英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
城市公共道路无人驾驶测试的
2014 IEEE Intelligent Vehicles Symposium (IV)
June 8-11, 2014. Dearborn, Michigan, USA
体系架构与结论
Alberto Broggi, Pietro Cerri, Stefano Debattisti, Maria Chiara Laghi,Paolo Medici, Matteo Panciroli, Antonio Prioletti
摘要：自动驾驶车辆行驶在公路上正在慢慢成为现实。在过去十年中，自动驾驶车辆的原型被限制在受控或孤立的环境中，但相关的交通新规和汽车公司最直接的兴趣就是在实际道路上对自动驾驶车辆进行自主测试。本文介绍了2013年7月12日在帕尔马举行的公共城市道路和高速公路的无人驾驶测试。这是开放公共城市道路后的第一次测试，没有人在方向盘后面，车辆必须应付迂回路口，交叉路口，高速公路路口，交通信号灯和其他常规交通状况。本文将介绍车辆设置，软件架构和测试路线，并提供测试结果和未来可能进行的的改进。
关键词：自动驾驶;BRAIVE;系统架构
1 绪论
在过去几年中，随着汽车企业对自动驾驶车辆投入越来越多的兴趣，自动驾驶车辆飞速发展。本文介绍了帕尔马公路城市公路和高速公路自主驾驶的测试，包括双向狭窄农村道路，人行横道，交通信号灯，迂回路段和高速公路路口。该测试被命名为PROUD 2013（公共道路城市无人驾驶员测试）。此次测试展示了我们的自动驾驶车辆在实际交通中的工作性能。如上所述，在管理不同的道路环境时，虽然BRAIVE车辆样机尚未做好管理真实道路中的所有可能出现的情况的准备，但是测试证明，对于最常见的常规状况仍可以进行正确管理。
在某些州有关于自动驾驶的新规定：允许在实际道路上测试样机。而由于意大利没有对自主车辆制定有具体规定，所以相关机构给予此次测试特别授权。这些新法规引人注目的原因之一就是能够有评估自动驾驶如何实现对实际交通自主管理的机会。在结构良好的环境中驾驶并且与其他道路使用者共同以安全，正确和可预测的态度进行驾驶是一个完全理想的情况，而与正常交通相结合是自动驾驶车辆进入市场的强制性测试。
自动驾驶车辆架构的发展是一个复杂的问题，科研团队们研究的途径也千差万别。在DARPA的挑战（2004年，2005年和2007年）期间，开发了各种架构。TerraMax团队将架构分为两部分：系统服务和自主服务。自主服务主要由三个部分组成：环境感知服务器（WPS）、自主车辆管理器（AVM）和自主车辆驾驶员（AVD）。WPS负责通过感知服务器收集信息，并将收集的信息融合进而构建感知图; 该地图被AVM用于管理行为和计划车辆路径。AVD通过线控传输，并将路径转换为低级命令。“Junior: The stanford entry in the urban challenge,”基于不同的架构：全球服务，传感器接口，感知，导航，用户界面和车辆界面是系统划分的层次。我们目前最感兴趣的部分是感知层。组成这一层有三个模块，UKF姿态估计、静态和动态障碍跟踪器和RNDF本地化和修复：使用这三个模块可以在地图上达到精确定位并感知障碍。
BRAiVE架构使用类似于TerraMax团队提出的WPS，以及类似于斯坦福大学提出的UKF姿势估计的模块。第四部分提出的主要架构是从一开始就开发的一个新概念。
2 研究方案路线
这个测试的基本的想法是采取新的挑战：即在开放的公共道路上进行自主驾驶。在过去几年中，我们进行了不同的挑战，目的是在安全和受控环境下测试自动驾驶的样机。目前，自动驾驶车辆测试可以根据不同的特点进行描述：
bull;地图：映射/未映射
bull;情景：熟悉/未知
bull;环境：路上或越野
bull;障碍物：静态/动态和可预测/动态和不可预测
bull;速度：慢/快
根据这种分类法，在映射和熟悉的情况下驾驶是必须实现的第一个挑战：如果其中一个约束没有得到满足，复杂性就会增长。通常认为越野驾驶比在结构化环境中驾驶更复杂。另一个关键方面则是由障碍物表示：静态障碍物，也可以被映射，很容易管理。但是在动态障碍的情况下，由于感知算法是强制性的。如果不能预测障碍行为，感知算法会发生非常反应，所以路径规划者也必须考虑这个问题：复杂性随着速度的增长而增长：40/50km/h速度被认为增长是缓慢的，而较高的速度被认为增长是快速的。
