1 介紹

智能交通系統(tǒng)解決了復雜環(huán)境中具有挑戰(zhàn)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塊是感知、規(guī)劃和控制。

實際上，感知是由環(huán)境建模和本地化組成的。它們分別依賴于外界和本體的傳感器。接下來，規(guī)劃旨在基于感知結(jié)果傳遞的信息來生成最佳軌跡，以便到達給定的目的地。最后，控制模塊專用于通過命令車輛的執(zhí)行器來跟蹤生成的軌跡。

(資料圖片僅供參考)

本文將針對避免障礙的具體情況介紹該過程的每個模塊。這些任務在全局體系結(jié)構(gòu)中的集成是本文的主要貢獻。感知模塊確保根據(jù)準確的網(wǎng)格表示來描述環(huán)境。占用柵格地圖（OGM）的使用對于避免障礙特別方便，因為它可以識別可行駛空間并在場景中定位靜態(tài)和動態(tài)對象。然后在路徑規(guī)劃級別使用要避免的物體的姿態(tài)，該路徑規(guī)劃根據(jù)[1]中所示的 S型參數(shù)化函數(shù)和滾動水平線生成軌跡和速度曲線。所獲得的曲率輪廓被認為是引導控制模塊的參考路徑。根據(jù)使用撞擊中心（CoP）而非經(jīng)典重心的橫向引導控制器，此水平為車輛提供了適當?shù)霓D(zhuǎn)向角。所提出的控制器基于前饋和魯棒的狀態(tài)反饋動作，以分別減少干擾對橫向誤差的影響并保證橫向穩(wěn)定性[2]。

該文件的組織結(jié)構(gòu)如下：第二部分介紹了全局方法，其中包含為避免避障而將要實施的不同模塊。第三部分介紹了基于信度網(wǎng)格占用的動態(tài)物體檢測方法。第四部分說明了基于參數(shù)化S型函數(shù)和滾動地平線的避障算法。第五節(jié)詳細介紹了基于前饋耦合到魯棒狀態(tài)反饋的控制器設計。第六部分說明了該實驗方法的實驗平臺和結(jié)果。最后，第七節(jié)總結(jié)了論文。

2 避障策略

本節(jié)介紹基于三個模塊的全局避障策略的標題，如圖1所示。本節(jié)將簡要介紹每個層次。

圖片

圖1避障策略

A.感知模塊

正確而有效地感知環(huán)境對于自動駕駛汽車是強制性的。這項研究主要關注環(huán)境感知，以提取靜態(tài)/動態(tài)物體的位置以及基于外部感知傳感器的可駕駛路徑。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信息的最常用方法之一是“占用網(wǎng)格”（OG）。它可用于多種應用，例如避免碰撞，傳感器融合，目標跟蹤以及同時定位和映射（SLAM）[3]。OG的基本思想是將環(huán)境圖表示為二進制隨機變量的均勻間隔字段，每個變量均表示環(huán)境中該位置處是否存在障礙物[4]?？梢愿鶕?jù)許多形式來生成它，以在已知車輛姿態(tài)的前提下處理嘈雜和不確定的傳感器測量數(shù)據(jù)。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，還允許管理數(shù)據(jù)融合中的沖突。第三部分給出了更多細節(jié)。

B.參考軌跡生成模塊

該模塊專用于定義軌跡以及車輛要遵循的相應速度曲線。規(guī)劃者從感知模塊接收可駕駛區(qū)域和障礙物位置。根據(jù)這些信息，可以生成幾何軌跡以及速度曲線。本文著重于路徑規(guī)劃策略。本部分旨在基于感知的可駕駛區(qū)域，提供從起點到終點的名義軌跡。

當檢測到障礙物時，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，并在避開后加入標稱軌跡。這種避免軌跡可以通過局部規(guī)劃獲得，因為它只涉及標稱軌跡的一小部分。為了降低軌跡生成算法的計算成本，采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(jié)。然后，可以將這些軌跡（標稱和避障）視為控制模塊（主要是橫向控制器）的參考。

