Vehicle 公众号 · 3月29日

当前自动驾驶方法的-限制和极限

前几节中讨论的方法在寻找路径、选择最佳操纵和构建可行轨迹方面具有良好的效果。然而,当前自动驾驶仍然存在局限性,自动驾驶还没有达到人类驾驶能力的水平。本将分享当前自动驾驶方法的限制和极限。

WeChat Image_20210329095347.jpg

障碍物处理

在处理障碍物方面,现有方法主要依赖于预测其他交通参与者的轨迹,或者考虑他们的轨迹,或者假设恒定速度或恒定加速度(Kushleyev和Likhachev,2009)。这导致了一个巨大的计算能力的需求,因为障碍物的轨迹需要在每一时刻被计算和检查。这样的轨迹预测是在忽略交通环境中的背景的情况下进行的;因此,车辆或其他交通参与者之间的相互作用被忽略。一些方法(例如,Aoude等人,2010a,b;Bandyopadhayy等人,2012;Martin,2013)也假设障碍物的运动不存在不确定性;这种假设在实际情况下无效,特别是在有人驾驶的混合交通情况下。谷歌(Google)最近的实验(2015年)证明了自动驾驶汽车和人类驾驶员之间缺乏理解。在这些实验中,谷歌自动驾驶汽车无法确定附近人类司机的意图,这种混乱导致了轻微的车祸。

WeChat Image_20210329095402.jpg

现有方法的另一个重要限制是将障碍物简单地表示为矩形或圆形。在后一种情况下,问题是由于近似中缺乏精度,无法执行近距离运动(如Ziegler等人,2014a所示)。Lefèvre et al.(2014)中提出的交互感知模型可以考虑交通参与者之间的交互,但预先假设车辆之间有完美的知识或通信。此外,在大多数道路中,摩托车和非机动交通参与者通常被忽视。障碍物处理方面的另一个主要限制是无法看到拐角处,无法检测到从盲区接近的行人和自行车等障碍物。这样的缺点导致规划算法采取“谨慎”的方法,因此效率低下,例如即使在没有任何障碍物的情况下也会减速。

车辆动力学

大多数现有的规划方法依赖于单车或类似汽车的运动学模型来建模车辆,但是这种模型不能利用汽车的基本操纵能力,因为它没有考虑轮胎力(Jeon等人,2013年)。一些方法(如Jeon等人,2013年;Sawodny等人,2010年)采用了基于单车模型(单车模型了解点击自动驾驶环运动规划的相关术语和定义)的动态方法,因此考虑了摩擦和车辆质量。然而,一个能够有效描述车辆在真实环境中的运动和力分布的动力学模型尚待实现。

WeChat Image_20210329095406.jpg

最大的挑战之一是捕捉和抽象出车辆的能力和约束条件,然后将这些信息纳入机动和轨迹规划中。例如加速、制动或转向约束以及天气或路面对这些能力或约束的影响,所以未来自动驾驶标定应该会是根据车辆动态参数进行标定。

风险指标

为了评估驾驶情况下的碰撞风险,通常采用的指标包括:碰撞时间(TTC)、碰撞距离(DTC)或反应时间(TTR)以及意外/冲突行为(Lefèvre et al.,2014)。使用TTC或DTC的问题在于,TTC通常仅指跟车情况,并且在大多数情况下,测量的是恒定速度或恒定加速度(Ward等人,2015)。此外,在弯道路段,计算TTC/DTC/TTR时大多考虑直线,这可能导致混淆安全和危险情况(见图11)。现有研究中未包括每次操作的差距接受模型和一般上下文特定的风险估计。

WeChat Image_20210329095409.png

传感器与感知

现有方法中的感知和感知将车辆视为一个独立的实体;将自动驾驶车辆的感知范围限制在其单个传感器的感知范围内。此外,大多数方法要么假设对环境有完美的了解(例如,Aoude等人,2010b;Bandyopadhayy等人,2012;Brechtel等人,2014),要么依靠昂贵的传感器(如Ziegler等人,2014b)来感知环境和障碍物的近乎完美的知识。方法没有考虑到无人驾驶车辆的有限视野和可能出现的盲点,例如在弯道路段或盲区和封闭交叉口(即视野受限的十字路口)。

WeChat Image_20210329095412.jpg

测试环境

对算法进行测试的环境可以分为三个领域:模拟、模型车辆实验和真实世界实验。前两个领域在大多数研究中使用,因为它们相对容易实现。相反,这些测试的结果,即使有很高的准确度,也不能保证在现实世界的车辆,在现实世界的环境中的相同水平的性能。此外,仅使用两辆车进行测试无法与真实世界的交通环境相似(Althoff等人,2009年)。然而,在现实世界环境中也有成功测试的案例(这突出了现有技术的局限性)(Bertozzi等人,2010;Fischer,2013;Ziegler等人,2014b),为了将场地实验推进到最终的市场就绪状态,需要更稳健的未来算法,必须共享和挖掘道路试验收集的数据,以学习和推动整个区域向前发展。最后,进行建模和仿真,不仅可以更好地模拟ego车辆的物理和网络组件,而且可以更好地模拟整个交通系统及其内部的相互作用。

参考文献:

1,Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions -Christos Katrakazas a , Mohammed Quddus a,⇑ , Wen-Hua Chen b,1 , Lipika Deka a

2,Vehicle Dynamics and Control - Rajamani

文中部分图片版权归其所有
*未经准许严禁转载和摘录

作者:Pirate Jack
来源:https://mp.weixin.qq.com/s/KOcagbxwMM7rc7gZkOcdhw
Vehicle微信公众号
qrcode_VehicleEngineering_1.jpg

相关文章推荐

更多汽车行业干货请关注Vehicle专栏。
1 阅读 195
推荐阅读
0 条评论
关注数
3126
内容数
48
做汽车行业内最有价值的干货内容提供者
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
Arm中国学堂公众号
关注Arm中国学堂
实时获取免费 Arm 教学资源信息
Arm中国招聘公众号
关注Arm中国招聘
实时获取 Arm 中国职位信息