ADAS虛擬車道邊界生成

Virtual Lane Boundary Generation for Human-Compatible Autonomous Driving: A Tight Coupling between
Perception and Planning

論文地址：

http://faculty.cs.tamu.edu/dzsong/pdfs/Binbin_LDRGT_IROS2019_V19.pdf

摘要

現有的無人駕駛（AV）導航算法將車道識別，避障，局部路徑規劃和車道跟蹤視為單獨的功能模塊，從而導致駕駛行為與人類駕駛員不兼容。必須設計與人類兼容的導航算法以確保運輸安全。開發了一個新的緊密耦合的感知計劃框架，該框架結合了所有這些功能以確保人類兼容。使用GPS-相機-激光雷達傳感器融合，可以檢測實際車道邊界（ALB），并提出可用性，合理性，可行性（ARF）三重測試，以確定應該生成虛擬車道邊界（VLB）還是遵循ALB。如果需要，可以使用動態可調的多目標優化框架來生成VLB，該框架考慮了避障，軌跡平滑度（滿足車輛運動動力學約束），軌跡連續性（避免突然運動），GPS跟蹤質量（執行全局計劃）以及車道跟隨或部分方向跟隨（達到人類期望）。因此，車輛運動比現有方法更具人類兼容性。已經實現了算法，并在開源數據下進行了測試，結果令人滿意。

貢獻

1. 提出了一個新的緊密耦合的感知計劃框架，以提高人類的適應性。

2. 使用GPS-相機-雷達多模式傳感器融合，可以檢測實際的車道邊界（ALB），并提出可用性-共振能力可行性測試，以確定是否應該生成虛擬車道邊界（VLB）還是遵循ALB。

3. 必要時，可使用可動態調整的多目標優化框架生成VLB，該框架考慮避障，軌跡平滑度（滿足車輛動力學動力學約束），軌跡連續性（避免突然運動），GPS跟蹤質量（執行全局計劃）和車道跟蹤或部分跟隨（以滿足人類期望）。由此產生的軌跡比現有方法更具人類兼容性。

4. 隨著越來越多的公司發展自主車輛（AVs），重要的是確保AVs的行為與人類相容，因為AVs將在未來的歲月里與人類司機共享道路。當為AV計劃運動時，可以調整速度和許多可能的軌道，但并非所有的計劃都能保證人的相容性，需要理解人工決策過程。人類司機比處理復雜情況時的視聽設備。人力司機可避開障礙物并仍遵守車道標線（LMs）在很大程度上是交通錐。人類司機可以在適當的場景中覆蓋車道邊界（LBs）：車道標記（LMs）可能消失或被施工堵塞或停放車輛，LMs可能與行駛方向，車輛可能行駛過快，因此暫時無法跟上LMs等。事實上，感知之間存在著緊密的耦合用于場景理解和運動規劃，包括在多個目標下尋找最優軌跡。

圖1 生成用于自動駕駛的虛擬車道邊界，以確保在復雜的道路條件下實現人類兼容駕駛：（a）當前車道缺少左側車道邊界，（b）交通錐改變了道路，（c）停放的汽車阻塞了街道，（d）有完全沒有LM。綠色曲線是的算法生成的VLB（最好以彩色顯示）。

圖2 系統圖。實心星形表示姿勢估計的輸出，它也是連續LB生成和LB投影的輸入。

圖3. 六種不同場景的示例算法輸出（最好以彩色顯示）。

示例輸出如圖3所示。綠色面具，面積是算法檢測到的自由空間。很明顯這條路指向，谷歌地圖太糟糕了，不能直接用來導航，如紫色線條質量差所示的指南。什么時候？比較的算法輸出和GPS記錄，人類駕駛，藍線與圖3（e）中唯一例外的紅線。注意紅色，由于軌跡不同，直線超出藍線，長度并不意味著他們不同意。甚至在圖3（e）中，藍線和紅線都是可行的選擇。在任何情況下算法都可以生成符合人類的期望。

表1 VLBS上的KITTI數據集

圖4 不同組成部分對LCC成本的貢獻。

Conclusion

本文開發的一種新的緊密耦合，使AVs能夠考慮的感知和規劃框架，同時產生多個相互沖突的目標，與人類相容的導航軌跡。利用激光雷達探測自由空間的前期工作，融合和建議的ARF測試來確定AV，應該簡單地遵循ALBs或者通過將車輛動力學約束、避障，平穩運動，GPS軌跡跟蹤，多目標優化框架中的LMs，針對不同道路場景的動態可調權重。 本文的算法和測試結果，確認了設計方案。今后將進行更多的物理實驗，加入更多的功能，如速度，計劃做出更人性化的導航決策與人類相容。

總結

以上是生活随笔為你收集整理的ADAS虚拟车道边界生成的全部內容，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。