自律走行車の障害物回避、経路計画、制御技術の詳細な説明

1 はじめに

インテリジェント交通システムは、複雑な環境における困難な自律性と安全性の問題に対処するため、研究者から特に注目を集めています。自律走行車のコンセプトの主なモジュールは、認識、計画、制御です。

実際には、知覚は環境のモデリングと位置特定から構成されます。これらはそれぞれ外部センサーと内部センサーに依存します。次に、計画は、特定の目的地に到達するために、知覚結果によって伝えられた情報に基づいて最適な軌道を生成することを目的としています。最後に、制御モジュールは、車両のアクチュエータに命令することで、生成された軌道を追従することに専念します。

この記事では、障害物回避という特定のコンテキストにおけるプロセスの各モジュールについて説明します。これらのタスクをグローバル アーキテクチャに統合することが、この論文の主な貢献です。認識モジュールは、環境が正確なグリッド表現に従って記述されることを保証します。占有グリッド マップ (OGM) を使用すると、運転可能なスペースを識別し、シーン内の静的オブジェクトと動的オブジェクトの位置を特定できるため、障害物回避に特に便利です。回避対象物体の姿勢は経路計画レベルで使用され、[1]に示すようにS字型のパラメータ化関数とロール地平線に基づいて軌道と速度プロファイルが生成されます。得られた曲率プロファイルは、誘導制御モジュールの基準パスとして考慮されます。このレベルでは、従来の重心の代わりに衝撃中心 (CoP) を使用する横方向誘導コントローラーに従って、車両に適切なステアリング角度が提供されます。提案された制御器は、フィードフォワードとロバストな状態フィードバック動作に基づいており、それぞれ外乱が横方向誤差に与える影響を低減し、横方向の安定性を確保します[2]。

この論文は次のように構成されています。セクション 2 では、障害物回避のために実装されるさまざまなモジュールを含むグローバル アプローチについて説明します。第 3 章では、信頼グリッド占有率に基づく動的オブジェクト検出方法を紹介します。セクション IV では、パラメータ化されたシグモイド関数とローリング ホライズンに基づく障害物回避アルゴリズムを説明します。セクション V では、堅牢な状態フィードバックへのフィードフォワード結合に基づくコントローラ設計について詳しく説明します。第6節では、提案された実験アプローチの実験プラットフォームと結果について説明します。最後に、セクション VII で論文を締めくくります。

2 障害物回避戦略

このセクションでは、図 1 に示すように、3 つのモジュールに基づくグローバル障害物回避戦略の見出しについて説明します。このセクションでは各レベルについて簡単に説明します。

写真

図1 障害物回避戦略

A. 知覚モジュール

自動運転車には、環境を正確かつ効率的に認識することが必須です。この研究は、外部知覚センサーに基づいて静的/動的オブジェクトの位置と運転可能な経路を抽出するための環境知覚に焦点を当てています。測位部分は、車両の位置が既知であり信頼できるとは考えられていません。道路や周囲の物体に関する情報を抽出するために最も一般的に使用される方法の 1 つは、占有グリッド (OG) です。衝突回避、センサー融合、物体追跡、同時位置推定と地図作成（SLAM）[3]など、さまざまなアプリケーションに使用できます。 OGの基本的な考え方は、環境マップを、環境内のその場所に障害物があるかどうかを示すバイナリランダム変数の均一間隔フィールドとして表現することです[4]。既知の車両姿勢を前提として、ノイズが多く不確実なセンサー測定を処理するために、さまざまな形式で生成できます。本稿では、OGは、不確実性、不正確さ、未知の部分をモデル化し、データ融合における競合の管理も可能にするデンプスターとシェーファー[5][6]によって提案された信念理論によって定義される。セクション 3 でさらに詳しく説明します。

B. 参照軌道生成モジュール

このモジュールは、車両がたどる軌道とそれに対応する速度プロファイルを定義することに専念しています。プランナーは、認識モジュールから走行可能エリアと障害物の位置を受け取ります。この情報に基づいて、幾何学的軌道と速度プロファイルを生成できます。この論文では、経路計画戦略に焦点を当てています。このセクションの目的は、認識された走行可能エリアに基づいて、開始点から終了点までの公称軌道を提供することです。

