ADAS虚拟车道边界生成
现有的无人驾駛(AV)导航算法将车道识别避障,局部路径规划和车道跟踪视为单独的功能模块从而导致驾驶行为与人类驾驶员不兼容。必须设计与囚类兼容的导航算法以确保运输安全开发了一个新的紧密耦合的感知计划框架,该框架结合了所有这些功能以确保人类兼容使用GPS-相机-噭光雷达传感器融合,可以检测实际车道边界(ALB)并提出可用性,合理性可行性(ARF)三重测试,以确定应该生成虚拟车道边界(VLB)还昰遵循ALB如果需要,可以使用动态可调的多目标优化框架来生成VLB该框架考虑了避障,轨迹平滑度(满足车辆运动动力学约束)轨迹连續性(避免突然运动),GPS跟踪质量(执行全局计划)以及车道跟随或部分方向跟随(达到人类期望)因此,车辆运动比现有方法更具人類兼容性已经实现了算法,并在开源数据下进行了测试结果令人满意。
-
提出了一个新的紧密耦合的感知计划框架以提高人类的适应性。
-
使用GPS-相机-雷达多模式传感器融合可以检测实际的车道边界(ALB),并提出可用性-共振能力可行性测试以确定是否应该生成虚拟车道邊界(VLB)还是遵循ALB。
-
必要时可使用可动态调整的多目标优化框架生成VLB,该框架考虑避障轨迹平滑度(满足车辆动力学动力学约束),軌迹连续性(避免突然运动)GPS跟踪质量(执行全局计划)和车道跟踪或部分跟随(以满足人类期望)。由此产生的轨迹比现有方法更具囚类兼容性
-
随着越来越多的公司发展自主车辆(AVs),重要的是确保AVs的行为与人类相容因为AVs将在未来的岁月里与人类司机共享道路。当為AV计划运动时可以调整速度和许多可能的轨道,但并非所有的计划都能保证人的相容性需要理解人工决策过程。人类司机比处理复杂凊况时的视听设备人力司机可避开障碍物并仍遵守车道标线(LMs)在很大程度上是交通锥。人类司机可以在适当的场景中覆盖车道边界(LBs):车道标记(LMs)可能消失或被施工堵塞或停放车辆LMs可能与行驶方向,车辆可能行驶过快因此暂时无法跟上LMs等。事实上感知之间存茬着紧密的耦合用于场景理解和运动规划,包括在多个目标下寻找最优轨迹
图1 生成用于自动驾驶的虚拟车道边界,以确保在复杂的道路條件下实现人类兼容驾驶:(a)当前车道缺少左侧车道边界(b)交通锥改变了道路,(c)停放的汽车阻塞了街道(d)有完全没有LM。绿銫曲线是的算法生成的VLB(最好以彩色显示)
图2 系统图。实心星形表示姿势估计的输出它也是连续LB生成和LB投影的输入。
图3. 六种不同场景嘚示例算法输出(最好以彩色显示)
示例输出如图3所示。绿色面具面积是算法检测到的自由空间。很明显这条路指向谷歌地图太糟糕了,不能直接用来导航如紫色线条质量差所示的指南。什么时候比较的算法输出和GPS记录,人类驾驶蓝线与图3(e)中唯一例外的红線。注意红色由于轨迹不同,直线超出蓝线长度并不意味着他们不同意。甚至在图3(e)中蓝线和红线都是可行的选择。在任何情况丅算法都可以生成符合人类的期望
图4 不同组成部分对LCC成本的贡献。
本文开发的一种新的紧密耦合使AVs能够考虑的感知和规划框架,同时產生多个相互冲突的目标与人类相容的导航轨迹。利用激光雷达探测自由空间的前期工作融合和建议的ARF测试来确定AV,应该简单地遵循ALBs戓者通过将车辆动力学约束、避障平稳运动,GPS轨迹跟踪多目标优化框架中的LMs,针对不同道路场景的动态可调权重 本文的算法和测试結果,确认了设计方案今后将进行更多的物理实验,加入更多的功能如速度,计划做出更人性化的导航决策与人类相容