日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車(chē)測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車(chē)測(cè)試網(wǎng)

    • 在線課堂

    • 電車(chē)測(cè)試

自動(dòng)駕駛中的路徑規(guī)劃

2022-02-26 00:27:38·  來(lái)源：汽車(chē)ECU開(kāi)發(fā)  
　
通常認(rèn)為自動(dòng)駕駛系統(tǒng)的四大模塊分別是感知、定位、規(guī)劃、控制，其中規(guī)劃是根據(jù)各類傳感器采集的車(chē)輛周?chē)沫h(huán)境和位置、以及當(dāng)前車(chē)輛狀態(tài)等信息來(lái)規(guī)劃車(chē)輛行駛軌
通常認(rèn)為自動(dòng)駕駛系統(tǒng)的四大模塊分別是感知、定位、規(guī)劃、控制，其中規(guī)劃是根據(jù)各類傳感器采集的車(chē)輛周?chē)沫h(huán)境和位置、以及當(dāng)前車(chē)輛狀態(tài)等信息來(lái)規(guī)劃車(chē)輛行駛軌跡。
這里有一個(gè)常見(jiàn)的道德問(wèn)題，如下圖所示。如果車(chē)輛沒(méi)有剎車(chē)，我們必須選擇犧牲誰(shuí)。雖然不太可能，但這個(gè)話題讓我們想知道如果自動(dòng)駕駛汽車(chē)必須自己做出決定，他會(huì)如何做。
01.預(yù)測(cè)
第一步是預(yù)測(cè)車(chē)輛周邊環(huán)境的每個(gè)元素在未來(lái)幾秒鐘內(nèi)會(huì)做什么，包括周邊機(jī)動(dòng)車(chē)輛、行人的狀態(tài)，交通標(biāo)志狀態(tài)等。對(duì)于預(yù)測(cè)周邊環(huán)境，通常有幾種方法：
1. 對(duì)于每種可能的情況（匯入高速公路、交叉路口等），為車(chē)輛的所有可能軌跡建模。
2. 根據(jù)當(dāng)前的觀察，使用機(jī)器學(xué)習(xí)建立 與訓(xùn)練數(shù)據(jù)的 相似性，從而將其與軌跡相關(guān)聯(lián)。
在對(duì)軌跡進(jìn)行建模時(shí)，必須考慮周邊車(chē)輛的所有可能動(dòng)作。以匯入高速為例。
進(jìn)入高速公路
周邊車(chē)輛可能的動(dòng)作如下：
  • 保持在它的車(chē)道上，這意味著： - 加速， - 減速，讓我們?cè)谒媲巴ㄟ^(guò)，- 保持勻速，忽略我們
  • 改變車(chē)道，這將使我們更容易。
所以我們有四種可能的情況來(lái)定義匯入高速公路。
自動(dòng)駕駛系統(tǒng)通過(guò)對(duì)車(chē)輛傳感器的實(shí)時(shí)輸入來(lái)計(jì)算主路上車(chē)輛實(shí)時(shí)的位置以及速度，從而決定是否換擋和變道。在這個(gè)案例中有四種可能的場(chǎng)景，因此具有多模式分布，這意味著每個(gè)場(chǎng)景都有一個(gè)隨著主車(chē)道車(chē)輛狀態(tài)而變化的概率。
該技術(shù)實(shí)現(xiàn)了軌跡的可行性，但是它只關(guān)注什么是可能的，而不是過(guò)去已經(jīng)做了什么。
數(shù)據(jù)驅(qū)動(dòng)(機(jī)器學(xué)習(xí))方法
像其他機(jī)器學(xué)習(xí)算法一樣，我們定義了兩個(gè)階段，一個(gè)訓(xùn)練階段和一個(gè)預(yù)測(cè)階段。
訓(xùn)練階段收集有關(guān)車(chē)輛歷史的大量數(shù)據(jù)并從這些數(shù)據(jù)中學(xué)習(xí)。我們可以讓數(shù)百輛汽車(chē)在十字路口完成數(shù)百種不同的行為。
每個(gè)集群實(shí)際上是車(chē)輛可以遵循的典型軌跡。這種技術(shù)的優(yōu)點(diǎn)是依賴于數(shù)據(jù)，因此依賴于過(guò)去的場(chǎng)景。我們駕駛和收集數(shù)據(jù)的次數(shù)越多，我們對(duì)行為的估計(jì)就越精確。
這兩種方法非常不同，實(shí)際上反映了自動(dòng)駕駛汽車(chē)行業(yè)的現(xiàn)實(shí)。有些人依賴于具有數(shù)學(xué)預(yù)測(cè)的確定性案例，而另一些人則依賴于使用人工智能的統(tǒng)計(jì)數(shù)據(jù)。公司的這種選擇更廣泛地?cái)U(kuò)展到許多問(wèn)題，例如使用 LiDAR 的感知與使用相機(jī)的感知。
02.做決策
一旦對(duì)環(huán)境的未來(lái)進(jìn)行了估計(jì)，就可以做出決策。檢測(cè)到行人如何剎車(chē)？如何加速或變道？
但是我們首先要做的事是環(huán)境分類。無(wú)論我們是在高速公路上還是在停車(chē)場(chǎng)，選擇都不一樣。生成軌跡時(shí)會(huì)考慮幾個(gè)標(biāo)準(zhǔn)，特別是安全性、可行性、效率和合法性。還可以考慮其他變量，例如乘客的舒適度。

