Depuis le début des années 1970, la technologie de conduite automatisée commençait la recherche aux États-Unis, la Grande-Bretagne, l'Allemagne et d'autres pays développés, et a fait des progrès dans la percée faisabilité et aspects pratiques. En 2004, la (Agence Le denfense Advanced Research Project, DARPA) Agence de la Défense des États-Unis Advanced Research Projects dans les organisations Pilote automatique Desert Challenge Mojave pour promouvoir le développement rapide de la technologie dans le domaine du pilote automatique. En 2007, l'Université Carnegie Mellon a remporté la première place dans cette bonne course score , depuis, le monde universitaire et de l'industrie mondiale de commencer à mettre dans un grand nombre de recherches sur la technologie de pilotage automatique à l'Université de Stanford, Massachusetts Institute of Technology et les universités de Virginia Tech, représentés par des labours profonds dans le domaine de la technologie a jeté les bases pour le développement de la star de la Silicon Valley. En même temps, l'industrie a fait une percée, le progrès révolutionnaire, Google a ouvert Waymo programme de recherche pilote automatique en Avril 2009, suivi par Uber , Tesla , Ford Bosch , Mercedes-Benz , Toyota , également entrer dans le champ de pilote automatique. A commencé la recherche de véhicules autonomes en Chine depuis les années 1980, en 1992, l'Université nationale de technologie de défense a développé le premier Chine automatisé avec succès au volant d'une voiture ATB-1 (AutonomousTestBed-1). Au cours des quelques dernières années, Baidu , Pony.ai et d'autres entreprises ont rapidement saisi l'avant-garde de la recherche et le développement technologique mondial du pilote automatique, le pilote automatique peut dire qu'une technologie révolutionnaire menant à nouveau l'ensemble de la technologie automobile. la classification des véhicules intelligents, l'industrie, il y a deux ensembles de normes, un ensemble est une filiale du US Department of Transportation Administration nationale de la sécurité routière (Administration nationale de la sécurité routière, NHSTA) à développer, et l'autre ensemble par l'International Automobile Association des ingénieurs (Society of Automotive Engineers, SAE) mis au point. À la fois L0, L1, L2 classement sont les mêmes, sauf que la NHTSA L4 et L4 est subdivisée en SAE L5. Usage domestique plus les normes SAE, comme indiqué dans le tableau 1.

Depuis la naissance du pilote automatique, la technologie de pilotage automatique des différends communautaire pas arrêté. Cependant, cette technologie a toujours été en difficulté à venir en avant, ce qui est sans aucun doute devenir le plus grand moment du changement technologique. Il est interdisciplinaire très complexe, y compris le contrôle des véhicules, la planification du chemin, l'intégration de la perception, la fusion de capteurs, et bien d'autres technologies. En particulier, dans le développement rapide de l'intelligence artificielle, l'apprentissage de la machine , la profondeur de l'apprentissage, l'apprentissage de renforcement et d'autres frontière est de promouvoir la perception du pilote automatique, les changements rapides dans la planification et le contrôle de la technologie de pilote automatique a déclenché une révolution dans le domaine de la révolution des technologies de la circulation.

Une structure de système de pilotage automatique

Autopilot est un projet systématique complexe principal d'un radar laser (LIDAR), radar à ondes millimétriques (RADAR), appareil photo (caméra), système de positionnement global (GPS), une unité de mesure inertielle (UMI) et d'autres capteurs et sous-systèmes , la structure telle que représentée sur la figure.

Sur les fonctions techniques, la technologie clé pour le pilote automatique est décrit la perception globale (perception), prévu (planification) et un contrôle (contrôle) de trois parties, le système représenté sur la figure.

Le système est en fait une structure hiérarchique, la perception, la planification, les modules de contrôle chaque jeu un rôle différent et influencent mutuellement. Lorsque les capteurs de pièce de perception et véhicule d'interagir avec la communication du matériel, la planification est principalement responsable du calcul du comportement de la voiture, etc., puis le contrôle est des opérations électroniques de composants automobiles. Ce document entraînera automatiquement la mise au point et la classification des véhicules, la perception des technologies clés, planification et contrôle examen connexes.

