本文介紹一款同時支持協同駕駛開發與測試、自動駕駛全棧開發 和 CARLA-SUMO聯合仿真的開源框架 OpenCDA，論文已收錄于 ITSC 2021。主要feature有：

支持CARLA-SUMO聯合仿真，CARLA端主管環境渲染、傳感器模擬、車輛動力，Sumo端主管交通仿真。

同時支持協同駕駛/單車智能的開發。內置簡單易用的V2X模擬，可以靈活模擬各種噪聲與信號延遲。

OpenCDA自帶默認的感知、定位、規劃、控制、協同變道與車隊行駛的算法，可以說搞懂了OpenCDA就等于搞懂了如何在CARLA里做完整的自動駕駛全棧開發。

自帶10+個測試場景，可快速測試你各個模塊算法的魯棒性。在特定地圖下自定義場景快捷簡單，只需給定一個yaml文件+10行代碼即可搞定！

框架高度模塊化，可以輕易將任一模塊里的算法切換為用戶的算法，而不會影響其他的模塊運行。

提供默認的評價指標，每次仿真運行后自動評價各模塊表現與整車表現。

安裝簡便，文檔記錄詳細，有完整的開發者手冊。

論文鏈接為：https://arxiv.org/pdf/2107.06260.pdf

項目鏈接為：https://github.com/ucla-mobility/OpenCDA

文檔鏈接為：https://opencda-documentation.readthedocs.io/en/latest/

---

文章目錄

• • • 1. Overview of OpenCDA
    • 2. Experiment Setups and Evaluation Measurement
    • • 2.1 Platooning Protocol Design
      • 2.2 Platooning Scenario Testing Design
      • 2.3 Evaluation Measurements
    • 3. Result Analysis
    • • 3.1 Single Lane Platooning
      • 3.2 Cooperative Merge and Joint Platoon

1. Overview of OpenCDA

下面對 OpenCDA 進行介紹，如下圖所示，OpenCDA由三部分組成：simulation tools、cooperative driving automation system、scenario manager。

• 仿真工具中，環境仿真使用CARLA仿真，交通仿真使用SUMO仿真，此外還使用了其它仿真工具，例如無線通信仿真工具ns-3等。
• 協同駕駛系統中，傳感器模塊收集原始的傳感器信息，信息傳送到感知層，然后傳遞到規劃層，最后通過執行層發送執行命令，CARLA 執行器執行命令。
• 場景管理中，包含場景配置文件，場景初始化，特定事件觸發器，評估功能。場景中包含靜態元素和動態元素，靜態元素由CARLA確定，動態元素由配置文件確定。當任務結束時，會對整個駕駛過程進行評估，包括交通層面評估以及單車層面評估。
  

---

Software Class Design and Logic Flow

為了更好地說明OpenCDA是如何工作的，這里以一個應用例子 vehicle platooning 來說明，首先介紹類組件，如下圖所示。

使用分層類管理器來控制仿真，最基礎的類為 VehicleManager，包含著全棧協同駕駛算法。類成員 PerceptionManager 和 LocalizationManager 對自車進行感知和定位。BehaviorAgent 規劃駕駛行為，同時其 LocalPlanner 通過三次樣條插值方法產生軌跡：
$$y_t={\alpha }_0+{\alpha }_1{x}_t+{\alpha }_2{x}_t^2+{\alpha }_3{x}_t^3\text{\hspace{1em}(1)}$$
$$a_t=\{\begin{array}{ll}\min (\frac{v_{target}?v_t}{\Delta t},a^1),& \text{if?vtarget?≥vt?}\\ \max (\frac{v_{target}?v_t}{\Delta t},a^2),& \text{otherwise}\end{array}\text{\hspace{1em}(2)}$$
$$x_t=v_{t?1}\Delta t+\frac{a_{t?1}\Delta t^2}{2}\text{\hspace{1em}(3)}$$
$$v_t=v_{t?1}+a_{t?1}\Delta t\text{\hspace{1em}(4)}$$

其中，$x_t,y_t$是汽車在$t$時刻的位置，${\alpha }_0,{\alpha }_1,{\alpha }_2,{\alpha }_3$是三次多項式系數，$a_t$是加速度，其中$a^1,a^2$是與舒適性相關的加速度和減速度。$\Delta t$是時間精度，$v_{target},v_t$是最終想要的目標速度和$t$時刻的速度。

產生后的軌跡會傳送到 ControlManager 產生轉向，制動，加速等控制命令。V2XManager 會發送或接收由其余CAVs生成的數據包，用于協同駕駛應用。

