0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

谈一谈决策规划在量产自动驾驶中的挑战

汽车ECU开发 来源:深蓝AI 作者:深蓝AI 2022-11-17 10:09 次阅读

量产自动驾驶简介

量产自动驾驶目前分为跨越式和渐进式两类。跨越式的是希望一步到位直接做L4级别的自动驾驶,主要有两个点:

第一个是需要有一个特殊的车辆,泛指经过一些做L4的自动驾驶公司改装后的特殊车辆。

第二个是需要有一个特殊的场景,指用高精度地图或一些事先规划好的地域逐渐实现从a点到b点的全自动驾驶。渐进式是先做辅助智能驾驶系统,再迭代实现L4级别的自动驾驶。

随着行业和产业的不断发展和成熟,L2+的辅助驾驶近几年有了一些不错的成果。L2+量产自动驾驶的主流功能有3个:行车辅助、泊车辅助和主动安。行车辅助里包括车道保持、拨杆变道、导航辅助驾驶等;泊车辅助里包含车位博入、智能召唤、记忆泊车等;主动安全包含防撞辅助、车道辅助、车速辅助等。

辅助的概念实际上是人机共驾,即当司机在开启辅助驾驶的时候,同时人也会通过方向盘和油门对车辆进行控制。

L2+和L4 Planning的差异

做量产自动驾驶的思路跟L4不一样的地方在于L4是怎么样去取代人类司机来开车,而量产自动驾驶思考的角度是让人开车时更加的安全和轻松,所以替人开车这块的能力实际上跟L4是差不多,但量产自动驾驶里面会包括更多的东西。

其中一个主动提示/接管现在的思路是希望结合比较强大的一个感知和规控的能力,把辅助驾驶变成汽车软件层面的安全带。

L4级别的自动驾驶是能够在没有接管的各种路况下很好的驾驶车辆,实际有两个很重要的前提:第一个是需要事先标注好的高精度地图,第二个是对于交通参与者以及路面上的一些元素基本上都是一个非常完美的感知状态。但实际上做L2+的时候,这两个先决条件不一定成立,一旦离开了高精度地图或者没有一个完美感知的时候,该系统表现出来的能力还能像L4一样。

高精度地图在当前的情况下存在着两个最大的问题:第一个是制造的成本很太高,导致覆盖率很低。第二个是地图更新做不到实时。覆盖率低的问题还涉及到产品本身的问题,因为使用自动驾驶能力的一些目标客户并不是都在有高精度地图覆盖的一线城市,可能也存在于一些三、四线城市。

同时这些一线城市并不是所有路段都会有高精度地图覆盖。第二个是即便该路端覆盖了高精度地图,但其本身也不是扫描一次就足够,因为真实道路是每时每刻都会发生变化,因此,后期也需要不停的通过手工或半自动的方式去不断的更新和维护这些地图。另外一个是感知的不确定性,不确定性主要是来自于上游的感知,实际上感知在通过激光雷达或视觉方案给出的时候,和真值会有一些偏差以及时序上的抖动。

辅助驾驶里最基本的一个能力就是车道保持,即驾驶员不用扶着方向盘,车辆也能准确的行驶在车道中间。在没有高精度地图的情况下,车道线主要依靠视觉生成。实际上,这些车道线不可避免的会存在一个特性:离车越远的车道线,感知误差会越大,如图1所示。还有是感知道的两帧之间会存在一定的偏差,导致方向盘会不断的抖动。

bc2a5658-6610-11ed-8abf-dac502259ad0.png

图1 观测车道线与真值误差

Contingency Planning

量产自动驾驶的两个基本是安全性和舒适性。但这两个指标实际上是相悖的,因此思考的问题是:如何在没有好的感知情况下,做一个兼顾安全性和舒适性的自动驾驶产品。

做决策规划最实用的两点是:第一是完备性,即尽可能的扩大解空间;第二是最优性,即提升解的质量。

Contingency Planning(防御性规划)能够对危急情况随时做出有效的反应。实际上可以用多模态的问题解决,包括自车的多种可行解以及他车的多种意图预测。举一个常见的例子:假设本车发现前面停下一辆车,一般会决策出左绕还是右绕。传统的做法是假定开始选择左绕,可能更加符合人的预期,当车开到新的位置,