Technologies clés du pilote automatique

2.1 Perception

La perception est le processus du système de pilote automatique pour recueillir des informations de l'environnement et l'extrait des connaissances pertinentes. Il est chargé d'évaluer l'état du véhicule, et les utilisations à bord des capteurs aux données de capture et les systèmes de contrôle des véhicules et de l'unité de prise de décision Interagir, tout en profitant du réseau routier, les règles de la circulation, la dynamique des véhicules de pré-information pour la planification et le contrôle du véhicule. sensibilisation à l'environnement et comprennent généralement deux parties de positionnement, dans lequel le sensible au contexte (perception de l'environnement, PE), en particulier pour la compréhension de l'environnement de la scène, comme le type de données de l'obstacle, les panneaux de signalisation et des marquages, la détection de la circulation des piétons, des feux de circulation, etc. classification sémantique. Localisation (localisation) post-traitement des résultats de détection en ciblant le véhicule pour aider à comprendre sa position automatiquement par rapport à leur environnement.

2.1.1 Contexte-Aware

Afin d'assurer une bonne compréhension des véhicules automatiques et le corps de prise de décision correspondant de l'environnement, le système de pilotage automatique de la partie sensible au contexte est généralement nécessaire pour obtenir beaucoup d'informations sur l'environnement, y compris en particulier: détection de voie, reconnaissance feu de circulation, la reconnaissance de la signalisation de la circulation, la détection des piétons, la détection d'un véhicule ou analogue.

Fusion radar laser et la caméra est une méthode mise en oeuvre pour détecter des piétons, qui comprend une fusion d'espace et le temps d'intégration. L'intégration spatiale se réfère principalement à la mise en place d'un système de coordonnées de radar laser pour coordonner la relation de conversion d'image en système de coordonnées, la transformation de coordonnées pour cartographier le système de coordonnées de radar à laser à l'image point de coordonnées du système. Est conçu pour permettre un temps d'intégration de chaque sortie de capteur à la même ligne de temps, de sorte que la fusion multi-capteurs.

Deux principale méthode de détection de la voie et la détection basée sur la détection de la voie sur la base radar de ligne de voie Vision . détection radar basé sur la détection directe de la marque de voie de la ligne de voie à partir du nuage de points, le procédé nécessite de très haute faisceau de radar, et le fil 32 est difficile d'utiliser une détection de voie de radar à laser, étant donné que nuage de points trop rares, dans lequel la ligne de voie est pas de toute évidence. Et plus de 64 lignes et radar laser coûteuse l'application à grande échelle difficile à court terme. Basé sur la détection de la voie visuelle commence plus tôt, plus mature, aussi largement utilisé, mais la méthode de détection de la ligne visuelle est situé dans la voie basée sur l'image système de coordonnées est le système de pilote automatique difficile d'utiliser d'autres modules. Ensuite, en utilisant la technique de la fusion multi-capteurs, pour détecter la marque de voie dans l'image, puis la projection d'une image générée par radar laser au point, à savoir les coordonnées d'un point sur la ligne d'entrée du système de coordonnées radar laser, ceux-ci Les coordonnées peuvent être radar laser de ligne de voie équipée du système de coordonnées.

Il existe deux façons d'identifier les feux de circulation, l'une est basée V2X , à savoir réseau intelligent des techniques de liaison. La manière par montage sur un émetteur de signaux lumineux de trafic de transmettre en continu les informations d'état des feux environnants. feu de signalisation de véhicule automatisé pour déterminer l'état du signal de réception par le signal émis par l'émetteur. La méthode une bonne stabilité, une grande fiabilité, mais la nécessité de déployer un signal d'émetteur pour tous les feux de circulation, et le récepteur de signal monté dans la voiture tout automatique, si coûteux, il est difficile de mettre en pratique à court terme. Une autre façon est basée sur des algorithmes de vision artificielle, il est actuellement le plus utilisé de l'industrie une méthode utilisant une couleur et formes La méthode de l'information pour identifier feu généralement pas robuste. Afin d'améliorer sa robustesse, classificateur cascade est proposé d'utiliser, il peut être le premier apprentissage basé sur la tentative. HOG et la classification de fonction Gabor et SVM est une solution unique, AdaBoost et combinaisons JointBoost à de telle sorte que la détection visuelle du développement d'une nouvelle percée. Récemment, une extrémité de la méthode (pas besoin de fonctionnalités faites à la main) que la plupart de l'approche basée sur un modèle. JOHN V et al. l'utilisation des données GPS et de feux de signalisation base de données de localisation pour identifier une région d'intérêt dans l'image, et en utilisant un réseau neuronal convolutif (CNN) pour identifier le trafic allume état. Lors de l'utilisation YOLO et obtenu de bons résultats dans le LISA ensembles de données, l'ASC LISA 90,49% portée lors de l'utilisation de l'ensemble de la formation. Cependant, lors de l'utilisation d'un ensemble de formation de données à partir d'autres données, la performance tombe à 58,3%. , Cette méthode est cependant encore une amélioration par rapport aux méthodes précédentes, et suggère qu'il ya beaucoup de travail à faire. Plus tard, sur la base des méthodes d'apprentissage de la machine, comme le SVM, classificateur cascade et LogitBoost a commencé à être largement utilisé, par exemple, le document . Pendant ce temps, les lumières de détection sur la base de vision classiques sont détectées directement sur l'image originale en utilisant un réseau de neurones. La façon influencée par l'environnement, et il est difficile de gérer le scénario représenté à la. Figure 3.

