自動運転技術の枠組みの概要

無人運転システムの中核は、知覚 (Perception)、計画 (Planning)、制御 (Control) の 3 つの部分に要約できます。これらの部分の相互作用、および車両ハードウェアや他の車両との相互作用は、次の図は次のことを表します:

知覚とは、環境から情報を収集する無人運転システムの能力を指します。そしてそこから関連する知識を抽出します。このうち、環境認識とは、具体的には、障害物の位置、道路標識・標識の検出、歩行者や車両の検出、データの意味分類など、環境の情景を理解する能力を指します。一般に、位置特定も知覚の一部であり、位置特定とは、環境に対する無人車両の位置を決定する能力です。

計画とは、自動運転車が特定の目標に向けて目的を持った意思決定を行うプロセスです。自動運転車の場合、この目標は通常、障害物や障害物を回避しながら出発点から目的地に到着することを指します。運転軌道と動作を継続的に最適化し、乗客の安全と快適性を確保します。計画層は通常、ミッション計画、行動計画、動作計画の 3 つの層に細分されます。

最後に、制御とは、上位層から発生する計画されたアクションを正確に実行する無人車両の能力です。

01 認識

環境認識

人や車両が環境を理解して把握するには、通常、無人運転システムの環境認識部分で、特に位置、速度、起こり得る行動など、周囲環境に関する大量の情報を取得する必要があります。障害物、走行可能エリア、交通ルールなどが待っています。無人車両は通常、LiDAR、カメラ、ミリ波レーダーなどの複数のセンサーからのデータを融合することでこの情報を取得します。このセクションでは、自動運転車における LIDAR とカメラの役割について簡単に説明します。人間と車両のセンシングへの応用について説明します。

Lidar は、検出と測距にレーザーを使用するデバイスの一種です。毎秒数百万の光パルスを環境に送信できます。その内部は回転構造になっており、これにより LIDAR が可能になります。周囲環境の 3D マップをリアルタイムで構築します。

一般に、LIDAR は約 10Hz の速度で回転し、周囲環境をスキャンします。1 回のスキャンの結果は、密集した点で構成される 3 次元マップになります。各点は ( x 、y、z) 情報に基づいて、このグラフは次の図に示すように点群グラフと呼ばれます。これは、Velodyne VLP-32c LIDAR を使用して作成された点群マップです:

#LiDAR はその信頼性から、依然として無人運転システムにおいて最も重要なセンサーですが、実際の使用においては、LIDAR は完璧ではなく、しばしば問題が発生します。点群がまばらすぎるか、一部の点が失われている場合もあります 不規則な物体表面の場合、ライダーを使用してパターンを識別するのは困難です 大雨などの状況では、ライダーは使用できません

点群情報を理解するには、一般に、点群データに対してセグメンテーション (Segmentation) と分類 (Classification) という 2 段階の操作を実行します。このうち、セグメンテーションは点群画像内の離散的な点をいくつかの全体にクラスタリングすること、分類はそれらの全体がどのカテゴリ (歩行者、車両、障害物など) に属するかを区別することです。セグメンテーション アルゴリズムは次のカテゴリに分類できます:

1. エッジベースのメソッド (勾配フィルタリングなど);
2. 領域ベースのメソッド。このタイプのメソッドは、領域特徴を使用して隣接するポイントをクラスタリングします。 . このクラスは、いくつかの指定された標準 (ユークリッド距離、表面法線など) の使用に基づいています。このメソッドは通常、点群内の多数のシード ポイント (シード ポイント) を選択し、指定された標準を使用してこれらのシードから選択します。ポイントに基づいて近くのポイントをクラスタリングします。
3. パラメトリック手法。このタイプの手法では、事前定義されたモデルを使用して点群に適合します。一般的な手法には、ランダム サンプル一貫性手法 (ランダム サンプル コンセンサス、RANSAC) およびハフ変換 (HT);
4. 属性ベースの方法では、最初に各ポイントの属性を計算し、次に属性に関連付けられたポイントをクラスター化します。
5. グラフベースの方法;
6. 機械学習ベースの方法;