仿真工作時的邏輯流如下圖所示。場景測試時：

• 通過yaml文件配置CARLA server、交通情況和每一個汽車參數（傳感器參數、檢測模型、目標速度等）。
• 接下來，每輛汽車通過V2XManager信息共享，如果激活了協同應用，CoopPerceptionManager和CoopLocalizationManager會使用所有的信息進行目標檢測和定位；反之，汽車會選擇默認的PerceptionManager和LocalizationManager。
• 信息傳送到下流模塊，進行規劃。同樣地，協同應用激活的話會選擇協同策略做出決策；反之BehaviorAgent和TrajectoryPlanner會規劃行為并生成平順的軌跡。
• 最終，ControlManager輸出控制命令，CARLA server將這些命令應用在對應汽車上，更新信息，進行下一步仿真。
• 仿真終止時，內置評估工具箱對駕駛性能進行評估，包括感知、定位、規劃、控制、安全性等。
  

---

2. Experiment Setups and Evaluation Measurement

為了驗證OpenCDA的實際效果如何，作者以汽車編隊（vehicle platooning）為例來說明，整個仿真測試時間步長為$0.05s$。

2.1 Platooning Protocol Design

首先是編隊協議設計，在編隊應用中，所有車輛由PlatoonManager來管理，協議如下圖所示。整體上，整個駕駛任務可以分成許多子任務，編隊成員根據編隊狀態的不同也有著不同的駕駛模式。

編隊應用被激活后，編隊中的領航車（leading vehicle）會通過V2XManager聽取外部車輛的入隊請求。如果沒有收到請求，整個隊列會保持穩定行駛而領航車會保持領航模式。與此同時，如果協同感知應用被激活，編隊每一個成員會共享彼此間的感知數據（如圖像，3D點云），并且會通過PerceptionManager進行感知處理，領航車會得到更好的感知結果。

沒有車輛申請入隊的話，所有跟隨車（following vehicle）會平緩的調整車速使隊列的相鄰汽車保持一個恒定時間間隔，為了完成這個任務，編隊成員會通過V2XManager得到前車的軌跡，方法如下：
$$po{s}_j^t=\frac{po{s}_{j?1}^t?L_{j?1}+po{s}_j^{t?\Delta t}\times gap/\Delta t}{1+gap/\Delta t}\text{\hspace{1em}(5)}$$

$$v_j^t=\frac{||po{s}_j^t?po{s}_j^{t?\Delta t}||}{\Delta t}\text{\hspace{1em}(6)}$$

其中$po{s}_j^t,po{s}_{j?1}^t$是$t$時刻車輛編號為$j$的位置和其前車位置。$L_{j?1}$是前車長度，$\Delta t$是時間精度，$gap$是想要的時間間隔。$v_j^t$是$t$時刻汽車速度。

如果隊列收到了一個入隊請求，領航車會根據申請車的位置，規劃路徑來判斷是否可以進行入隊操作。如果入隊申請被拒的話，車輛會繼續尋找并保持單車駕駛模式；否則PlatooningManager會選擇最合適的入隊位置，如果需要的話，隊列成員會調整自身速度，入隊車輛會移動到入隊位置完成入隊操作。

---

2.2 Platooning Scenario Testing Design

下圖是編隊聯合仿真測試場景片段，整個測試都使用了感知和定位算法，感知算法為yolov5，定位算法為GNSS/IMU融合算法。

如下圖所示，這里有兩個測試場景：

• 單車道編隊，5輛汽車在同一車道行駛，為了測試隊列穩定性，當領航車突然改變車速時，觀察跟隨車會不會繼續保持想要的時間間隔。
• 協同編隊，當其余車道上車輛申請入隊時，領航車決定最佳的入隊位置，這里使用了兩種算法來選擇最佳入隊位置：一種是heuristic-based，另一種是Genetic Fuzzy System。

Single lane platooningCooperative Merge and join the platoonReal-world human-driven vehicle speed profile

---

2.3 Evaluation Measurements

這里是一些評價指標：

• 安全性，自動駕駛中最重要的評價指標，使用了碰撞時間(TTC)，平均碰撞時間(attc)，危險頻率（碰撞時間小于警告時間），平均碰撞時間計算方法為：
  $$ATTC=\frac{{\sum }_{t=1}^N\frac{x_i^t?x_{i?1}^t?l}{v_i^t?v_{i?1}^t}}{N}\text{\hspace{1em}(7)}$$
  其中，$x_i^t$是$t$時刻車輛位置，$x_{i?1}^t$是前車位置，$l$是車輛長度，$N$是$v_i^t<v_{i?1}^t$的仿真時間步數。
• 穩定性，使用時間間隔和加速度來表示；
• 效率，使用完成入隊時間和加速度標準差來表示。

---

3. Result Analysis

3.1 Single Lane Platooning

單車道入隊測試結果為：

---

3.2 Cooperative Merge and Joint Platoon

協同入隊測試結果為：

總結

以上是生活随笔為你收集整理的详解自动驾驶仿真框架OpenCDA: An Open Cooperative Driving Automation Framework Integrated with Co-Simulation的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。