自動駕駛汽車避障、路徑規劃和控制技術詳解

編者按：自動駕駛汽車的行駛安全性是一個具有挑戰的問題，目前研究熱點在于車輛自主避障。論文針對這一問題，提出了一個全局的避障控制框架，包括感知、規劃和控制三個模塊。在感知模塊采用基于信度網格占用的方法識別障礙物，軌跡規劃模塊利用參數化的Signoid函數曲線設計避障軌跡，最后設計前饋加魯棒反饋的橫向控制器完成車輛的軌跡跟蹤，在常用的方法基礎上，作者還采用滾動地平線以及調節特定點橫向和橫向誤差的方法減少計算量，最后在實驗平臺ARTEMIPS上驗證了所提出框架以及各方法的有效性。

摘要：在自動駕駛車輛中，避障需要三個主要層次，即感知、路徑規劃和制導控制。在這篇論文中，通過考慮這三個層次之間的聯系，提出了一個全局架構。在環境感知層面，提出了一種基于信度網格占用的動態障礙物檢測方法。因此，在軌跡生成中需要考慮目標的姿態。后者是基于平滑軌跡的s形函數。最后，控制制導利用該避障軌跡生成適當的轉向角。整個策略在實驗車上得到了驗證。實驗結果表明了該方法的有效性。

01介紹

智能交通系統解決了復雜環境中具有挑戰性的自主性和安全性問題，因此它吸引了研究人員特別的關注。自動駕駛汽車概念的主要模塊是感知、規劃和控制。

實際上，感知是由環境建模和本地化組成的。它們分別依賴于外界和本體的傳感器。接下來，規劃旨在基于感知結果傳遞的信息來生成最佳軌跡，以便到達給定的目的地。最后，控制模塊專用于通過命令車輛的執行器來跟蹤生成的軌跡。

本文將針對避免障礙的具體情況介紹該過程的每個模塊。這些任務在全局體系結構中的集成是本文的主要貢獻。感知模塊確保根據準確的網格表示來描述環境。占用柵格地圖（OGM）的使用對于避免障礙特別方便，因為它可以識別可行駛空間并在場景中定位靜態和動態對象。然后在路徑規劃級別使用要避免的物體的姿態，該路徑規劃根據[1]中所示的 S型參數化函數和滾動水平線生成軌跡和速度曲線。所獲得的曲率輪廓被認為是引導控制模塊的參考路徑。根據使用撞擊中心（CoP）而非經典重心的橫向引導控制器，此水平為車輛提供了適當的轉向角。所提出的控制器基于前饋和魯棒的狀態反饋動作，以分別減少干擾對橫向誤差的影響并保證橫向穩定性[2]。

該文件的組織結構如下：第二部分介紹了全局方法，其中包含為避免避障而將要實施的不同模塊。第三部分介紹了基于信度網格占用的動態物體檢測方法。第四部分說明了基于參數化S型函數和滾動地平線的避障算法。第五節詳細介紹了基于前饋耦合到魯棒狀態反饋的控制器設計。第六部分說明了該實驗方法的實驗平臺和結果。最后，第七節總結了論文。

02避障策略

本節介紹基于三個模塊的全局避障策略的標題，如圖1所示。本節將簡要介紹每個層次。

圖1?避障策略

A.?感知模塊

正確而有效地感知環境對于自動駕駛汽車是強制性的。這項研究主要關注環境感知，以提取靜態/動態物體的位置以及基于外部感知傳感器的可駕駛路徑。定位部分未被視為車輛的位置被認為是已知和可靠的。提取道路和周圍物體信息的最常用方法之一是“占用網格”（OG）。它可用于多種應用，例如避免碰撞，傳感器融合，目標跟蹤以及同時定位和映射（SLAM）[3]。OG的基本思想是將環境圖表示為二進制隨機變量的均勻間隔字段，每個變量均表示環境中該位置處是否存在障礙物[4]?？梢愿鶕S多形式來生成它，以在已知車輛姿態的前提下處理嘈雜和不確定的傳感器測量數據。在本文中，OG是由Dempster和Shafer [5] [6]提出的信念理論定義的，因為它對不確定性，不精確性和未知部分進行建模，還允許管理數據融合中的沖突。第三部分給出了更多細節。

B.?參考軌跡生成模塊

該模塊專用于定義軌跡以及車輛要遵循的相應速度曲線。規劃者從感知模塊接收可駕駛區域和障礙物位置。根據這些信息，可以生成幾何軌跡以及速度曲線。本文著重于路徑規劃策略。本部分旨在基于感知的可駕駛區域，提供從起點到終點的名義軌跡。

