精度,同時為了容易求解,評價函數一般只包括一到兩個評價指標,多個評價指標會使得問題的求解變得復雜。這就需要新的數值算法和最優控制求解方法相結合,以完成復雜問題的求解,使得最優控制方法能夠更好得在軌跡規劃中進行應用。


        (2)基于參數化曲線的軌跡規劃方法

        B 樣條曲線由一組稱作控制點的向量來確定,這些控制點按順序連接形成一個控制多邊形,B 樣條曲線就是逼近這個控制多邊形。通過確定控制點的位置,可以控制曲線的形狀。由于 B 樣條曲線具有曲率連續的優點,在相鄰曲線段的節點處曲率也是連續的[31],且具有局部支撐性等特點,如果軌跡局部的約束條件不滿足,可以通過調整相應控制點的方法來對軌跡進行修正,而不影響其它的軌跡段,具有應用性強的特點。β樣條曲線是對B樣條曲線的推廣和發展,且具有B樣條曲線的若干性質。


        在此基礎上還有基于多項式的智能汽車行駛軌跡規劃方法,用六次項式來構造軌跡函數,根據周期的車輛狀態 和

        可以得到。再根據跟蹤誤差最小的原則,就可以將六階多項式的所有系數全部求出,根據這些系數就可以求出這個軌跡需要的控制量。多項式函數構造的軌跡也具有曲率連續的優點,但是如果軌跡約束條件不滿足,必須對整條軌跡進行調整來滿足約束條件的要求,計算量較大,使其應用受到限制。


        (3)基于基于系統特征的軌跡規劃方法

        微分平坦法是基于系統特征的一種軌跡規劃方法。微分平坦是指可以找到一組系統輸出,使得所有狀態變量和輸入變量都可以由這組輸出及其導數決定(不需積分)。不過該方法在規劃軌跡的過程中沒有考慮最大曲率和最大曲率變化率的約束條件。文獻針對路徑規劃給定的路徑函數信息,通過微分平坦的方法規劃出系統輸入及狀態的時間相關的軌跡函數,在滿足車輛側向加速度約束的情況下使得系統的某性能指標最優。


        • 局部規劃方法


        智能汽車進行局部路徑規劃(也可稱之為實時路徑規劃),一般是指在有障礙物的環境中,如何利用自身傳感器感知周邊環境,并尋找一條從當前點到目標點點的局部行駛路徑,使智能汽車在本次任務中能安全快速地到達目標位置。局部路徑規劃的方法主要包括以下兩個關鍵部分:

        (1)建立環境模型,即將智能汽車所處現實世界抽象后,建立計算機可認知的環境模型;

        (2)搜索無碰路徑,即在某個模型的空間中,在多種約束條件下,選擇合乎條件的路徑搜索算法。根據不同行駛環境的特點,智能汽車局部路徑規劃中的側重點和難點都會有相應不同:

        • 在高速公路中,行車環境比較簡單但車速較快,此時對智能汽車控制精度要求很高,算法難點主要在于環境信息獲取的位置精度和路徑搜索的速度;


        • 在城市半結構化道路中,道路環境特征性比較明顯但交通環境比較復雜,周邊障礙物較多,這就對智能汽車識別道路特征和障礙物的可靠性有較高要求,路徑規劃的難點主要在于車輛周邊環境建模和避障行駛的路徑搜索,特別是對動態障礙物方向和速度預測;


        • 在越野環境的非結構化道路中,智能汽車所處的環境沒有明顯的道路邊界,路面起伏不平,可能有大坑或土堆,這就對智能汽車識別周圍環境,特別是地形地勢有較高要求,路徑規劃的難點主要在于車輛可通行區域的識別。

        (1)基于滾動時域優化的軌跡規劃方法

        基于滾動時域優化的路徑規劃算法[7]依靠智能汽車通過傳感器實時探測到的局部環境信息,以滾動優化的方式進行在線規劃。在滾動的每一步智能汽車根據探測到的局部信息,采用啟發式的方法生成優化子目標,在當前時域內進行局部路徑規劃,然后實施當前策略(依局部規劃路徑移動一步),隨著時域的推進,不斷取得新的環境信息,從而在滾動中實現優化與反饋的結合。還可以利用預測控制的基本原理,同時收集利用實時的局部環境信息,以滾動優化方式進行在線軌跡規劃。該方法能夠確保機器人在未知環境中安全地避開障礙物行駛,具有反應速度快的優點,能夠迅速適應變化的環境,是一種有效實用的工具,但計算量相對較大。

        (2)基于軌跡片段的運動規劃方法

        軌跡片段包含配平軌跡和機動軌跡。其中配平軌跡是系統處于相對平衡時所經歷的軌跡,而機動軌跡則是系統從一個相對平衡躍入另外一個相對平衡所經歷的軌跡。可以通過考慮車輛的運動學和動力學約束條件,基于最優控制原理的機動軌跡設計方法和隨機采樣法,實現基于軌跡片段連接的最優運動軌跡規劃和快速運動規劃。但是該方法計算較為復雜,使其在實際應用中受到限制。


        路權分配技術



        路權(Right of Weight,ROW)[32],是指道路使用者依據法律規定,在一定的時間對一定的道路空間使用的權力。在智能駕駛中,路權可以用來描述滿足車輛當前安全行駛所需的道路空間。

        行駛中的智能汽車的路權是一個流動的扇形區,與本車的尺寸、速度、周邊的車流量、前方擁有的空間密切相關,是本車速度的非線性函數,可用距離和角度來表示:

        在駕駛過程中,人們會出現不同的駕駛行為,如超車、換道或者重新規劃道路,智能汽車可以利用路權來描述換道三角形區域,如圖3-5 所示,判斷是否可以超車。例如,本車道內車間距較小,且沒有變大趨勢,路權受限,超出容忍;相鄰車道的車間距較大,且沒有變小趨勢,路權允許;則從換道窗口中確定換道路徑,執行換道。

        圖3-5換道三角形


        路權與車速強相關,可分為期望路權和實際路權,當兩者不一致時,就需要進行調節來解決沖突。自主駕駛是智能汽車在任意時刻對路權的檢測和使用,多車交互是車群在任意時刻對路權的競爭、占有、放棄等協同過程。自主駕駛的不確定性,體現在車輛行駛中擁有的路權在不停地發生變化。


        智能汽車編隊,路權和本車的尺寸、速度、周邊的車流量、前方擁有的空間密切相關,是本車速度的非線性函數。飆車占用了較大的路權,高峰時段停在車道上的故障車,也占用了較大的路權。如果在特定地段的所有車輛都勻速行駛,每輛車只占用最小路權,如公路火車。當智能汽車以編隊結構進行行駛時,就是跟蹤形式,此時智能汽車不需要對周邊環境進行詳細的關注,只需要緊跟前方車輛運動,保持合適的安全距離即可,無需過多的路權。



          本站是提供個人知識管理的網絡存儲空間,所有內容均由用戶發布,不代表本站觀點。如發現有害或侵權內容,請點擊這里 或 撥打24小時舉報電話:4000070609 與我們聯系。

          猜你喜歡

          0條評論

          發表

          類似文章 更多
          喜歡該文的人也喜歡 更多

          国产情侣