寻找供应商
广告
首页 > 汽车技术 > 正文

无人车左转决策规划的挑战和探索

2020-03-10 00:57:56·  来源：智车科技  作者：舒可齐  
　
原创 昨天滑铁卢大学Cogdrive实验室通过提出基于关键左转点（CTP）和部分可观察马尔可夫决策过程（POMDP）的分层规划框架来应对无人车左转决策规划的挑战。十字
滑铁卢大学Cogdrive实验室通过提出基于关键左转点（CTP）和部分可观察马尔可夫决策过程（POMDP）的分层规划框架来应对无人车左转决策规划的挑战。

十字路口的左转规划是目前无人驾驶汽车面临的重要挑战之一，很多规划算法在解决该问题的时候都遇到了不同的挑战（表格1），十字路口的复杂场景即使对于有经验的驾驶员也相对危险。美国全国范围内，所有撞车事故中有40％涉及到十字路口。美国联邦公路管理局（FHA）每年报告约250万起十字路口交通事故，其中大多涉及左转场景 [1]。经过近两年的道路测试后，谷歌旗下的waymo称其自动驾驶汽车处理左转问题时面临巨大困难 [2]。

表格1十字路口规划常用方法



目前安全而高效的无人车左转规划需要解决的最重要的问题之一是在规划的同时对来车的意图进行准确判断。为解决这一问题，滑铁卢大学Cogdrive实验室通过提出基于关键左转点（CTP）和部分可观察马尔可夫决策过程（POMDP）的分层规划框架来应对这一挑战。框架内的关键左转点（CTP）概念受熟练驾驶员在十字路口的驾驶行为启发，通过压缩轨迹规划的冗余搜索空间来提高底层规划器的计算效率。该规划框架有助于开发使车外其他车辆驾驶员以及车内乘客体验良好的自动驾驶系统。通过对十字路口场景的合理建模，本实验室提出的分层规划框架能够在无信号灯十字路口场景保证安全性的同时提高通勤效率。

 
图1基于CTP的分层规划框架

该框架由上层候选轨迹生成和下层路径选择与速度规划组成。上层轨迹规划利用关键左转点和五次曲线生成候选左转轨迹，下层规划根据来车行车意图推理，基于蒙特卡洛仿真对左转轨迹进行选择并在轨迹上进行速度规划。
图2基于自然驾驶数据的CTP提取

该团队通过对大量十字路口左转自然驾驶数据[4]进行分析（图2），发现有对面方向来车时，左转车辆的行为可以分为两个步骤：首先，向前缓慢驶入待转区并等在某个位置；之后，当左转道路通畅时，快速转弯并加速驶入目标车道。驾驶员在待转位置进行的决策对于自动驾驶车辆的安全性有着极大的影响，而待转位置的选择又对车辆通行效率有着关键的影响。因此定义该待转位置为关键左转点（CTP），并对该点的确定方法进行了建模 [5]，如图1（b）所示。

通过对环境进行合理建模，所提出的基于CTP的分层规划框架能够使自动驾驶车辆在十字路口左转的通行效率比不使用关键左转点（CTP）提高20% 以上。如图3所示，上下两条蓝色虚线分别是十字路口的起点和终点，纵坐标表示的是自动驾驶汽车在十字路口内通过的距离占整条左转轨迹的比例。

图3不同框架下通过效率对比

团队研究人员将所提出的基于CTP的分层规划方法在十字路口关键场景进行了仿真验证。如下图所示，在这些场景下使用本框架进行规划的自动驾驶车辆同时保证了通行的安全性和高效性，自动驾驶车辆在来车行车意图明确前采取了较为谨慎的驾驶策略，驾驶意图明确后，驾驶行为不再保守以提高通行效率。
 
加拿大滑铁卢大学认知自动驾驶实验室CogDrive Lab (Waterloo CognitiveAutonomous Driving Lab) 专注于human-centric AI and engineering research in cognitive autonomous driving, 现有学生和博士后40多人。研究方向包括认知自动驾驶决策与规划、驾驶员行为与认知、多信息源感知融合、人车协同、驾驶员情绪监测、平行驾驶等。实验室有多辆无人驾驶研究平台，过去五年团队发表期刊文章100余篇，英文专著3本，获会议最佳论文奖3次。
[1] D. M., “Statistics onIntersection Accidents,” [Online]. Available:https://www.autoaccident.com/statistics-on-intersection-accidents.html.[Accessed: 28-Feb-2020].

[2] H. Boland, “Waymo's self-driving cars 'struggle to turnleft and don't understand basic road features',” The Telegraph,29-Aug-2018. [Online]. Available:https://www.telegraph.co.uk/technology/2018/08/29/waymos-self-driving-cars-struggle-turn-left-dont-understand/.[Accessed: 04-Mar-2020].

[3] bilibili, 25-Sep-2018. [Online]. Available: https://www.bilibili.com/video/av32449494?from=search&seid=14710128783162567582.[Accessed: 28-Feb-2020].

[4] W. Zhan,L. Sun, et al., “INTERACTION Dataset: An INTERnational, Adversarial and CooperativemoTION Dataset in Interactive Driving Scenarios with Semantic Maps,” arXiv preprintarXiv:1910.03088, 2019.

[5] K. Shu, H. Yu,et al., “Autonomous Driving at Intersections: A Critical-Turning-Point Approachfor Left Turns,” arXiv preprint arXiv:2003.02409, 2020.
 
 
分享到：
 
反对 0 举报 0 收藏 0 评论 0
  • 汽车测试网V课堂

    汽车测试网V课堂

  • 微信公众号

    微信公众号

  • 汽车测试网手机站

    汽车测试网手机站

• 基于场景体验的汽车智能座舱设计策略 • 广汽研究院陈学文：以敬畏之心研发智驾，用高质量用户体验
• 智能柔性传感器在汽车领域的应用探索与实践 • 利用 NVIDIA AI Enterprise IGX 在边缘赋能任务关键型 AI
• 充电桩GB/T-2023设计要点 • NVIDIA GPU 架构下的 FP8 训练与推理
• 利用 NVIDIA Holoscan 1.0 开发生产就绪型 AI 传感器处理 • 汽车CAN总线系统的挑战与设计
• 资料下载《Keysight高性能数字产品》：示波器、任意波形发 • 亚马逊云科技数据和人工智能副总裁 Swami 解读 Amazon Bed
0 条相关评论
  • 广告

编辑推荐

最新资讯

  • 广告
  • 广告
沪ICP备11026620号