GPSを使用しない自動運転システムソリューション

自動運転技術の発展に伴い、未知の環境におけるスマートカーの測位技術がこの分野の研究の中核となっています。現在、測位技術の主なソリューションは、全地球測位システム（GPS）に基づいています。ただし、ガレージなどの特殊な環境では、GPS信号がありません。測位の問題をどのように解決するかが、この論文の鍵となります。

自動運転技術の発展に伴い、未知の環境におけるスマートカーの測位技術がこの分野の研究の中核となっています。現在、測位技術の主なソリューションは、全地球測位システム（GPS）に基づいています。ただし、ガレージなどの特殊な環境では、GPS信号がありません。測位の問題をどのように解決するかが、この論文の鍵となります。

近年、同時自己位置推定およびマッピング (SLAM) 技術はますます成熟してきました。マルチセンサー融合ソリューションと組み合わせることで、自動運転車両は GPS 信号のない未知の環境でも経路計画タスクを完了できます。

本論文では、まず自動運転システムの概要、SLAM理論と視覚レーザー融合アルゴリズムを紹介し、次にROSフレームワークに基づいて自動運転車両のマッピングと経路計画シミュレーション実験を構築します。最後に、地下室での実車アルゴリズム検証実験を完了し、論文の結論要約と自動運転技術の将来展望を示します。

1 自動運転システムの概要

自律走行車は、人間の介入なしに、車内の制御システムとインテリジェント アルゴリズムに依存して、複数のセンサー データを融合して車の基礎となるプロトコルを制御し、通常の車両運転機能を実行する無人のインテリジェント カーです。インテリジェント運転車は、自動駐車システム、自動運転システム、障害物防止システムなどを含む総合的な統合システムであり、図 1 に示すように、認識層、決定層、制御層の 3 つの部分に分かれています。

写真

図1 自動運転システムの構成

知覚層には、さまざまなセンサーのデータ収集、処理、融合が含まれており、周囲の環境情報をより正確かつ包括的に知覚できます。決定層の入力には、知覚層からの情報、経路計画、制御層からフィードバックされたデータが含まれ、強化学習アルゴリズムを通じて決定指示が発行されます。意思決定の指示には、追跡、追従、追い越し、ブレーキ、ステアリング、旋回などが含まれ、最後に、制御層は、スロットルとブレーキの制御、ステアリングホイールとギアの制御など、スマートドライビングカーの自動運転タスクを完了するために、CAN バスを介して指示を送信します。

自動運転車の開発・研究開発における中核技術は、車両バイワイヤ制御技術と車両精密測位技術です。この論文では主に車両の正確な位置測定を分析します。現在、最も一般的に使用されているソリューションは GPS を使用することで、これにより車両は自身の位置座標をリアルタイムで取得できます。この論文では、SLAM 技術に基づいた新しい位置決め方法について研究します。

SLAM技術と組み合わせた自動運転車のセンサーは、カメラ、ライダー、車載ミリ波レーダー、車載超音波レーダー、慣性航法コンビネーション、産業用コントローラーなどから構成されています。具体的な設置場所は図2に示されています。

写真

図2 センサー設置図

使用した自動運転制御フローチャートを図3に示します。

図3 制御フローチャート

2 SLAMテクノロジー

SLAM（Simultaneous Localization and Mapping）は、同時測位と地図構築のことで、主に自律走行車が未知の環境において未知の位置から移動を開始し、センサーの入力信号を通じて自身の位置を推定し、空間環境マップを構築して自らを測位し、自律航行を実現するという問題を解決します。ここで、各瞬間の自律走行車の状態は x1、x2、…、xk として記録されます。ここで、k は離散時間の添え字を表します。

以下では、観測モデルと動作モデルを使用した自律走行車の SLAM 問題について説明します。

写真

これは、観測量、現在の環境量、現在の姿勢状態、および現在のモーション センサーの読み取り値を表しますが、これらはすべてノイズ値です。

SLAM テクノロジーは比較的大規模なシステムであり、フロントエンドの走行距離計、バックエンドの最適化、ループ検出、マッピングという 4 つの主要部分から構成されています。本稿では、主に、視覚レーザー融合に基づく SLAM フロントエンド走行距離計の姿勢推定および位置決め技術について紹介します。