After点群のターゲット分割が完了したら、分割されたターゲットを正しく分類する必要がありますが、その際にはクラスタリング用のサポートベクターマシン(SVM)などの機械学習における分類アルゴリズムが一般的に使用されます。深層学習の発展に伴い、業界では、特別に設計された畳み込みニューラル ネットワーク (畳み込みニューラル ネットワーク、CNN) を使用して 3 次元点群クラスターを分類し始めています。

ただし、特徴抽出方法 - SVM であっても、元の点群 - CNN 方法であっても、反射点がまばらなターゲットの場合、LIDAR 点群自体の解像度が低いため、 (歩行者など)、点群に基づく分類は信頼性が低いため、実際には、LIDAR とカメラ センサーを統合し、カメラの高解像度を使用してターゲットを分類し、LIDAR の信頼性を使用して障害物と測距を検出します。 、両方の利点を統合して環境認識を完成させます。

無人システムでは、通常、画像視覚を使用して道路検出と道路上の目標検出を完了します。道路検出には、道路線の検出 (Lane Detection)、走行可能領域の検出 (Drivable Area Detection) が含まれ、道路標識の検出には、他の車両の検出 (Vehicle Detection)、歩行者検出 (Pedestrian Detection)、交通標識およびすべての検出と分類が含まれます。信号検知などの交通参加者。

車線の検出には 2 つの側面が含まれます: 1 つ目は車線を識別することです。カーブした車線の場合は曲率を計算できます。2 つ目は車線の相対位置を決定することです。車両自体を車線に配置するライン オフセット (つまり、自動運転車両が車線上のどこにあるか)。 1 つの方法は、エッジ フィーチャ (通常はソーベル オペレータなどの勾配)、車線の色の特徴などを含むいくつかの車線の特徴を抽出し、多項式を使用して車線の可能性があると思われるピクセルに適合させ、その多項式に基づいて行うことです。車両に取り付けられたカメラの現在位置によって、前方の車線の曲率と車線に対する車両の逸脱が決まります。

走行可能エリアを検出する現在のアプローチの 1 つは、ディープ ニューラル ネットワークを使用してシーンを直接セグメント化することです。つまり、ピクセルをピクセルごとに分類するディープ ニューラル ネットワークをトレーニングして、画像内の走行可能エリアの検出 走行可能エリアのカット

現在、トラフィック参加者の検出と分類は主に深層学習モデルに依存しています。一般的に使用されるモデルには、次の 2 つのカテゴリが含まれます:

• 地域RCNN (RCNN、SPP-NET、Fast-RCNN、Faster-RCNN など) に代表される提案ベースの深層学習ターゲット検出アルゴリズム、
• YOLO Deep に代表される回帰ベースの手法目標検出アルゴリズムの学習 (YOLO、SSD など);

02 測位

自動運転車の認識レベル, 測位の重要性は自明の理です。無人車両は環境に対する正確な位置を知る必要があります。ここでの測位誤差は 10cm を超えることはできません。想像してみてください。無人車両の測位誤差が 30cm であれば、これは自動運転の計画層と実行層は 30 センチメートルの誤差があることを認識しておらず、依然として正確な位置情報を前提に意思決定を行っているため、非常に危険な自動運転車 (歩行者と乗客の両方にとって) となる可能性があります。決定と制御を行うと、特定の状況に対して行われた決定が間違ってしまい、事故が発生します。無人車両には高精度の測位が必要であることがわかります。

無人車両の測位方法で最も広く使われているのは間違いなく全地球測位システム(GPS)と慣性航法システム(慣性航法システム)を統合した測位方法であり、その中でもGPSの測位精度は数十桁です。メートルからセンチメートルまでの高精度 GPS センサーは比較的高価です。 GPS/IMUを組み合わせた測位手法は、地下駐車場や高層ビルに囲まれた市街地など、GPS信号が欠落したり微弱な場所では高精度な測位ができないため、都市部での無人運転業務にしか適用できません。いくつかのシナリオ。

地図支援測位アルゴリズムは、もう 1 つの広く使用されている無人車両測位アルゴリズムです。Simultaneous Localization And Mapping (SLAM) は、このタイプのアルゴリズムの代表です。SLAM の目標は、 SLAM は、観測された環境特徴を使用して、現在の車両の位置と現在観測されている特徴の位置を決定します。

これは、過去の事前分布と現在の観測を使用して現在位置を推定するプロセスです。実際には、通常、ベイジアン フィルターを使用して完了します。具体的には、カルマン フィルター、拡張フィルターが含まれます。カルマンフィルターと粒子フィルター。