上游会重新给一个关于车的新位置估计,这时再次进行判断继续左边还是右边,不巧,左边发现新的障碍物,决策出需要右绕通行。所以在极端的情况下,最后会出现摇摆不定,画龙的问题。

目前主流的做法是做一些输入倾向的提升,这样只缓解了合法方向的问题,并没有真正意义上解决问题,因为当前车被检测出来的这一帧,实际上就已经开始对未来的预期做了一个决策。

目前比较习惯于把轨迹当成一个链式模型进行处理,但真正实用的可能是树模型,如图2所示。

每个树模型分叉的节点叫branch state,同时可以在任意的节点分叉,所以该模型比较的灵活。所以利用该模型来做刚刚的案例,开始选择在离障碍物有一定距离时分叉一下,这样就是由两段组成:第一段是公用的部分,第二段是分开的部分。然后以此来分叉判别可以保证方向盘不太会左右晃。即便出现了新的障碍物位置,也可以继续用轨迹优化。

bc4c8926-6610-11ed-8abf-dac502259ad0.png

图 2 树模型

还有一个很在意功能是加塞应对,即当车辆驾驶时,旁边开过来一辆车,是需要继续车道保持还是减速/变道处理。传统方案对加塞概率进行判定,当大于阈值的时候则会考虑减速/变道处理,这时车就开始减速处理,如果小于阈值,则继续车道保持。

但加塞和不加塞的概率各占一半的时候,很容易出现决策上的跳动,导致用户体验不好。

自动驾驶方法的加塞处理如图3所示。如果加塞就会开始减速,然后再提速进行跟车,如浅绿色线所示。图下方是加速度曲线,加速度为0则对应匀速直线行驶,应对加塞时再减速。

bc6d7a28-6610-11ed-8abf-dac502259ad0.png

图3 轨迹树的加塞处理

Risk-Aware Planning

Risk-aware的概念是保证自动驾驶从a点到b点上整个的安全性。一般通过保证每一帧规划轨迹是安全的得以实现,实际上有个问题:保证自动驾驶整个周期的安全性需不需要保证每一帧轨迹的安全性?

通常考虑两个点:第一,轨迹规划不能撞上一些静态的障碍物,比如马路边、静止车等。第二与交通参与者的交互有关,比如车辆、行人等交通参与者的未来行为会随着自车的决策规划而产生变化。

传统系统的考虑方式是,当前方突然出现一脸车,那会规划出一个预测轨迹,再根据预测轨迹在时空域规划出对应的障碍物,然后规划出一个不会相撞的轨迹。但当舒适性和安全性出现一定冲突的时候,这样的规划思路比较保守。实际上要保证整个自动驾驶周期的安全性,单帧轨迹的规划性是更高的。

具体来说,预测往往具备一个特性:预测时间越往后,置信度越低。也就是在预测初期是不可能相撞的(比如2秒内),那2秒后是不是可以允许适当的接触,同时让规划出来轨迹的舒适性和安全性之间达到平衡,从而保证整个自动驾驶的安全性。

审核编辑 :李倩

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 高精度
    +关注

    关注

    1

    文章

    516

    浏览量

    25415
  • 自动驾驶
    +关注

    关注

    782

    文章

    13621

    浏览量

    165952

原文标题:谈一谈决策规划在量产自动驾驶中的挑战

文章出处:【微信号:eng2mot,微信公众号:汽车ECU开发】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    聊聊自动驾驶离不开的感知硬件

    自动驾驶飞速发展,绕不开感知、决策和控制决策的经典框架,而感知作为自动驾驶汽车“感官”的重要组成部分,决定了自动驾驶系统对环境的理解和反应能
    的头像 发表于 08-23 10:18 379次阅读

    FPGA在自动驾驶领域有哪些优势?

    FPGA(Field-Programmable Gate Array,现场可编程门阵列)在自动驾驶领域具有显著的优势,这些优势使得FPGA成为自动驾驶技术不可或缺的部分。以下是FP
    发表于 07-29 17:11

    FPGA在自动驾驶领域有哪些应用?