3 姿勢推定

視覚レーザーのデータ融合により、自動運転車は周囲の環境を理解し、障害物の種類と対応する距離の深さを検出できます。2 つのキー フレーム画像データ間の 3 次元対応点が一致していると仮定します。

ユークリッド変換 R, t を解いて、 となるようにすると、上記の式は反復最近接点法 (Iterative Closest Point、ICP) によって解かれます。ICP アルゴリズムには、線形代数法 (SVD) と非線形最適化法という 2 つの特定の解法があります。

4 線形代数法（SVD）

2 つの点の集合の重心を次のように定義します。

対応する二乗項が展開され、交差項が削除されます。最適化目的関数は次のように簡略化できます。

作る：

同じ方法を使用して、R のみを含む左側の式の二乗和を展開し、R に関係のない項を削除し、最終的に最適化する必要のある式に簡略化します。

まず行列を定義します。

W は 3 次元行列であり、SVD 分解が実行されます。

ここでUとVは対角行列であり、Wがフルランクのとき、

R を解いた後、それを最適化目的関数に代入すると t を見つけることができます。

5つの非線形最適化手法

ICP を解決するために使用される非線形最適化法は、PnP アルゴリズムに似た反復的な考え方に基づいて最適なソリューションを見つけることです。最適化プロセス中に回転行列自体の制約を排除するために、姿勢を表すためにリー代数が使用され、構築された目的関数は次のようになります。

この式には未知数が 1 つだけあるため、リー代数の摂動モデルを使用して解くことができます。

写真

ICP アルゴリズムの特徴点は一致しているため、構築された最小二乗方程式には解析解が存在するはずであり、反復的な最適化は必要ありません。計算の便宜上、2 つのアルゴリズムを一緒に検討することができます。たとえば、深度情報が不明な場合は、3D-2D PNP 再投影誤差を使用できます。深度情報が測定されている場合は、3D-3D ICP アルゴリズムを使用してモデリングとソリューションを完了できます。

6 フィルタベースの位置決めアルゴリズム

観測モデルは、自律走行車の姿勢推定と空間移動の問題を解決し、地図構築における自律走行車の位置決め問題も解決します。この論文では、ベイジアンフィルタリングにおける特殊なフィルタリング手法である粒子フィルタリングを主に使用します。

ベイジアンフィルタリング

自律走行車の現在の位置決めには、位置と姿勢の観測値 z と真値 x があります。両者の間には誤差があります。観測値を位置と姿勢の真値に変換する問題は、すべての空間環境の位置決めで起こり得るイベントの分布である確率分布問題です。ベイジアンフィルタリングのプロセスは、時刻 t-1 における状態量 xt-1 の確率分布とモーションセンサー値 ut-1 が与えられ、時刻 t における観測データ zt が与えられると、時刻 t における状態量の確率分布を推定します。対応するベイズフィルタリングの式は次のとおりです。

単純化すると次のようになります。

ベイジアン フィルタリングの中核は、時刻 t-1 の事後確率を通じて時刻 t の事前確率を導出し、時刻 t の事前確率を通じて時刻 t の事後確率を更新することです。

粒子フィルタアルゴリズム

粒子フィルタリングは、確率が粒子セットによって表され、確率密度関数を近似するためにランダムサンプルが見つけられ、サンプル平均が積分演算の代わりに使用され、システム状態の最小分散推定値を取得するモンテカルロ法です。非ガウス、非線形システム、およびマルチピーク分布における粒子フィルタリングの利点により、ノイズの多い観測データ内での自律走行車の位置と動作状態を推定するために使用できます。

パーティクルフィルタは次のように表現できます。

自動運転車両の位置と、現在位置が位置する環境と地図との一致度の重みを表します。図4は粒子のおおよその分布の概略図を示しています。

写真

図4 近似粒子分布の模式図

実装プロセス

本稿では、自動運転システムに粒子フィルタアルゴリズムを実装するプロセスは、次の 3 つのステップに分かれています。

1. 粒子を使用した状態伝播:

2. 各粒子の重さを評価します。

3. 重みに応じて再サンプリングする:

目的は、確率受け入れによって低重量の粒子を除去することです。ここで、粒子フィルタリングの状態伝播モデルは次のとおりです。

GPS 信号がない場合、自動運転車の位置の実際のリリースは不明であるため、図 5 に示すように予測分布から位置決めサンプリングが実行され、観測モデルを使用して重みが計算され、結合された重みが再サンプリングされて、自動運転車の事後確率分布が近似されます。

写真

図5 位置決めサンプリング原理

確率が大きいほど、重みが大きくなり、配置がより正確になり、再配置のためにコピーされる粒子の数が増え、図 6 と図 7 に示すように、粒子の重みは事後確率分布とより一致します。

図6 重量評価

図7 再サンプリング後の粒子分布

7. ROSに基づく位置測定とマッピングのシミュレーション実験

本論文では、上記のSLAM姿勢推定アルゴリズムと粒子フィルタ配置アルゴリズムを、ロボットオペレーティングシステムROS（Robot Operating System）と組み合わせて適用し、アルゴリズムの検証とシミュレーション実験を実施します。

ROS は、自律走行車向けのオープンソースのメタオペレーティングシステムです。主な利点は、コード再利用のサポート、優れた通信アーキテクチャ、プラグイン シミュレーション ツール、強力なライブラリ、複数のプログラミング言語との互換性です。ハードウェア抽象化、低レベルのデバイス制御、共通関数の実行、プロセス間メッセージング、関数パッケージ管理など、オペレーティング システムに必要な機能を提供します。

このシミュレーション実験では、URDFロボット統合記述プラットフォームを使用して自動運転車のモデルを構築し、その後、自動運転車モデルをGazebo物理シミュレーションプラットフォームに追加して、図8に示すように地下駐車場の環境をシミュレートしました。

写真

図8 ガゼボの物理環境シミュレーション

モデル位置決めシミュレーションは粒子フィルタアルゴリズムによって実行され、gmappingナビゲーション機能パッケージを使用して、Rvizインターフェースにマップ構築ステータスが表示されます。図9に示すように、マップ内で自律位置決めナビゲーションと経路計画が実行されます。

写真

図9 Rvizマップ構築と自律ナビゲーション

8 実車テストと結果分析

理論分析と実験アルゴリズムのシミュレーションを行った後、自動運転車両をテストと実験に使用しました。選択された環境は、図 10 に示すように、GPS 信号のない地下駐車場でした。

図10 テスト検証図

まず、自動運転車両の相対姿勢推定アルゴリズムを使用して、現在の車両の空間剛体運動行列を解きます。得られた姿勢関係を使用して、地下室全体のマップをつなぎ合わせて構築し、図11に示すようにRvizに表示します。PCD形式に変換されたポイントクラウドマップを図12に示します。

図11 RVIZの地下室マップの表示

図12 地下室の点群マップ

構築されたガレージ全体のマップ内の一部のパスは、位置決めとナビゲーションの実験用に選択されています。VL-SLAMアルゴリズムを使用して、自動運転の姿勢推定と精度マップを取得できます。精密地図上で自律走行車の位置を正確に特定するために、Velodyne 32 ライン レーザー レーダーと単眼カメラで収集したデータを融合して精密地図と照合します。照合の重みに応じて、現在収集されているデータの精密地図上における位置が決定されます。

自己位置決めがわかり、目標位置が設定されると、ROS の gmapping ナビゲーション機能パッケージを組み合わせることで、マップ環境での経路計画タスクを実現できます。 RVIZ での実験結果を図 13 に示します。赤い四角は、自律走行車が車両モデルを初期化してロードしていることを示しています。

図13 位置決めの初期化

図 14 に示すように、車両モデルが正常に読み込まれ、初期位置の開始点として正確に配置されています。

図14 初期位置の決定

その後、自動運転車は自動運転機能を開始します。図15は、移動中の自動運転車の正確な位置決めを示しています。

図15 移動中の正確な位置決め