當檢測到障礙物時，計算第二軌跡（避障軌跡）以確保自動駕駛車輛乘客的安全性和舒適性，并在避開后加入標稱軌跡。這種避免軌跡可以通過局部規劃獲得，因為它只涉及標稱軌跡的一小部分。為了降低軌跡生成算法的計算成本，采用了滾動地平線方法，如[1]所述，其工作在本文中進行了擴展，請參見第IV節。然后，可以將這些軌跡（標稱和避障）視為控制模塊（主要是橫向控制器）的參考。

C.?控制模塊

控制模塊由兩個主要部分組成：縱向和橫向控制器，確保自動駕駛控制。這里主要關注側向控制器以處理避障。實際上，適當的轉向角由側向控制器提供，以遵循參考生成模塊給定的期望路徑?？梢酝ㄟ^減少兩個跟蹤誤差，即橫向誤差和航向誤差，來實現對所需路徑的跟蹤。在文獻[7]中存在的幾何和動態橫向引導策略中，此處采用了基于碰撞中心（CoP）的動態方法[8]。該選擇取決于此控制方法的性能。CoP是位于車輛重心（CoG）前面的幾何點，可以預測橫向位置誤差。然后可以期望更好的軌跡跟蹤。另一方面，由于CoP的運動與后輪胎側向力[9]分離，如第V節所示，橫向動力學方程變得不太復雜。

03基于動態網格的動態障礙物檢測

OG是一種將空間多維細分化為單元的表示形式，每個單元都存儲其占用狀態的知識[4]。如今，由于可以使用更強大的資源來處理OG的計算復雜性，因此OG大量使用。網格的構造已應用于多個維度（2D，2.5D和3D）[10]，其中每個單元狀態均根據選定的形式描述。最常見的是貝葉斯框架，該框架首先被Elfes [4]所采用，隨后又進行了許多擴展，成為了著名的貝葉斯占用過濾器（BOF）[11]。其他作品則提出了基于Dempster-Shafer理論的形式主義，該理論也被稱為證據論，隨后進行描述。

A.?使用信念理論

歸納為概率論，信念理論提供了數據和源缺陷的充分表示，因此適合于ITS中的感知。它提供了廣泛的融合算子，可以根據應用程序處理這些屬性。一些使用Belief框架構建OG的研究可以在[12]，[13]中找到。這項工作源自[13]的研究，該研究提出了一種基于由此產生的沖突的移動物體檢測和可行駛空間確定方法。為此，將識別幀定義為包括認為其為空閑（F）或已占用（O）的單元的狀態。識別框是Ω={F，O}。參考功效集框架包含以下假設的所有可能組合：2Ω= {?,F,O,{F,O}}。為了表達對每個狀態的信念，質量函數m(.)分別表示沖突m(?)，自由狀態m(F)，占領狀態m(O)和未知狀態m({F,O}) 。

B.?傳感器模型

基本上，傳感器模型是如何計算與度量對應的狀態的質量函數。在我們的應用中，要使用的傳感器是3D多回聲LIDAR（請參見第VI節）。輸入數據將包括根據一點pi范圍ri和一個角度θi。根據此數據集，構造極坐標中的掃描網格（SG）。SG的每一行對應定義在RxΘ的一個角扇區Θ=[θ-，θ+]。單元格的范圍是R=[r-,r+] 這意味著每個像元由一對質量定義為m{Θ,R} 。每個命題對應的質量A∈Ω在這里找到[13]：

其中μF和μO分別對應于傳感器的誤報警和漏檢的概率。為簡單起見，將說明這些質量函數，m(O)，m(F)和 m(Θ)。

圖2?地圖網格(MG)構造

圖2示出了使用在時間t處提供的傳感器點云來建立和更新MG的過程。此更新是根據多網格證據融合完成的。這是該過程中最有趣的部分，因為它允許時間更新地圖網格并評估單元狀態。在信念理論的各種運算符中，使用了Dempster-Shafer組合規則：

其中 mMG,t和mMG,t-1分別表示在時間t的地圖網格和掃描網格的質量函數。運算符定義為：

其中，

產生的結果 mMG,t(A)定義每個單元的狀態，該狀態取決于先前的狀態和新的度量。發現根據每種狀態產生的質量如下[13]：

基本上，此屬性顯示了在t-1和t之間的不協調。不協調的出現在單元從自由狀態（Free）改變到被占用狀態（Occupied）或者相反。因此，沖突的檢測可以導致對動態單元格的評估。沖突允許標記占用的單元格，它們根據兩種沖突類型改變其狀態：