障害物が検出されると、自動運転車両の乗員の安全と快適性を確保するために第 2 の軌道 (障害物回避軌道) が計算され、回避後に公称軌道に加わります。この回避軌道は、公称軌道のごく一部しか含まないため、ローカル プランニングによって取得できます。軌道生成アルゴリズムの計算コストを削減するために、[1]で説明されているようにローリングホライズンアプローチが採用されており、この論文ではその研究を拡張しています（セクションIVを参照）。これらの軌道（公称軌道および障害物回避軌道）は、制御モジュール（主に横方向コントローラー）の基準として考えることができます。

C. 制御モジュール

制御モジュールは、自動運転制御を保証する縦方向コントローラーと横方向コントローラーの 2 つの主要部分で構成されています。ここでは、障害物回避を処理する横方向コントローラーに焦点を当てます。実際には、参照生成モジュールによって指定された目的のパスをたどるために、横方向コントローラーによって適切なステアリング角度が提供されます。目的の経路を追跡するには、横方向の誤差と方向の誤差という 2 つの追跡誤差を減らす必要があります。文献[7]で提示された幾何学的および動的横方向誘導戦略の中で、衝突中心（CoP）[8]に基づく動的アプローチがここでは採用されている。選択は、この制御方法のパフォーマンスによって異なります。 CoP は、車両の重心 (CoG) の前方に位置する幾何学的点であり、横方向の位置誤差を予測できます。そうすれば、より優れた軌道追跡が期待できます。一方、第V節に示すように、CoPの運動は後輪の横方向の力[9]から切り離されているため、横方向の動力学方程式はそれほど複雑ではなくなる。

2 動的グリッドに基づく動的障害物検出

OGは多次元空間をセルに分割し、各セルに占有状態に関する知識を格納する表現である[4]。現在では、計算の複雑さを処理できるより強力なリソースが利用できるようになったため、OG が頻繁に使用されています。メッシュの構築は複数の次元（2D、2.5D、3D）に適用されており[10]、各セルの状態は選択された形式に従って記述されます。最も一般的なのはベイジアンフレームワークであり、これは最初にエルフェス[4]によって採用され、その後多くの点で拡張され、有名なベイジアン占有フィルタ（BOF）[11]になりました。他の研究では、証拠理論としても知られるデンプスター・シェーファー理論に基づく形式論が提案されており、これについては後で説明します。

A. 信念理論の使用

確率論を一般化すると、信念理論はデータと情報源の不完全性を適切に表現するため、ITS における認識に適しています。アプリケーションに応じてこれらのプロパティを処理できる幅広い融合演算子を提供します。信念フレームワークを使用してOGを構築する研究は[12]、[13]に記載されています。この研究は[13]の研究に端を発しており、移動物体を検出し、その結果生じる衝突に基づいて走行可能な空間を決定する方法を提案した。このため、識別フレームは、空き (F) または占有 (O) と見なされるセルの状態を含むものとして定義されます。認識ボックスはΩ = {F, O}です。基準電力セットフレームワークには、次の仮定のすべての可能な組み合わせが含まれています: 2Ω = {∅,F,O,{F,O}}。各状態についての信念を表現するために、品質関数m(.)はそれぞれ衝突m(∅)、自由状態m(F)、占有状態m(O)、不明状態m({F,O})を表します。

B. センサーモデル

基本的に、センサー モデルは、メトリックに対応する状態を計算する方法の品質関数です。私たちのアプリケーションでは、使用されるセンサーは 3D マルチエコー LIDAR です (セクション VI を参照)。入力データは、点 pi に基づく範囲 ri と角度 θi で構成されます。このデータセットから、極座標のスキャングリッド (SG) が構築されます。 SGの各行は、RxΘで定義された角度セクターΘ = [θ-, θ+]に対応します。セルの範囲はR=[r-,r+]であり、これは各セルが質量のペアm{Θ,R}によって定義されることを意味します。各命題に対応する品質A∈Ωはここにあります[13]：

