自動運転車の意思決定制御システム技術を分析した記事

自動運転システムは、環境認識、意思決定制御、行動実行を統合した総合的なシステムであり、車両と交通環境の協調計画を十分に考慮したシステムであり、将来のインテリジェント交通システムの重要な部分でもあります。この記事では、自動運転の意思決定と制御の関連技術を分析し、将来の開発の方向性を探ることに焦点を当てています。

自動運転システムの概要 一般的に、自動運転システムは、認識層、意思決定層、実行層に分けられます。

知覚レイヤー

知覚層は、道路境界検出、車両検出、歩行者検出などの複数の技術を含む、環境情報と車内情報の収集と処理として定義されます。これは、高度なセンサー技術と考えることができます。使用されるセンサーには、LIDAR、カメラ、ミリ波レーダー、超音波レーダー、速度および加速度センサーなどがあります。単一のセンサーでは知覚に限界があり、さまざまな動作条件下で正確な知覚を提供できないため、自動運転車では、さまざまな環境でスムーズな動作を実現するために、知覚層の重要な技術でもあるマルチセンサー融合技術を使用する必要があります。

意思決定レベル

意思決定層は、知覚された情報に基づいて意思決定を行い、適切な動作モデルを決定し、運転の意思決定において人間のドライバーに代わる対応する制御戦略を策定するものとして理解できます。この部分の機能は、自動運転車に対応するタスクを与えることに似ています。例えば、車線維持、車線逸脱警報、車間維持、障害物警報などのシステムでは、自車両と他の遭遇車両、車線、歩行者などの将来の状況を予測する必要があります。高度な意思決定理論には、ファジー推論、強化学習、ニューラル ネットワーク、ベイジアン ネットワーク テクノロジーが含まれます。人間は運転中にさまざまな道路状況やシナリオに直面し、人によって状況に応じた運転戦略が異なるため、人間の運転意思決定アルゴリズムを最適化するには、非常に完全で効率的な人工知能モデルと大量の有効データが必要です。これらのデータは、できるだけ多くの珍しい道路状況をカバーする必要があり、これは運転決定の開発における最大のボトルネックでもあります。

実行レイヤー

実行層とは、意思決定を行った後、その意思決定結果に応じて車両を制御するシステムを指します。車両の自律走行を実現するためには、車両の各制御システムがバスを介して意思決定システムに接続され、意思決定システムが発行するバスの指示に従って加速、ブレーキ、操舵範囲、照明制御などの運転動作を正確に制御できる必要があります。

図1: 自動運転システムの概要

意思決定制御システム入門

従来の意味では、自動運転システムの意思決定および制御ソフトウェア システムには、環境予測、行動意思決定、行動計画、経路計画などの機能モジュールが含まれます。

環境予測モジュール

環境予測モジュールの主な機能は、意思決定計画および制御モジュールの直接的なデータ上流の 1 つとして、知覚層によって識別されたオブジェクトの動作を予測し、予測結果を時間と空間の次元の軌跡に変換して後続のモジュールに渡すことです。通常、知覚層によって出力される物体情報には、位置、速度、方向などの物理的特性が含まれます。

これらの出力の物理的特性を使用して、オブジェクトに関する「即時予測」を行うことができます。環境予測モジュールは、物理法則に基づいて物体に関する予測を行うことに限定されず、物体と周囲の環境、および蓄積された履歴データ情報を組み合わせて、認識された物体のより「マクロ」な動作予測を行うことができます。例えば、図２では、歩行者の歩道上での履歴移動を特定することで、歩行者が歩道上で交差点を横断する可能性があることが予測され、車両の履歴移動軌跡により、交差点で右折することが判定できる。

図2 環境予測の模式図

行動決定モジュール

行動決定モジュールは、自動運転の意思決定計画および制御ソフトウェア システム全体において「副操縦士」の役割を果たします。このレベルでは、自動運転車両自体のリアルタイムの位置、速度、方向だけでなく、車両の周囲の一定距離内にあるすべての関連する障害物情報や予測される軌道など、車両に関連するすべての重要な情報が集約されます。行動意思決定層が解決する必要がある問題は、この情報に基づいて自動運転車の運転戦略を決定することです。

さまざまな種類の情報を考慮する必要があるため、行動の意思決定の問題を単一の数学モデルで解決するのは困難な場合が多くあります。代わりに、いくつかの高度なソフトウェア エンジニアリングの概念を使用してルール エンジン システムを設計する必要があります。たとえば、DARPA のチャレンジでは、スタンフォードの無人車両システムは、一連のコスト設計と有限状態マシンを使用して、無人車両の軌道と制御命令を設計しました。現在、マルコフ決定プロセスモデルは、自動運転システムの動作レベルでの意思決定アルゴリズムの実装にもますます使用され始めています。つまり、行動意思決定レベルでは、環境予測モジュールの結果を組み合わせて、後続の計画モジュールがより具体的に実行するためのマクロ意思決定指示を出力する必要があります。