其中，

融合過程通過總沖突將狀態質量歸一化，但是考慮使用此信息來標記定義動態對象的移動單元。然后，將每個檢測的姿勢用作下一部分中軌跡生成的輸入。

04軌跡生成

本節專門用于路徑規劃，即創建幾何軌跡（跟隨坐標點）Ai(xi,yi)。由于本文旨在驗證所提出的回避體系結構的可行性，因此未考慮速度曲線以及相關的縱向控制。如第二部分所述，路徑規劃模塊具有兩個目標：根據起點和到達點生成全局標稱軌跡，并生成局部軌跡以避免檢測到障礙物。在此，焦點集中在回避軌跡的產生上。該回避軌跡必須遵守安全標準，尤其是與障礙物之間的縱向和橫向距離。這些距離可以相等，如[1]中最近建議的那樣，在障礙物周圍創建了一個圓形安全區。本文通過考慮橫向和縱向安全性標準不同的整體情況，提出該方法的一般化。

為了獲得軌跡的幾何形式，基于回旋曲線，貝塞爾曲線或樣條曲線等函數，存在幾種數學方法[14]，[15]。[16]中對所有這些幾何方法進行了詳盡的回顧。這些方法具有有趣的特征（平滑度，在候選集合中選擇最佳軌跡等），但是它們的計算成本可能很高。其中，sigmoid函數代表了平滑度和計算成本之間的公平取舍?？紤]的方法建議將此數學方法與本地Horizon計劃程序結合使用，以減少計算成本。這種計劃方法的優點在[1]中進行了很大的討論。該本地計劃者考慮從占用柵格中檢測到的障礙物的信息，以定義適當的平穩回避操作，并返回到標稱軌跡。

A.?幾何規避

圖3給出了不同的軌跡：標稱軌跡，安全區和最終的平滑回避軌跡。安全區定義R是檢測到障礙物之后的第一步。該區域不可導航，以免由于與障礙物接近而發生碰撞。Lx 和 Ly橢圓的半長軸和半短軸分別是定義區域的安全標準。定義后，就可以設計回避軌跡。為了確保乘客的舒適性，選擇了基于S形的功能。在圖3中，A 指的是起點（即自我車輛的重心）， B是sigmoid的屈曲點，而WP是要達到的起點。平滑度C （）可以進行調整，因此避免軌跡可以定義為

為了獲得在障礙物移動時具有魯棒性的算法，對每個水平矢量樣本重復整個過程（確定安全區域并計算基于S形函數的路點）。

圖3?軌跡規劃

B.?水平規劃

為了減少算法的計算成本，使用了局部規劃器。它沒有遵循整個避障軌跡，而是分為幾個部分。在此離散水平的每個樣本處都計算局部軌跡，從而降低了計算成本并使算法對動態障礙物具有魯棒性?？梢詤祷瘍蓚€參數：樣本大小和水平長度。最后一個取決于配備的感知傳感器（硬件約束）和車速（滾動水平線）。樣本步驟代表軌跡在局部段中的細分。整個原理總結在圖4中。

圖4?地平線規劃

當車輛到達下一個采樣步驟時，將再次計算局部水平線?？梢钥吹?，兩次迭代之間有一個共同的部分，允許算法處理動態障礙。與離散時域一樣，樣本大小的選擇需要在準確性和計算成本之間進行權衡。該算法進行迭代，直到地平線矢量到達完整軌跡的末尾，即，當感知傳感器覆蓋軌跡的所有細分時。該幾何軌跡是制導控制級的輸入。

05控制器設計

本節介紹了在圖1所示的控制模塊中使用的橫向控制器設計。橫向制導旨在減少兩種誤差，即橫向誤差，車輛的CoG與參考軌跡之間的距離以及航向誤差，車輛縱軸與參考軌跡之間的距離，如圖5所示：

圖5?橫向和航向誤差

這里，代替經典的CoG橫向誤差 ey，建議在CoP定義為[9]時使用橫向誤差：

CoP和CoG之間的距離xcop僅取決于車輛配置：

其中m和 Iz 車輛質量和偏航慣性，以及 lf是CoG與前軸之間的距離。從（12）可以看出CoP橫向誤差ecop高于圖5側向誤差ey。這樣，可以預期橫向位置誤差，并且可以預期更好的軌跡跟蹤。與基于CoG（重心）的經典控制器相比，此處的撞擊中心（CoP）被用作車輛上的幾何點。CoP的主要優點是降低了橫向動力學方程式的復雜度，因為后輪胎橫向力不會影響CoP的運動[9]。