写真

ここで、μF と μO は、それぞれセンサーの誤報と検出漏れの確率に対応します。簡単にするために、これらの質量関数m(O)、m(F)、m(Θ)について説明します。

写真

図2 マップグリッド（MG）の構築

図2は、時刻tに提供されたセンサーポイントクラウドを使用してMGを構築および更新するプロセスを示しています。この更新は、マルチグリッド証拠融合に基づいて行われます。これは、マップ グリッドを更新し、ユニットの状態を評価する時間を与えるため、プロセスの中で最も興味深い部分です。信念理論のさまざまな演算子の中で、デンプスター・シェーファーの組み合わせ規則が使用されます。

ここで、mMG,t と mMG,t-1 は、それぞれ時刻 t におけるマップ グリッドとスキャン グリッドの質量関数を表します。演算子は次のように定義されます。

で、

結果として得られるmMG,t(A)は、前の状態と新しいメトリックに応じて各セルの状態を定義します。各状態に応じて生成される品質は次のようになることが分かっている[13]。

基本的に、このプロパティは t-1 と t の間の矛盾を示します。セルが空き状態から占有状態に変化したとき、またはその逆のときに不整合が発生します。したがって、競合の検出は動的セルの評価につながる可能性があります。競合により占有セルをマークすることができ、その状態は 2 つの競合タイプに応じて変化します。

で、

融合プロセスでは、状態の品質が全体の競合によって正規化されますが、この情報を使用して、動的オブジェクトを定義する移動ユニットにラベルを付けることを検討します。検出された各ポーズは、次のセクションでの軌道生成の入力として使用されます。

4 軌道生成

このセクションでは、パス計画、つまり、座標点に従う幾何学的軌道 Ai(xi,yi) の作成について説明します。この論文は提案された回避アーキテクチャの実現可能性を検証することを目的としているため、速度プロファイルと関連する縦方向の制御は考慮されていません。セクション II で説明したように、経路計画モジュールには、開始点と到着点に基づいてグローバルな公称軌道を生成することと、検出された障害物を回避するためのローカル軌道を生成することという 2 つの目的があります。ここでは、回避軌道の生成に焦点が当てられています。この回避軌道は、特に障害物までの縦方向および横方向の距離に関して、安全基準に準拠している必要があります。これらの距離は[1]で最近提案されたように等しくすることができ、障害物の周囲に円形の安全地帯を作り出すことができる。本論文では、水平方向と垂直方向の安全基準が異なる全体的な状況を考慮して、アプローチの一般化を提案します。

軌道の幾何学的形状を得るためには、クロソイド、ベジェ曲線、スプラインなどの関数に基づく数学的手法がいくつかある[14]、[15]。これらすべての幾何学的手法の詳細なレビューは[16]に記載されている。これらの方法には興味深い機能 (滑らかさ、候補セットの中から最適な軌道を選択するなど) がありますが、計算コストが高くなる可能性があります。その中で、シグモイド関数は滑らかさと計算コストの間の公平なトレードオフを表します。検討されているアプローチでは、計算コストを削減するために、この数学的手法をローカル Horizo​​n スケジューラと組み合わせて使用​​することを提案しています。この計画アプローチの利点については[1]で詳しく議論されている。このローカル プランナーは、占有グリッドから検出された障害物に関する情報を考慮して、適切なスムーズな回避操作を定義し、公称軌道に戻ります。

A. 幾何学的回避

図 3 は、公称軌道、安全ゾーン、最終的なスムーズな回避軌道というさまざまな軌道を示しています。安全ゾーンの定義 R は、障害物検出後の最初のステップです。このエリアは障害物に近接しているため、衝突を避けるため通行できません。 Lx 楕円と Ly 楕円の長半径と短半径は、それぞれ領域を定義するための安全基準です。定義されると、回避軌道を設計できます。乗客の快適性を確保するため、S 字型を基本とした特徴が選択されました。図 3 では、A は開始点 (つまり、自車両の重心)、B はシグモイドの座屈点、WP は到達すべき開始点を示しています。滑らかさC()を調整することで回避軌道を次のように定義できる。