SLAM はロボット測位の分野で研究のホットスポットですが、無人車両の実際の開発プロセスで SLAM 測位を使用するには問題があります。ロボットとは異なり、無人車両は長距離を移動します。はい、広大なオープン環境です。長距離移動の場合、距離が大きくなるにつれてSLAM位置のずれが徐々に大きくなり、位置決めに失敗することがあります。

実際には、無人車両の位置を測位する効果的な方法は、元の SLAM のスキャン マッチング アルゴリズムを変更することです。具体的には、測位中にマッピングを行わなくなりましたが、ライダーなどのセンサーが使用されます。事前にエリアの点群マップを構築し、プログラミングと手動処理を通じてマップに「セマンティクス」の一部 (車線境界線、道路網、信号機の位置、道路交通規則などの特定の標識など) を追加します。現在の道路セクションなど）、セマンティクスを含むこの地図は、自動運転車の高精度地図（HD マップ）です。

実際の測位では、現在の LIDAR スキャンと事前に構築された高精度マップを使用して点群マッチングを実行し、マップ内での無人車両の特定の位置を決定します。これらのクラスメソッドは総称してスキャン マッチングと呼ばれます。最も一般的なスキャン マッチング手法は、現在のスキャンとターゲット スキャンの間の距離測定に基づいて点群の登録を完了する反復最近接点 (ICP) メソッドです。

さらに、正規分布変換 (NDT) も点群登録の一般的な方法であり、点群特徴ヒストグラムに基づいて登録を実現します。点群登録に基づく測位方法でも、10 センチメートル以内の測位精度を達成できます。

点群の登録により、地図に対する無人車両の全地球的な位置を知ることができますが、このタイプの方法は事前に構築された高精度地図に依存しすぎるため、依然として失敗します。開いた道路セクション。GPS 測位と併用する必要があります。比較的単一のシーン (高速道路など) がある道路セクションでは、GPS と点群マッチングを使用するコストは比較的高くなります。

03 計画

ミッション計画

無人運転計画システムの階層構造設計は、2007 年に開催された DAPRA Urban Challenge に端を発しています。 , タスク計画は、パス計画またはルート計画とも呼ばれることが多く、開始点から終了点までのパスの選択など、比較的トップレベルのパス計画を担当します。

現在の道路システムを有向ネットワーク グラフ (有向グラフ ネットワーク) に処理できます。この有向ネットワーク グラフは、道路と交通規則の間の接続、道路幅、その他の情報を表すことができます。 , これは本質的に、前の測位セクションで説明した高精度マップの「セマンティック」部分です。この有向ネットワーク グラフは、次の図のようにルート ネットワーク グラフと呼ばれます:

#

このような道路ネットワーク グラフ内の各有向エッジには重みが付けられ、無人車両の経路計画問題は、車両が特定の目標 (通常は点から) に到達するために道路ネットワーク グラフのものになります。 A点からB点まで)は、ある方法に基づいて最適な(損失が最小となる)経路を選択するプロセスであり、問​​題は有向グラフ探索問題になりますディコス・ダイクストラアルゴリズム(ダイクストラアルゴリズム)やA*アルゴリズムなどの従来のアルゴリズム(A* アルゴリズム) は、主に離散グラフで最適な経路探索を計算するために使用され、道路網グラフで最も損失が少ない経路を探索するために使用されます。

行動計画

行動計画は、意思決定 (意思決定者) とも呼ばれます。主なタスクは、タスク計画の目標に従うことです。現在の地域状況（他の車両や歩行者の位置と行動、現在の交通規則など）に基づいて、自動運転車が実行すべき次の決定を下すこの層は、車両の副操縦士として理解できます。ドライバーは、目標と現在の状況に基づいて、後続するか追い越すか、停止して歩行者の追い越しを待つか、歩行者を迂回するかなどをドライバーに指示します。

行動計画の 1 つの方法は、多数のアクション フレーズを含む複雑な有限状態マシン (FSM) を使用することです。有限状態マシンは基本状態から始まり、さまざまな運転シナリオに対応します。さまざまなアクション状態にジャンプし、アクション フレーズが下位のアクション プランニング層に渡されます。次の図は、単純な有限状態マシンです。