アクションプランニングモジュール

自律走行車計画モジュールには、アクション計画と経路計画の 2 つの部分が含まれます。アクション プランニング モジュールは、主に、方向転換、障害物回避、追い越しなどの短期または瞬間的なアクションの計画を担当し、パス プランニング モジュールは、出発地から目的地までのルート設計や選択など、より長い期間にわたる車両の走行パスの計画を担当します。

自動運転システムの設計思想は、複数の運転状態を確立し、さまざまな条件を通じて運転状態の切り替えをトリガーすることです。この設計アプローチでは、切り替えプロセスのスムーズさが劣るという問題があります。実際のシステム設計プロセスでは、車両の運転のスムーズさを高めるために、道路上の実際のターゲットと非実際のターゲットの両方を仮想粒子として記述する方法が主に使用されます。このうち、現実のターゲットとは主に車両や歩行者などの要素を指し、非現実のターゲットとは速度制限、赤信号、駐車場、道路の曲率、気象条件などを指します。仮想粒子モデルベースの方法の利点は、アルゴリズム モデルを統一し、従来の制御アルゴリズムでターゲットまたは制御モードの切り替えによって発生する車両の加速と減速のジャンプの問題を効果的に回避できることです。

経路計画モジュール

自動運転車の経路計画モジュールとは、一定の環境モデルに基づいて自動運転車の出発点と目的地点が与えられた後、性能指標に基づいて衝突することなく安全に目的地点に到達する効果的な経路を計画することを指します。経路計画には、主に障害物エリアと空きエリアを含む環境マップを確立し、環境マップ内で適切な経路検索アルゴリズムを選択して、走行可能な経路を迅速かつリアルタイムで検索するという 2 つのステップが含まれます。経路計画の結果は、車両を現在の位置から目標位置まで誘導する、車両運転におけるナビゲーションの役割を果たします。環境マップの表現方法は、主にメトリックマップ表現、トポロジカルマップ表現などに分けられます。

開発動向

人工知能機械学習、ディープニューラルネットワーク、ネットワーク通信などの技術の発展により、自動運転車の開発に向けた技術的な道筋がさらに充実し、単一のプロトタイプのデモンストレーションから、一定の実用化機能と自律測位を実現する機能を備えた典型的な交通シナリオへの自動運転技術の開発も促進されました。

人工知能

人工知能は、人間の知能をシミュレート、拡張、拡大するための理論、方法、技術、アプリケーション システムを研究および開発する新しい技術科学です。知能の本質を探求し、人間の知能と同様に反応できる新しいタイプのインテリジェントマシンを生み出すことを目的としています。その重要な応用分野の一つは自動運転です。主な目標は、自動運転車が一定の自律学習能力を持ち、単純な交通環境の記憶認識を形成できるようにすることです。現段階では、自動運転車の分野における人工知能技術の主な応用は、以下の側面に反映されています。

1. 環境オブジェクトの認識と認知を実現する

マルチカメラビジョン、LIDAR、ミリ波レーダーなどのセンサーデバイスと認識アルゴリズムを活用することで、実際の道路環境における複数の表面物体の正確な認識が可能になります。同時に、ディープラーニング技術を統合することで、各物体の3次元空間サイズと特徴情報を反復的に分類することができるため、自動運転車はさまざまな環境物体を認識・判別する能力を持つことになります。

2. 走行可能エリアの検出を実現

先進センサーによる地図取得技術により、詳細な道路注釈（標識、標示、信号など）と高精度な位置情報（経度、緯度、高度など）を抽出できるため、自動運転車両は道路平面の特徴を抽出できます。同時に、ディープラーニングを使用して、道路上の走行可能エリアと走行不可能エリアを認識および識別できます。

3. 運転ルートの計画と意思決定を実現する

意思決定の計画と処理は、自動運転における人工知能技術のもう一つの重要な応用シナリオです。この段階で主流となっている人工知能手法には、ステートマシン、決定木、ベイジアンネットワークなどがあります。ディープラーニングや強化学習技術の発達により、複雑な動作条件の判断やオンライン最適化学習が可能になりました。実際の道路での運転経路計画には多くの要因が影響するため、より多くの計算リソースが必要になります。計算効率を向上させるために、日本の研究者は「安全フィールド」という研究アイデアを提案しました。つまり、典型的な交通シーンをディープラーニングニューラルネットワークの入力として形成し、自動運転車の意思決定効率を向上させ、経路計画機能を強化します。