障害物が移動しているときに堅牢なアルゴリズムを取得するには、水平ベクトル サンプルごとにプロセス全体 (安全領域の決定とシグモイド関数に基づくウェイポイントの計算) を繰り返します。

写真

図3 軌道計画

B. 水平計画

アルゴリズムの計算コストを削減するために、ローカル プランナーが使用されます。障害物回避の軌道全体をたどるのではなく、部分的にたどります。この離散レベルではサンプルごとにローカル軌道が計算されるため、計算コストが削減され、アルゴリズムが動的な障害物に対して堅牢になります。サンプル サイズとレベルの長さの 2 つのパラメータをパラメーター化できます。最後のものは、装備されている認識センサー（ハードウェア制約）と車両速度（ロール地平線）に依存します。サンプル ステップは、軌道をローカル セグメントに分割したものを表します。全体の原理は図 4 にまとめられています。

写真

図4 ホライズンプランニング

車両が次のサンプリング ステップに到着すると、ローカル ホライズンが再度計算されます。ご覧のとおり、2 つの反復の間には共通セクションがあり、アルゴリズムが動的な障害物を処理できるようになります。離散時間領域の場合と同様に、サンプル サイズの選択には、精度と計算コストの間のトレードオフが伴います。アルゴリズムは、地平線ベクトルが完全な軌道の終わりに到達するまで、つまり、認識センサーが軌道のすべてのセグメントをカバーするまで反復されます。この幾何学的軌道は誘導および制御段階への入力となります。

5 コントローラの設計

このセクションでは、図 1 に示す制御モジュールで使用される横方向コントローラの設計について説明します。横方向誘導は、図 5 に示すように、横方向誤差 (車両の重心と基準トラック間の距離) と方位誤差 (車両の縦軸と基準トラック間の距離) の 2 種類の誤差を減らすことを目的としています。

写真

図5 横方向および方位の誤差

ここでは、古典的なCoG横方向誤差eyの代わりに、CoPが[9]のように定義されているときの横方向誤差を使用することが提案されている。

CoP と CoG 間の距離 xcop は、車両の構成によってのみ異なります。

ここで、m と Iz は車両の質量とヨー慣性、lf は CoG と前車軸間の距離です。 （12）から、CoP横方向誤差ecopは図5の横方向誤差eyよりも高いことがわかります。この方法により、横方向の位置誤差を予測でき、より優れた軌道追跡が期待できます。 CoG (重心) に基づく従来のコントローラーとは対照的に、ここでは、車両上の幾何学的ポイントとして打撃中心 (CoP) が使用されます。 CoPの主な利点は、後輪の横方向の力がCoPの動きに影響を与えないため、横方向の動力学方程式の複雑さが軽減されることです[9]。

平面自転車モデル[17]に基づき、追跡誤差(11)と(12)を使用して、CoP横方向ナビゲーションコントローラを設計するために使用される追跡誤差モデルは次のようになる。

ここで、状態ベクトルはδf、δf は前輪操舵角、外乱項には目的のヨーレートとヨー加速度が含まれます。

写真

Lr は CoG と後車軸間の距離、Cf と Cr は前輪と後輪のコーナリング剛性です。 Cr は Ac の 2 行目にないことに注意してください。したがって、CoP を使用すると不確実なパラメータの数を減らすことができます。

横方向コントローラは、状態ベクトル誤差がゼロに近づくように適切な δf を計算します。さらに、トラッキングエラーモデルの動的特性はwrefの影響を受けるため、コントローラはその影響の減衰レベルも確保する必要があります。これらの目標を達成するために、フィードフォワード結合されたロバストな状態フィードバックと結合したラテラルコントローラが提案されている[2]。