自动驾驶车辆测试挑战的一些例子如图1所示，斯坦福大学的自主车辆雪莱以非常高的速度在一个熟悉，映射良好的环境中进行了测试，可以管理静态障碍物。 谷歌的车可以在熟悉和映射良好的道路上快速驾驶，可以管理任何障碍物。 在VIAC（VisLab洲际自主挑战赛）期间，这些车辆能够以低速度驾驶未映射和未知的场景，并可以管理任何障碍物。 其他挑战]是基于以安全和可预测的态度移动的动态障碍的假设。
PROUD的想法是将VIAC体验转移到不同的层次：在映射和熟悉的情况下移动，可以更快地驾驶并触发正确的驾驶模式。 图2描述了使用所提供的分类法的PROUD挑战。
3 BRAIVE车辆
BRAiVE已经在其他文献中提出，目前只做了一些修改来提高其性能。 Hokuyo UTM-30LX被替换为新的UTM-30LX-EW型号，根据Ingress Protection Rating评级为IP67。 该设备的另一个重要的改进是多回波支持，这在恶劣天气或灰尘的情况下非常有用。Hokuyo设备都是270°单层激光扫描仪，检测范围可达30米。GNSS设备被安装在引导中的Topcon AGI3替代，该装置连接到安装在车顶上的附加天线，并且将GSM天线安装在靴子的表面上，该天线用于接收由GEOTOP实时提供的RTK校正，目的是达到定位误差在理想条件下低于5厘米。
IBEO Lux输出触发信号用于同步所有摄像机，四个计算机连接到传感器，试图平均分割处理负载。一台PC完全用于车辆控制，包括高、中、低级控制以及控制运行在其上的World Perception Server。该计算机也通过CAN总线连接到dSpace MicroAutoBox，负责与车辆电子中央单元的通信。其他3台计算机用于运行感知软件。第一台PC连接到立体相机，将车辆前方的区域以及IBEO 4层激光扫描仪，该PC用于检测正面障碍物和车道标记。第二台PC连接到安装在前保险杠角落的两个单层激光扫描仪，以及安装在前轮上的侧视摄像头，该PC用于管理所有侧向障碍物，特别是在接近回旋处和路口时。第三台PC连接到安装在后保险杠中的单层激光扫描仪，安装在外置后视镜中的摄像机朝向后方，并连接到前置摄像头，该PC用于检测后方障碍物，相邻车道上接近的障碍物，道路标记（行人过路线，停车线）和交通信号灯。
4 系统架构
对于PROUD测试，我们构建了一个特定的架构，旨在创建一个流畅，模块化和可扩展的系统。 创建的架构在感知，规划和控制层之间完全分离; 它提供了一个多层次的传感器融合，并与开源数据一起使用，特别是关于导航地图。 这种架构是未来自动驾驶车辆车辆（OFAV）项目的开放式智能系统的最终结果。已经实现了模块化和可扩展性目标，将每个组件开发为独立服务，通过名称为VisLab总线（VLBus）的消息传递服务与其他组件进行通信。 VLBus是将进程间通信建模为数据总线的抽象：可以有不同的数据总线，每个数据总线都代表不同的通信主题。 VLBus使用共享内存在同一PC上的应用程序和线程之间交换信息，并以透明和有效的方式在不同物理机器中进行网络通信
该架构由三个主要层次组成，称为感知层，规划层和控制层。感知层和规划层被一个称为世界认知服务器（WPS）的组件分开，它执行数据融合，并作为规划层的数据提供者。提供两种架构（层分离和多级数据融合）的主要特征的WPS将在本节的后面部分与一些感知应用一起进行更详细的描述。在PROUD期间运行的所有感知应用程序在VisLab的框架中运行，称为GOLD，而WPS是独立应用程序，就像规划层的所有模块。由于汽车场景的复杂性很大，特别是在规划和决策阶段，采用分层方法，将规划层分为三层：导航层、机动层和控制层。导航和机动层将在第IV-A节中说明，而控制层将在第IV-B节中进行说明。
A 导航和策略
上层（导航）的目的是生成将车辆的实际位置与用户指定的目的地链接起来形成路线，即道路和路口为一组。在这个计划中，我们使用地图，仅作为制图来源，来自“开放街道地图项目”;我们选择了这个项目，以实现上述使用数据的开放性限制。从这些地图开始，我们创建了一个修改后的压缩地图，称为道路交叉点图，由图形表示，其中每个边缘都是路段，每个节点表示两条或多条道路之间的交叉点。道路交叉点地图与相应的OSM地图相比，主要优点是节省了大约40％的节点，因此允许更快的路径规划。路线规划基于A guide to heuristicbased path planning的启发式规划者，其中成本函数c（x）= d（xi，xj）v（xi，j） delta;基于边缘的行进时间加目的是避免不必要的路径变化的costantdelta;。计划者的启发式函数是h（x）= D（x，xf）kv，它表示使用欧几里德距离和平均速度kv的理论行进时间。