    是FPGA在自动驾驶领域的主要应用: 、感知算法加速 图像处理:自动驾驶需要通过摄像头获取并识别道路信息和行驶环境,这涉及到大量的图像处理任务。FPGA在处理图像上的运算速度快,可
    发表于 07-29 17:09

    自动驾驶识别技术有哪些

    自动驾驶的识别技术是自动驾驶系统的重要组成部分,它使车辆能够感知并理解周围环境,从而做出智能决策自动驾驶识别技术主要包括多种传感器及其融
    的头像 发表于 07-23 16:16 493次阅读

    自动驾驶的传感器技术介绍

    自动驾驶的传感器技术是自动驾驶系统的核心组成部分,它使车辆能够感知并理解周围环境,从而做出智能决策。以下是对自动驾驶传感器技术的详细介绍,内容涵盖常见类型、工作原理、在
    的头像 发表于 07-23 16:08 1919次阅读

    深度学习在自动驾驶的关键技术

    随着人工智能技术的飞速发展,自动驾驶技术作为其中的重要分支,正逐渐走向成熟。在自动驾驶系统,深度学习技术发挥着至关重要的作用。它通过模拟人脑的学习过程,实现对车辆周围环境的感知、理解和决策
    的头像 发表于 07-01 11:40 620次阅读

    毫末智行再获3亿元B2轮融资,加大自动驾驶研发投入

    成立于2019年的毫末智行,专注于自动驾驶技术研发,短短四年间,已经成为中国量产自动驾驶领域的佼佼者之。据统计,截止目前,搭载毫末Hipoilt的车辆已超过20款,累计行驶里程接近1.4亿公里,引领着
    的头像 发表于 04-23 17:59 656次阅读

    2025量产L4 RoboTaxi,滴滴自动驾驶再进

    的面向出行服务的L4自动驾驶技术方案,合作打造L4无人驾驶量产车,实现自动驾驶领先技术与新能源整车制造成熟经验的深度融合。   滴滴自动驾驶
    的头像 发表于 04-18 00:12 4233次阅读

    未来已来,多传感器融合感知是自动驾驶破局的关键

    的Robotaxi运营。这标志着L4级自动驾驶迎来了新的里程碑,朝着商业化落地迈进了大步。中国的车企也不甘落后:4月7日,广汽埃安与滴滴自动驾驶宣布合资公司——广州安滴科技有限公司获批工商执照。广汽埃安
    发表于 04-11 10:26

    自动驾驶发展问题及解决方案浅析

    汽车的发展提供有益的参考。   自动驾驶汽车发展的现状与挑战)技术难题 自动驾驶汽车的核心在于通过先进的传感器、算法和控制系统实现车辆的自主
    的头像 发表于 03-14 08:38 1035次阅读

    VADv2:基于概率性规划的端到端自动驾驶

    不同于感知,规划存在着更多的不确定性,对于同场景,存在不同的合理的决策规划结果。环境信息到决策
    的头像 发表于 02-22 10:21 1439次阅读
    VADv2:基于概率性<b class='flag-5'>规划</b>的端到端<b class='flag-5'>自动驾驶</b>

    自动驾驶感知算法提升处理策略

    和规则进行决策规划,这种处理方式在先前常规的高速路、快速路上实现L2级以后以下的驾驶辅助而言是基本没有问题的。然而,针对高阶自动驾驶而言,这类专家和规则的处理方式却难以胜任在复杂不确定
    的头像 发表于 12-28 09:56 918次阅读
    <b class='flag-5'>自动驾驶</b>感知算法提升处理策略

    语音数据集在自动驾驶的应用与挑战

    随着人工智能技术的快速发展,自动驾驶汽车已经成为交通领域的研究热点。语音数据集在自动驾驶中发挥着重要的作用,为驾驶员和乘客提供了更加便捷和安全的交互方式。本文将详细介绍语音数据集在自动驾驶
    的头像 发表于 12-25 09:48 508次阅读

    LabVIEW开发自动驾驶的双目测距系统

    挑战,包括激光雷达、单目测距和双目视觉技术等。在当前的高级辅助驾驶技术(ADAS),双目视觉技术在距离检测方面表现出色,它可以精确地测量物体的距离,提供更客观的数据。 为了应对这
    发表于 12-19 18:02

    谈一谈PCB翘曲度的标准以及如何测量

    谈一谈PCB翘曲度的标准以及如何测量
    的头像 发表于 11-27 17:28 4734次阅读
    <b class='flag-5'>谈一谈</b>PCB翘曲度的标准以及如何测量