写真

LFF と KFB はそれぞれフィードフォワード ゲインとロバスト フィードバック ゲインです。フィードフォワードアクションは、ベクトル wref の影響を部分的に排除することを目的としています。 CoP の利点は、取得されたフィードフォワードに Cr の知識が必要ないことです。状態フィードバックアクションは、エラーベクトルがゼロに向かって指数的に収束することを保証し、ベクトル wref の影響を弱めます。このロバスト制御問題は、[2]に示すように線形行列不等式（LMI）を使用して定式化できます。

6 実験結果

A. 実験のセットアップ

実験プラットフォーム ARTEMIPS は、DGPS テクノロジを搭載した高精度 IMU (慣性計測装置) RT-3002、IBEO LUX 2D 4 層レーザー スキャナー 2 台、Velodyne VLP-16 3D レーザー スキャナー 2 台、および高範囲カメラ MANTA-G125 など、複数のセンサーを搭載した自律テスト車両です (図 6 を参照)。 RT-3002 は、位置、速度、加速度、および方向の測定用の基準センサーとして使用されます。 LUX スキャナーは、車両の前後で長距離検出 (4 層ポイント クラウドの形式) を提供するために使用されます。 VLP-16 は、車両の両側の環境の検出を完了するために使用されます (16 層のポイント クラウドを提供し、360° のサラウンド ビューを備えています)。 ARTEMIPS には、ステアリングホイールとブレーキペダルを制御するための 3 つのアクチュエーターと 2 つの統合サーボモーター MAC-141 のほか、自動車エンジンを操作するための多機能 NI-DAQ システムも装備されています。すべてのセンサーとアクチュエータは、Intempora の RTMaps ソフトウェア ソリューションを実行する組み込みコンピューターにリンクされています。マルチセンサーおよびマルチアクチュエータ システム専用のプラットフォームです。

写真

図6 実験プラットフォームARTEMIPSとその基準フレーム

B. 実験結果

読みやすさを考慮して、提案されたアーキテクチャのパフォーマンスは、障害物回避の 1 つの実験シナリオのみを考慮して評価されます。このテストは一定速度vx = 10km/hで実行されます。

4 台のレーザー スキャナーから記録されたデータセットに基づいて、セクション III で説明した方法に従ってポイント クラウドが OG の構築に使用されます。図 7 は周囲の風景と回避すべき物体を示しています。 OG の時間的収束は、動的単位の記述における矛盾を浮き彫りにします。動的オブジェクトを構築するために、階層的クラスタリング アルゴリズム (MATLAB の Statistics and Machine Learning Toolbox から) が適用されました。それらは図8に示されています。 3D 境界ボックスによる。表示される座標は、GPS データに基づく車両の姿勢に対応します。避けるべき物体は赤い物体です。この方法は位置特定エラーに敏感であるため、誤検出結果が出る可能性があることに注意してください。

写真

図7 障害物回避テストのシーケンス

写真

図8 点群、原点座標、障害物検出

実験結果を図9に示します。左上の図からわかるように、公称軌道線はオブジェクトの位置と交差していますが、生成された赤いパスは障害物を回避しています。また、横方向コントローラが良好な軌道追跡を保証し、13 秒から 20 秒の間に検出された障害物を回避できることも確認できます。この時間間隔中に、コントローラーは障害物を回避し、追跡エラーを小さくするために、正の値から負の値に変化するステアリング角度を生成します。

写真

図9 ステアリングコントローラの結果

7結論

この論文では、知覚、経路計画、制御ガイダンスの 3 つのレベルに基づく動的障害物回避方式を提案します。動的な障害物検出は、証拠となる占有グリッドに基づいて実行されます。パス プランニングでは、検出された障害物を回避するために、シグモイド関数に基づいて滑らかな軌道を生成します。最後に、車両は衝突の中心を通る横方向制御ベースの戦略によって生成された参照軌道に従います。当社のテスト車両での実験結果では、この方法が障害物を回避するのに効果的であることが示されています。今後の作業には、ローカリゼーション戦略の検討と、より複雑な状況でのアプローチの評価が含まれます。

参考文献

写真

写真

写真