C.控制模塊

控制模塊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。這里主要關注側(cè)向控制器以處理避障。實際上，適當?shù)霓D(zhuǎn)向角由側(cè)向控制器提供，以遵循參考生成模塊給定的期望路徑?？梢酝ㄟ^減少兩個跟蹤誤差，即橫向誤差和航向誤差，來實現(xiàn)對所需路徑的跟蹤。在文獻[7]中存在的幾何和動態(tài)橫向引導策略中，此處采用了基于碰撞中心（CoP）的動態(tài)方法[8]。該選擇取決于此控制方法的性能。CoP是位于車輛重心（CoG）前面的幾何點，可以預測橫向位置誤差。然后可以期望更好的軌跡跟蹤。另一方面，由于CoP的運動與后輪胎側(cè)向力[9]分離，如第V節(jié)所示，橫向動力學方程變得不太復雜。

2 基于動態(tài)網(wǎng)格的動態(tài)障礙物檢測

OG是一種將空間多維細分化為單元的表示形式，每個單元都存儲其占用狀態(tài)的知識[4]。如今，由于可以使用更強大的資源來處理OG的計算復雜性，因此OG大量使用。網(wǎng)格的構(gòu)造已應用于多個維度（2D，2.5D和3D）[10]，其中每個單元狀態(tài)均根據(jù)選定的形式描述。最常見的是貝葉斯框架，該框架首先被Elfes [4]所采用，隨后又進行了許多擴展，成為了著名的貝葉斯占用過濾器（BOF）[11]。其他作品則提出了基于Dempster-Shafer理論的形式主義，該理論也被稱為證據(jù)論，隨后進行描述。

A.使用信念理論

歸納為概率論，信念理論提供了數(shù)據(jù)和源缺陷的充分表示，因此適合于ITS中的感知。它提供了廣泛的融合算子，可以根據(jù)應用程序處理這些屬性。一些使用Belief框架構(gòu)建OG的研究可以在[12]，[13]中找到。這項工作源自[13]的研究，該研究提出了一種基于由此產(chǎn)生的沖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閑（F）或已占用（O）的單元的狀態(tài)。識別框是Ω={F，O}。參考功效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(tài)的信念，質(zhì)量函數(shù)m(.)分別表示沖突m(?)，自由狀態(tài)m(F)，占領狀態(tài)m(O)和未知狀態(tài)m({F,O}) 。

B.傳感器模型

基本上，傳感器模型是如何計算與度量對應的狀態(tài)的質(zhì)量函數(shù)。在我們的應用中，要使用的傳感器是3D多回聲LIDAR（請參見第VI節(jié)）。輸入數(shù)據(jù)將包括根據(jù)一點pi范圍ri和一個角度θi。根據(jù)此數(shù)據(jù)集，構(gòu)造極坐標中的掃描網(wǎng)格（SG）。SG的每一行對應定義在RxΘ的一個角扇區(qū)Θ=[θ-，θ+]。單元格的范圍是R=[r-,r+] 這意味著每個像元由一對質(zhì)量定義為m{Θ,R} 。每個命題對應的質(zhì)量A∈Ω在這里找到[13]：

圖片

其中μF和μO分別對應于傳感器的誤報警和漏檢的概率。為簡單起見，將說明這些質(zhì)量函數(shù)，m(O)，m(F)和 m(Θ)。

圖片

圖2地圖網(wǎng)格(MG)構(gòu)造

圖2示出了使用在時間t處提供的傳感器點云來建立和更新MG的過程。此更新是根據(jù)多網(wǎng)格證據(jù)融合完成的。這是該過程中最有趣的部分，因為它允許時間更新地圖網(wǎng)格并評估單元狀態(tài)。在信念理論的各種運算符中，使用了Dempster-Shafer組合規(guī)則：

其中 mMG,t和mMG,t-1分別表示在時間t的地圖網(wǎng)格和掃描網(wǎng)格的質(zhì)量函數(shù)。運算符定義為：

其中，

產(chǎn)生的結(jié)果 mMG,t(A)定義每個單元的狀態(tài)，該狀態(tài)取決于先前的狀態(tài)和新的度量。發(fā)現(xiàn)根據(jù)每種狀態(tài)產(chǎn)生的質(zhì)量如下[13]：

基本上，此屬性顯示了在t-1和t之間的不協(xié)調(diào)。不協(xié)調(diào)的出現(xiàn)在單元從自由狀態(tài)（Free）改變到被占用狀態(tài)（Occupied）或者相反。因此，沖突的檢測可以導致對動態(tài)單元格的評估。沖突允許標記占用的單元格，它們根據(jù)兩種沖突類型改變其狀態(tài)：