図3 機械学習に基づく非構造化道路検出フレームワーク

インテリジェントネットワーキング

通信技術の発展と組み合わせ、車両間、車両と道路間、車両と人、車両とクラウド間のリアルタイム通信技術の使用は、自動運転技術の応用プロセスにおける人工知能技術の3大要素であるデータ、コンピューティング、アルゴリズムをさらにサポートし、マルチモデルとマルチシナリオのインテリジェント運転のニーズを満たし、グループインテリジェント運転システムの協調運転が直面する問題に対するソリューションを提供することができます。インテリジェントネットワーキングに基づく車両とクラウドの協調型自動運転システムの具体的なアーキテクチャを図 4 に示します。

図4 人工知能に基づく車両・クラウド協調型自動運転システムの構築スキームの概略図

アーキテクチャソリューションは、AIベースの自動運転インテリジェント端末とビッグデータ分析に基づく自動運転クラウドシステムの2つの部分に分かれており、これらを組み合わせることで、複雑な環境の正確な認識、インテリジェントな交通意思決定、運転制御の最適化された実行を統合した車両とクラウドの統合協調型自動運転システムを形成します。さまざまな運転条件とアプリケーション シナリオにおいて、車両とクラウドの連携テクノロジーは、正確な運転環境の認識、インテリジェントな交通意思決定、最適化された運転動作制御を実現し、車両とクラウド間の情報データの相互作用と連携を実現します。

インテリジェントネットワークに基づく自動運転システムの車両クラウド連携技術は、主に多元異種データの融合不足とフロントエンド設備の計算能力不足の問題を解決します。つまり、車体センサーノードのサンプリングデータ（GPS / INSデータ、ミリ波レーダーデータなど）とマルチメディアデータ（カメラ画像など）を一定の頻度でクラウドデータベースに送信し、オンライン処理、オフライン処理、トレーサビリティ処理、複雑なデータ分析を同時に実行します。人工知能統合アプリケーション アルゴリズムに基づくインテリジェント運転制御モデルは、車両の意思決定のための信頼性が高く効率的な協調制御ソリューションを提供します。

人工知能アルゴリズム応用技術クラウドプラットフォームは、自動運転クラウドシステムの中核部分であり、機械学習、データマイニングなどの関連技術を組み合わせて、知覚融合情報を分析し、車両制御計画の意思決定の基礎を提供します。また、仮想化技術とネットワーク技術を使用して、コンピューティング、ストレージ、データ、アプリケーションなどの大規模でスケーラブルな分散コンピューティングリソースを統合し、人工知能モデルアルゴリズムの学習とトレーニングを完了し、クラウドでの人工知能モデルのトレーニングを実現し、車両とクラウドの連携技術を通じて組み込みプラットフォームに展開することで、人工知能アルゴリズムを車両側の自動運転システムに深く適用できるようにします。

現在、自動運転分野におけるコネクテッドテクノロジーの応用は、主に情報サービスとトップレベルの監視に集中しています。インテリジェントコネクテッドテクノロジーによる高度な自動運転の実現には、情報セキュリティ、伝送遅延、ネットワークカバレッジなどの困難な問題を解決して初めて、真の応用が可能になります。

インテリジェントコンピューティングプラットフォーム

自動運転車は、交通手段から新しいタイプのモバイルインテリジェント端末へと徐々に変化しています。自動車の機能と特性の変化により、電子・電気アーキテクチャも変化しており、基盤としてより強力なコンピューティング、データストレージ、通信機能が必要になっています。車載インテリジェントコンピューティングプラットフォームは、上記の要件を満たす重要なソリューションです。

車載インテリジェントコンピューティングプラットフォームの主な機能は、環境認識データ、ナビゲーション位置情報、車両リアルタイムデータ、クラウドベースのインテリジェントコンピューティングプラットフォームデータ、その他のV2Xインタラクションデータを入力として、環境認識ポジショニング、インテリジェント計画と意思決定、車両運動制御などのコア制御アルゴリズムに基づいて、駆動、トランスミッション、ステアリング、ブレーキなどの実行制御命令を出力し、車両の自動制御を実現し、クラウドベースのインテリジェントコンピューティングプラットフォームとV2Xデバイスにデータを出力し、ヒューマンコンピュータインタラクションインターフェースを通じて車両運転情報のヒューマンコンピュータインタラクションを実現することです。​