決策方法——有限狀態(tài)機(jī)

第一種可以使用的決策方法是有限狀態(tài)機(jī)。其原理是根據(jù)情況定義汽車(chē)的可能狀態(tài)。在高速公路上，汽車(chē)的狀態(tài)可能是留在車(chē)道上，向左變道，或向右變道。根據(jù)交通狀況，我們改變狀態(tài)，例如超車(chē)。
狀態(tài)的選擇通常使用成本函數(shù)進(jìn)行。對(duì)于每個(gè)可能的場(chǎng)景，我們計(jì)算獨(dú)立成本（到障礙物的距離、合法性……），并將它們相加。成本最低的方案獲勝。
在這里，我們定義什么是重要的。我們不能做不可能或危險(xiǎn)的動(dòng)作。
Total_Cost = Feasibility_Cost * 5+ Security_Cost * 4 + Legality_Cost * 3+ Comfort_Cost * 2 + Speed_Cost * 1
速度成本函數(shù)
在速度成本函數(shù)中，我們不希望車(chē)速低于最低限速或超過(guò)最大限速。因此，我們根據(jù)速度定義一個(gè)遞減的成本，然后在速度限制之后達(dá)到最大值。
在談到自動(dòng)駕駛時(shí)，決策是一個(gè)非常微妙的話題。我們必須考慮到當(dāng)前的情況，并從這一點(diǎn)上決定一切可以做的事情。然后我們必須權(quán)衡每種可能性的利弊，最后選擇最佳解決方案。

軌跡生成

在這一步中，有必要使用一個(gè)不同于笛卡爾坐標(biāo)系的坐標(biāo)系。因?yàn)榈芽栕鴺?biāo)系考慮了尺寸（x；y），但如果我們想要找到與道路相關(guān)的方向。Frenet 坐標(biāo)包含兩個(gè)軸，一個(gè) s 軸表示相對(duì)于軌道的前進(jìn)，而 ad 軸表示到車(chē)道中心的距離。這個(gè)標(biāo)記是我們用來(lái)估計(jì)我們的軌跡是否偏離車(chē)道中心或者車(chē)輛是否在我們前面或后面的標(biāo)記。
Frenet與笛卡爾坐標(biāo)
當(dāng)我們決定超車(chē)時(shí)，算法會(huì)生成多個(gè)決策軌跡，并根據(jù)可行性、安全性、合法性、效率、舒適性等標(biāo)準(zhǔn)選擇最佳軌跡……
為了生成這個(gè)軌跡，我們創(chuàng)建了一個(gè)通過(guò)航路點(diǎn)的五級(jí)多項(xiàng)式。航路點(diǎn)是包含 3 個(gè)維度的路徑點(diǎn)：
S：縱向距離；
D：橫向距離；
T：必須通過(guò)該點(diǎn)的時(shí)刻，目標(biāo)速度；
軌跡是通過(guò)所有這些點(diǎn)的曲線。這些點(diǎn)位于空間和時(shí)間上。它們告訴我們何時(shí)移動(dòng)到特定 (x;y) 位置以及移動(dòng)速度有多快。如果您想在人行橫道處剎車(chē)，我們會(huì)創(chuàng)建到人行橫道的點(diǎn)，并設(shè)置一個(gè)遞減的速度，使其達(dá)到停止區(qū)域的點(diǎn)的速度。