其中，

融合過程通過總沖突將狀態(tài)質(zhì)量歸一化，但是考慮使用此信息來標記定義動態(tài)對象的移動單元。然后，將每個檢測的姿勢用作下一部分中軌跡生成的輸入。

4 軌跡生成

本節(jié)專門用于路徑規(guī)劃，即創(chuàng)建幾何軌跡（跟隨坐標點）Ai(xi,yi)。由于本文旨在驗證所提出的回避體系結(jié)構(gòu)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(guī)劃模塊具有兩個目標：根據(jù)起點和到達點生成全局標稱軌跡，并生成局部軌跡以避免檢測到障礙物。在此，焦點集中在回避軌跡的產(chǎn)生上。該回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(chuàng)建了一個圓形安全區(qū)。本文通過考慮橫向和縱向安全性標準不同的整體情況，提出該方法的一般化。

為了獲得軌跡的幾何形式，基于回旋曲線，貝塞爾曲線或樣條曲線等函數(shù)，存在幾種數(shù)學方法[14]，[15]。[16]中對所有這些幾何方法進行了詳盡的回顧。這些方法具有有趣的特征（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(shù)代表了平滑度和計算成本之間的公平取舍?？紤]的方法建議將此數(shù)學方法與本地Horizon計劃程序結(jié)合使用，以減少計算成本。這種計劃方法的優(yōu)點在[1]中進行了很大的討論。該本地計劃者考慮從占用柵格中檢測到的障礙物的信息，以定義適當?shù)钠椒€(wěn)回避操作，并返回到標稱軌跡。

A.幾何規(guī)避

圖3給出了不同的軌跡：標稱軌跡，安全區(qū)和最終的平滑回避軌跡。安全區(qū)定義R是檢測到障礙物之后的第一步。該區(qū)域不可導航，以免由于與障礙物接近而發(fā)生碰撞。Lx 和 Ly橢圓的半長軸和半短軸分別是定義區(qū)域的安全標準。定義后，就可以設計回避軌跡。為了確保乘客的舒適性，選擇了基于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(diào)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魯棒性的算法，對每個水平矢量樣本重復整個過程（確定安全區(qū)域并計算基于S形函數(shù)的路點）。

圖片

圖3軌跡規(guī)劃

B.水平規(guī)劃

為了減少算法的計算成本，使用了局部規(guī)劃器。它沒有遵循整個避障軌跡，而是分為幾個部分。在此離散水平的每個樣本處都計算局部軌跡，從而降低了計算成本并使算法對動態(tài)障礙物具有魯棒性?？梢詤?shù)化兩個參數(shù)：樣本大小和水平長度。最后一個取決于配備的感知傳感器（硬件約束）和車速（滾動水平線）。樣本步驟代表軌跡在局部段中的細分。整個原理總結(jié)在圖4中。

圖片

圖4地平線規(guī)劃

當車輛到達下一個采樣步驟時，將再次計算局部水平線?？梢钥吹?，兩次迭代之間有一個共同的部分，允許算法處理動態(tài)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。該算法進行迭代，直到地平線矢量到達完整軌跡的末尾，即，當感知傳感器覆蓋軌跡的所有細分時。該幾何軌跡是制導控制級的輸入。

5 控制器設計

本節(jié)介紹了在圖1所示的控制模塊中使用的橫向控制器設計。橫向制導旨在減少兩種誤差，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橫向和航向誤差

這里，代替經(jīng)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僅取決于車輛配置：

其中m和 Iz 車輛質(zhì)量和偏航慣性，以及 lf是CoG與前軸之間的距離。從（12）可以看出CoP橫向誤差ecop高于圖5側(cè)向誤差ey。這樣，可以預期橫向位置誤差，并且可以預期更好的軌跡跟蹤。與基于CoG（重心）的經(jīng)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(yōu)點是降低了橫向動力學方程式的復雜度，因為后輪胎橫向力不會影響CoP的運動[9]。