基于平面自行車模型[17]，并使用跟蹤誤差（11）和（12），用于設計CoP橫向導航控制器的跟蹤誤差模型為：

其中狀態向量，δf是前輪轉角，作為擾動項包含期望橫擺角速度和橫擺角加速度。

Lr是CoG與后軸之間的距離，Cf和 Cr是前和后輪胎側偏剛度。注意后Cr 不在Ac第二行? 因此，使用CoP可以減少不確定參數的數量。

橫向控制器計算適當的δf為了保證狀態向量誤差的收斂接近零。此外，由于跟蹤誤差模型的動力學特性受到wref的影響，控制器還必須確保其影響的衰減水平。為了實現這些目標，提出了一種由前饋耦合到魯棒狀態反饋的橫向控制器[2]：

LFF和 KFB分別是前饋和魯棒的反饋增益。前饋動作旨在部分消除向量的影響wref。CoP的好處在于，獲得的前饋不需要了解Cr。狀態反饋動作可確保誤差向量趨于零的指數收斂并減弱矢量wref的影響?？梢允褂镁€性矩陣不等式（LMI）來表示這種魯棒的控制問題，如[2]所示。

06實驗結果

A.?實驗設置

實驗平臺ARTEMIPS是配備有多個傳感器的自動測試車：采用DGPS技術的高精度IMU（慣性測量單元）RT-3002、2臺IBEO LUX 2D 4層激光掃描儀，2臺VLP-16 Velodyne3D激光掃描儀和高范圍攝像機MANTA-G125（參見圖6））。RT-3002用作位置，速度，加速度和方向測量的參考傳感器。LUX掃描儀用于在汽車的前部和后部提供遠程檢測（以4層點云的形式）。VLP-16用于完成對汽車兩側環境的檢測（它們提供16層點云，并具有360°環繞視野）。ARTEMIPS還配備了3個執行器和2個集成的伺服電動機MAC-141，用于控制方向盤和制動踏板，以及用于導航汽車發動機的多功能NI-daq系統。所有傳感器和執行器都鏈接到運行Intempora的RTMaps軟件解決方案的嵌入式計算機。它是專用于多傳感器和多執行器系統的平臺。

圖6?實驗平臺ARTEMIPS及其參考框架

B.?實驗結果

出于可讀性目的，僅通過考慮障礙物避開情況的一種實驗方案來評估所提出體系結構的性能。此測試以恒定速度執行vx=10km/h。

根據來自四個激光掃描儀的記錄數據集，根據第三部分中所述的方法，將點云用于OG的構造。圖7顯示了周圍的場景和要避免的對象。OG的時間融合突顯了描述動態單元的沖突。應用了層次聚類算法（來自MATLAB中的統計和機器學習工具箱）來構造動態對象。它們如圖8所示。通過3D邊界框。顯示的坐標對應于基于GPS數據的車輛姿態。要避免的對象是紅色的對象?？梢宰⒁獾?，由于方法對定位誤差的敏感性，可以發現一些錯誤的檢測結果。

圖7?用于避障測試的順序

圖8?點云，原點坐標和障礙物檢測

實驗結果如圖9所示。從左上圖可以看出，標稱軌跡線與物體的位置相交，而生成的紅色路徑避免了障礙物。還可以觀察到，橫向控制器確保了良好的軌跡跟蹤，并可以避免在13 s和20 s之間檢測到障礙物。在此時間間隔內，控制器會生成從正值變為負值的轉向角，以避免障礙物并確保較小的跟蹤誤差和。

圖9?轉向控制器結果

07結論

本文提出了一種基于感知，路徑規劃和控制指導三個層次的動態避障方案。動態障礙物檢測是根據證據占用網格進行的。路徑規劃基于sigmo?d函數生成平滑的軌跡，以避免檢測到障礙物。最終，車輛通過碰撞中心的基于橫向控制的策略跟隨車輛生成的參考軌跡。在我們的測試車輛上的實驗結果表明，該方法可有效避開障礙物。未來的工作將包括考慮定位策略以及在更復雜的情況下對該方法的評估。

審核編輯：湯梓紅