##上図に示すように、各状態は車両の動作によって決定されます。状態間には特定のジャンプ条件があり、一部の状態は自己ループできます (上図の追跡状態と待機状態など)。これは現在無人車両で使用されている主流の動作意思決定方法ですが、有限状態マシンには依然として大きな制限があります: まず、複雑な動作決定を達成するには、多数の状態を手動で設計する必要があり、車両がその状態に陥る可能性があります。有限状態マシンの考慮された状態; 有限状態マシンがデッドロック保護を備えて設計されていない場合、車両はある種のデッドロックに陥る可能性さえあります。

行動計画

特定の目的(障害物を回避するなど)を達成するための一連の行動を計画するプロセスを行動計画といいます。一般に、アクション プランニング アルゴリズムのパフォーマンスを検討するには、計算効率 (Computational Efficiency) と完全性 (Completeness) の 2 つの指標が使用されます。いわゆる計算効率とは、アクション プランニングを完了するための処理効率を指します。アクション プランニング アルゴリズムは大きく異なります。それは構成空間に大きく依存します。アクション プランニング アルゴリズムが、問題に対する解決策がある場合には限られた時間内に解決策を返すことができ、解決策がない場合には解決策を返さない場合は、次のように呼び出します。アクション 計画アルゴリズムが完了しました。

構成空間: ロボットのすべての可能な構成を定義するセット。ロボットが移動できる次元を定義します。最も単純な 2 次元離散問題の場合、構成空間は次のようになります。 [x, y]、自動運転車の構成空間は、使用される動作計画アルゴリズムによっては非常に複雑になる可能性があります。

構成空間の概念が導入された後、無人車両の行動計画は次のようになります。与えられた初期構成 (開始構成)、ターゲット構成 (目標構成) )、およびいくつかの制約 (制約) を使用して、目標構成に到達するための一連のアクションを構成空間内で見つけます。これらのアクションの実行結果は、制約を満たしながら無人車両を初期構成から目標構成に移行します。

無人車両のアプリケーション シナリオでは、通常、初期構成は無人車両の現在の状態 (現在位置、速度、角速度など) であり、目標構成は次のようになります。行動計画から導き出されたもので、上位層が行動計画層であり、制約条件は車両の移動制限（最大角度振幅、最大加速度など）です。

高次元構成空間での行動計画の計算量は明らかに膨大であり、計画アルゴリズムの整合性を確保するには、可能な限りすべての計算量を探索する必要があります。これにより、継続的なアクション計画において「次元の呪い」の問題が生じます。現在の行動計画におけるこの問題を解決するための中心的な概念は、連続空間モデルを離散モデルに変換することであり、その具体的な手法は、組み合わせ計画とサンプリングベース計画の 2 つのカテゴリーに要約できます。

動作計画の組み合わせ手法は、近似に頼ることなく、連続的な構成空間を通る経路を見つけます。この特性により、それらは正確なアルゴリズムと呼ばれます。組み合わせ手法は、DARPA アーバン チャレンジで CMU の自動運転車 BOSS が使用した行動計画アルゴリズムなど、計画問題の離散表現を構築することによって完全な解決策を見つけます。最初にパス プランナーを使用して、代替パスとターゲット ポイントを生成します (これらのパスとターゲット ポイントは融合ダイナミクスによって到達可能です)、最適化アルゴリズムを通じて最適なパスを選択します。

もう 1 つの離散化手法は、グリッド分解アプローチです。構成空間をグリッド化した後、通常、離散グラフ検索アルゴリズム ( A* など) を使用して、最適化されたパスを見つけることができます。

サンプリング ベースの手法は、確率的な完全性により広く使用されており、最も一般的なアルゴリズムは PRM (確率的ロードマップ)、RRT (Rapidly-Exploring Random Tree)、FMT (Fast-Marching) です。 Trees) によると、無人車両のアプリケーションでは、状態サンプリング方法は 2 つの状態の制御制約を考慮する必要があり、また、サンプリング状態と親状態が到達可能かどうかを効果的にクエリできる方法も必要です。後で、サンプリングベースの動作計画アルゴリズムである状態格子プランナーを詳しく紹介します。