路徑規(guī)劃

剛剛研究了低層軌跡的生成。更高的等級(jí)呢？如何決定走哪條街？還有哪些其他路徑規(guī)劃算法？
有幾個(gè)算法系列來(lái)規(guī)劃從起點(diǎn)到終點(diǎn)的路徑。在這些算法中，我們將世界視為一個(gè)包含障礙、起點(diǎn)和目標(biāo)的網(wǎng)格。
下面主要關(guān)注基于采樣的算法和強(qiáng)化學(xué)習(xí)算法。

基于采樣的算法

這個(gè)算法使用比較多，因?yàn)樗谟?jì)算時(shí)間方面非常有效，另外其又分離散型和連續(xù)型。
連續(xù)環(huán)境與離散環(huán)境
在離散規(guī)劃器中，我們將世界視為一個(gè)網(wǎng)格?？梢允褂脧V度優(yōu)先搜索、Dijkstra、A*等算法快速地找到最短路徑，而不必探索整個(gè)地圖。

A*

在非常流行的A* (A-star)算法中，我們只使用啟發(fā)式函數(shù)探索地圖的一部分。在地圖上的每個(gè)點(diǎn)上，我們都標(biāo)明了到目標(biāo)的距離。A*不會(huì)系統(tǒng)地探索每一條可能的路徑，而是只選擇探索那些能讓我們更接近目標(biāo)的路徑。
Dijkstra vs A*
A* 是 Dijkstra 算法的一種變體，它專注于通過(guò)做最少的工作來(lái)尋找到特定位置的最佳路徑。因此它在自動(dòng)駕駛中非常有效。上圖展示了 A* 的運(yùn)行情況。
在連續(xù)規(guī)劃器中，主要使用的算法包括混合 A*、快速探索隨機(jī)樹(shù) ( RRT ) 等算法。

混合 A*

Hybrid A * 試圖通過(guò)分解運(yùn)動(dòng)來(lái)接近連續(xù)世界的現(xiàn)實(shí)。我們不是從一個(gè)方格到另一個(gè)方格，而是嘗試幾個(gè)短動(dòng)作——總是選擇讓我們更接近目標(biāo)的動(dòng)作。這意味著該算法同時(shí)是離散和連續(xù)的。生成的軌跡也可以更加流暢，因?yàn)樗鼈兛紤]了最大轉(zhuǎn)向角、物理軌跡……


混合 A*

強(qiáng)化學(xué)習(xí)


一種越來(lái)越流行的方法是強(qiáng)化學(xué)習(xí)。這種機(jī)器學(xué)習(xí)技術(shù)包括從經(jīng)驗(yàn)中學(xué)習(xí)。如果我們想右轉(zhuǎn)，我們讓汽車(chē)做一個(gè)隨機(jī)選擇，如果它是好的，它會(huì)得到一個(gè)積極的獎(jiǎng)勵(lì)，如果不是，一個(gè)消極的獎(jiǎng)勵(lì)。在訓(xùn)練過(guò)程中，汽車(chē)能夠了解是什么導(dǎo)致了積極的獎(jiǎng)勵(lì)，并重現(xiàn)了它。這項(xiàng)技術(shù)是當(dāng)今最接近人類學(xué)習(xí)的技術(shù)。
03.結(jié)論
自主導(dǎo)航是一個(gè)令人興奮的主題。我們用直覺(jué)和眼睛駕駛，尊重道路規(guī)則。要在計(jì)算機(jī)中重現(xiàn)這一點(diǎn)，我們必須看到、定位自己、預(yù)測(cè)其他車(chē)輛的行為，最后綜合法律或乘客舒適度等約束條件做出決定。在機(jī)器后面，一個(gè)人告訴我們?cè)谀承┣闆r下我們必須賦予哪些行動(dòng)特權(quán)。機(jī)器只復(fù)制它所教的內(nèi)容。這個(gè)主題為大量的研究和實(shí)驗(yàn)工作留下了空間。它將使汽車(chē)達(dá)到真正的L5級(jí)自動(dòng)駕駛。
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25