基于平面自行車模型[17]，并使用跟蹤誤差（11）和（12），用于設計CoP橫向?qū)Ш娇刂破鞯母櫿`差模型為：

其中狀態(tài)向量，δf是前輪轉(zhuǎn)角，作為擾動項包含期望橫擺角速度和橫擺角加速度。

圖片

Lr是CoG與后軸之間的距離，Cf和 Cr是前和后輪胎側(cè)偏剛度。注意后Cr 不在Ac第二行 因此，使用CoP可以減少不確定參數(shù)的數(shù)量。

橫向控制器計算適當?shù)摩膄為了保證狀態(tài)向量誤差的收斂接近零。此外，由于跟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水平。為了實現(xiàn)這些目標，提出了一種由前饋耦合到魯棒狀態(tài)反饋的橫向控制器[2]：

圖片

LFF和 KFB分別是前饋和魯棒的反饋增益。前饋動作旨在部分消除向量的影響wref。CoP的好處在于，獲得的前饋不需要了解Cr。狀態(tài)反饋動作可確保誤差向量趨于零的指數(shù)收斂并減弱矢量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(jié)果

A.實驗設置

實驗平臺ARTEMIPS是配備有多個傳感器的自動測試車：采用DGPS技術的高精度IMU（慣性測量單元）RT-3002、2臺IBEO LUX 2D 4層激光掃描儀，2臺VLP-16 Velodyne3D激光掃描儀和高范圍攝像機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傳感器。LUX掃描儀用于在汽車的前部和后部提供遠程檢測（以4層點云的形式）。VLP-16用于完成對汽車兩側(cè)環(huán)境的檢測（它們提供16層點云，并具有360°環(huán)繞視野）。ARTEMIPS還配備了3個執(zhí)行器和2個集成的伺服電動機MAC-141，用于控制方向盤和制動踏板，以及用于導航汽車發(fā)動機的多功能NI-daq系統(tǒng)。所有傳感器和執(zhí)行器都鏈接到運行Intempora的RTMaps軟件解決方案的嵌入式計算機。它是專用于多傳感器和多執(zhí)行器系統(tǒng)的平臺。

圖片

圖6實驗平臺ARTEMIPS及其參考框架

B.實驗結(jié)果

出于可讀性目的，僅通過考慮障礙物避開情況的一種實驗方案來評估所提出體系結(jié)構(gòu)的性能。此測試以恒定速度執(zhí)行vx=10km/h。

根據(jù)來自四個激光掃描儀的記錄數(shù)據(jù)集，根據(jù)第三部分中所述的方法，將點云用于OG的構(gòu)造。圖7顯示了周圍的場景和要避免的對象。OG的時間融合突顯了描述動態(tài)單元的沖突。應用了層次聚類算法（來自MATLAB中的統(tǒng)計和機器學習工具箱）來構(gòu)造動態(tài)對象。它們?nèi)鐖D8所示。通過3D邊界框。顯示的坐標對應于基于GPS數(shù)據(jù)的車輛姿態(tài)。要避免的對象是紅色的對象?？梢宰⒁獾?，由于方法對定位誤差的敏感性，可以發(fā)現(xiàn)一些錯誤的檢測結(jié)果。

圖片

圖7用于避障測試的順序

圖片

圖8點云，原點坐標和障礙物檢測

實驗結(jié)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，而生成的紅色路徑避免了障礙物。還可以觀察到，橫向控制器確保了良好的軌跡跟蹤，并可以避免在13 s和20 s之間檢測到障礙物。在此時間間隔內(nèi)，控制器會生成從正值變?yōu)樨撝档霓D(zhuǎn)向角，以避免障礙物并確保較小的跟蹤誤差和。

圖片

圖9轉(zhuǎn)向控制器結(jié)果

7 結(jié)論

本文提出了一種基于感知，路徑規(guī)劃和控制指導三個層次的動態(tài)避障方案。動態(tài)障礙物檢測是根據(jù)證據(jù)占用網(wǎng)格進行的。路徑規(guī)劃基于sigmo?d函數(shù)生成平滑的軌跡，以避免檢測到障礙物。最終，車輛通過碰撞中心的基于橫向控制的策略跟隨車輛生成的參考軌跡。在我們的測試車輛上的實驗結(jié)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復雜的情況下對該方法的評估。

參考文獻

圖片

圖片

圖片

關鍵詞：