04 制御

制御層は無人車両システムの最下位層であり、計画した動作を実現することが役割となります。制御層 モジュールの評価指標は制御の精度です。制御システム内で測定が行われ、コントローラーは車両の測定値と予想される状態を比較することで制御動作を出力します。このプロセスはフィードバック制御と呼ばれます。

フィードバック制御は自動化制御の分野で広く使われており、最も代表的なフィードバック制御器はPID制御器(比例・積分・微分制御器)です。誤差信号は、誤差比率 (Proportion)、誤差積分 (Integral)、および誤差微分 (Derivative) の 3 つの項目で構成される単純な誤差信号に基づいています。

PID 制御は、実装が簡単で性能が安定しているため、現在でも業界で最も広く使用されているコントローラですが、純粋なフィードバック コントローラとして、PID コントローラは無人化において重要な役割を果たしています。しかし、いくつかの問題があります: PID コントローラーは純粋に電流誤差フィードバックに基づいています. ブレーキ機構の遅れにより、制御自体に遅れが生じます. PID の内部システム モデルがないため、 PID では遅延を構築できないため、モデル予測に基づく制御手法を導入してこの問題を解決します。

• 予測モデル: 現在の状態と制御入力に基づいて、将来の期間の状態を予測するモデル。無人車両システムでは、これは通常、車両の運動学/ダイナミクス 学習モデル;
• フィードバック補正: フィードバック補正のプロセスがモデルに適用されるため、予測制御は外乱に耐え、外乱を克服する強力な能力を持ちます。システムの不確実性。
• ローリング最適化: ローリングベースで制御シーケンスを最適化し、参照軌道に最も近い予測シーケンスを取得します。
• 基準軌道: 設定された軌道。

モデル予測制御の基本構造を下図に示します モデル予測制御は運動モデルに基づいて最適化されるため、PID制御における制御遅れの問題も考慮できますしたがって、モデル予測制御は無人車両制御において高い応用価値を持っています。

05 結論

この概要では、自律型の概要を説明しました。自動運転ソフトウェア システムの基本構造は、通常、認識、計画、制御の 3 つの層に分かれています。この階層化システムでは、無人車両もある程度「有人ロボット」とみなすことができますが、このうち知覚には、具体的には環境知覚と位置測位が含まれます。学習は、環境認識においてますます重要な役割を果たしています。人工知能の助けを借りて、私たちはもはや障害物を知覚することに限定されず、徐々に障害物が何であるかを理解し、場面を理解し、さらには対象となる障害物を予測できるようになります。オブジェクトの動作、機械学習、深層学習については、次の 2 章で説明します。

実際の無人車両の認識では、通常、ライダー、カメラ、ミリ波レーダーなどの複数の測定を統合する必要があります。ここで関与するのは、カルマン フィルター、フィルターなどの拡張カルマン フュージョン アルゴリズムです。そしてライダー。

無人車両やロボットの測位手法は数多くありますが、現在主流となっているのはGPS慣性航法システム融合方式、もう一つはLiDAR点群スキャン・マッチング方式です。 ICP、NDTなどの点群マッチングアルゴリズムに基づいています。

計画モジュールは、タスク計画 (パス計画とも呼ばれます)、行動計画、アクション計画の 3 つの層に分かれており、道路ネットワークと離散パス探索アルゴリズムについては後ほど紹介します。タスク計画手法: 行動計画では、行動意思決定における有限状態マシンの適用に焦点を当て、アクション計画アルゴリズム層では、サンプリングベースの計画手法に焦点を当てます。

無人車両の制御モジュールではモデル予測に基づく制御手法がよく使われますが、モデル予測制御のアルゴリズムを理解する前に、基本的なフィードバック制御の理解として、 PID コントローラーの前にあります。次に、運動学的自転車モデルと動的自転車モデルという 2 つの最も単純なタイプの車両モデルを研究し、最後にモデル予測制御を導入します。

無人車両をロボットとして理解し、ロボットによって開発された思考を使用して無人車両システムを処理するのが現在の業界のコンセンサスですが、単純に人工知能や人工知能を使用するものもあります。インテリジェントエージェント 無人運転のケースを完成させる。その中でも、ディープラーニングに基づいたエンドツーエンドの無人運転と強化学習に基づいたエージェントの運転が、現在の研究の注目スポットとなっています。

以上が自動運転技術の枠組みの概要の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。