B 路径规划
路径规划器基于VIAC开发的几个概念， 由于转向和加速都是由计划员控制的，所以该系统包括躲避障碍物和缓解碰撞功能。WPS提供静态和动态障碍物列表，机动级别提供可移动性区域。仅使用静态障碍物和穿越区域，产生潜在的图，其中低电势是良好的跟踪路径，高电位是应当避免的区域。 在空间坐标系中生成可行轨迹，并根据整个车辆体积在该地图上进行评估（见图4）。较低的潜在轨迹被认为是最好的轨迹，并向计划者报告。车辆运动的方程式：
x˙ = costheta;(s)
y˙ = sintheta;(s) (1) theta;˙ = kappa;(s)
其中（x，y，theta;）是车辆的位置和方向，曲率kappa;（s）是一个特定的函数。为了产生具有高平滑度的轨迹，选择属于二次样条类的kappa;（s）。
为了提高性能，首先只评估出一个粗略的离线预计算曲线子集。 高达6GB的RAM用于存储预先计算的轨迹，根据当前速度细分为4类（0-5m/s，5-10m/s，10-15m/s，超过15m/s），并由初始车辆曲率指数。，每一类轨迹的特征是曲率极限，典型的相关速度。 预先计算的轨迹中最好的是用非线性优化阶段的初始估计而成。
计算的轨迹是基于静态障碍物的无碰撞轨迹，并以间隔表示。使用该轨迹，对最大横向加速度限制，每点的最大速度和动态障碍物的运动的信息产生时空坐标中的碰撞图。再使用该地图，计算速度轮廓以减轻与动态障碍物的碰撞，并达到平滑舒适的目的。
最后，将轨迹和速度曲线提供给低电平控制，其中使用模型预测控制（MPC）来根据运动车辆将空域kappa;（s）转换为时域方向盘设定点delta;（t）模型。为了处理不同的天气，路况和车辆设置，在线评估车辆参数，不断将预测路径与执行的路径进行比较。
C 环境感知服务器
为了管理和融合所有传感器的数据，使用环境感知服务器（WPS）。 WPS负责从感知中接收数据，并创建独特的全局感知映射。WPS输出的示例如图6所示。可以区分与服务器通信的两种类型的用户：供应商（传感器）和客户端（规划者）。
1）传感器侧：在注册阶段，感知应用程序发送关于所提供的感知类型的信息，跟踪信息，传感器位置和视场。如果WPS支持这种感知类型，它将以肯定的响应和应用程序对提供其数据的通道的ID进行确认。如果无法管理这种类型的信息，它将以“拒绝”消息回答，或者如果WPS尚未就绪，则将提供“稍后尝试”消息。图5显示了WPS的内部结构，具有不同感知类型的几个融合服务器。 每个服务器从已经为该感知任务注册的所有传感器周期性地接收数据。 如果应用程序在一段时间内没有发送数据，则会被注销; 如果没有更多的传感器来提供这种感知，则会删除该数据的融合并通知客户。
2）计划者侧：计划者最初发送消息来评估服务器拥有的功能。 WPS响应包含支持的功能，对于每个通道对：一个用于将命令/信息消息与感知服务器交换，一个用于服务器以提供所请求的数据。一旦注册，计划者可以向WPS请求融合数据，指定在将来必须投影数据时的时间。如图5所示。WPS可以管理六种类型的感知：惯性，障碍物，车道，障碍物，交通信号灯和路标。每个请求被分派到处理它的特定融合服务器，并将响应返回给主服务器。以下是每个单一融合服务器的详细分析。
3）障碍物：障碍物由投射在地面上的2D点列表组成。它们分为静态障碍和移动障碍，确定性随着时间的增加而增长。限界框的障碍被定义为包含所有障碍点的最小框;如果两个障碍物之间的最小距离小于两个障碍物的最大位置不确定度，则来自不同应用的两个障碍物相关联。仅当具体应用程序不支持跟踪时，来自相同应用程序的障碍才被WPS关联。卡尔曼滤波器已被用于跟踪障碍物，使用质心计算其速度。第一步，来自不同应用的障碍物不融合，因为使用基于障碍物质的高级融合，当障碍物来自不同种类的传感器时，会导致非常不同的质心。这导致对于每个应用具有不同的卡尔曼滤波器，并且在卡尔曼跟踪过程之后合并障碍物。然后，将车道成员资格分配给每个障碍物。来自障碍融合服务器的信息用于决定障碍物是否属于障碍物，并且必须被认为是静态的，即使障碍物融合服务器将其分类为动态。
4）车道：车道标记由折线表示。 可以区分两种融合级别：低级融合和高级融合。在低级别中，来自传感器的通道标记被关联并合并。关联过程包括两个折线的段
全文共7266字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[142638]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