Dans le scénario représenté sur la. Figure 3, une pluralité de feux de circulation en même temps, apparaissent dans l'image, les feux de signalisation détectées pour le réseau de neurones est difficile de déterminer lequel d'un feu de circulation dans la position de fin du courant appliqué à la voie de courant. Une nouvelle façon de se lier avec une grande précision des cartes feux de circulation est détectée. De cette façon, la position de la lumière de la circulation et la taille des informations cartographiques sont stockées dans une grande précision. Dans le processus de déplacement du véhicule pour déterminer la position du véhicule à partir du courant appliqué à la carte avec précision les coordonnées de position des feux de circulation, et de cartographier les coordonnées en utilisant la conversion de coordonnées de la carte de l'image, puis découpée à partir de l'image d'intérêt région (ROI), comme représenté sur la Fig. détection de feux de retour sur investissement trafic réseau à l'aide de la détection cible, peut réduire efficacement l'environnement d'interférence, et peut résoudre le problème d'une pluralité de feux de circulation sur la même image.

Encore, étant donné que le feu de circulation comprenant presque exclusivement dans le retour sur investissement, il est possible de détecter le réseau cible est remplacé par petites séries à l'échelle réseau plus rapide et classé, et ne réduit pas la précision de détection.

signalisation routière et les feux de circulation de manière identifiable similaires à la détection, la profondeur du réseau de neurones peut directement utiliser l'image d'origine est détectée la signalisation de la circulation. Il peut également être combiné avec carte de haute précision, des informations de panneau de signalisation est stocké sur la carte de haute précision, obtenir des panneaux d'information de la circulation dans le processus des véhicules se déplaçant directement à partir de la position du véhicule sur la carte de haute précision.

Les piétons, un véhicule pour détecter la manière habituelle de deux, l'un est utilisé en tant que données de radar à laser pour la détection de cible, par exemple Squeezeseg . Une autre est une fusion de lidar et la détection cible de la caméra. radar laser peut fournir une localisation précise et des informations de taille, mieux identifier certains types d'apprentissage basé sur l'image de profondeur. Une manière possible de la fusion laser de détection de cibles de radar et de la caméra sont les suivantes:

données du nuage de points lidar générés en utilisant l'algorithme pour éliminer la surface du filtre, dans lequel le point de masse, par exemple, le document . Clustering algorithme en utilisant les points de données de nuages de points obtenus après l'enlèvement du sol d'un cluster. Utilisation de détection de cible de l'image de profondeur réseau de neurones afin d'obtenir des étiquettes de classe de cibles, telles que yolo . Le cluster converti en mappant les coordonnées sur l'image, calcule un rectangle sur la base de l'image de points mappés, traversant la cible détectée lidar, la zone de recouvrement rectangulaire si la cible et la vision détecté cible atteint un certain seuil, en fonction du résultat de la classification de l'objet déterminer si les mesures prédéfinies, comme représenté dans le tableau 2. Le candidat était conforme aux objectifs, puis trouver la cible la plus proche est le même capteur de distance de la cible dans la cible de candidat, et l'étiquette de catégorie cible correspondant au cluster ci-dessus. Taille de la cible peut être obtenue, l'emplacement et l'information de catégorie de cette façon.

2.1.2 Positionnement

Le positionnement est une base nécessaire voiture automatique, il doit dire la position exacte du véhicule par rapport à l'environnement extérieur. Dans une scène de route urbaine complexe l'erreur de précision de positionnement est inférieure à 10 cm, si l'écart de position de positionnement est trop grand, le voyage routier urbain, il est facile d'essuyer pneu de véhicule au cours de Voyage à un trottoir, coupe Cengdao rambarde, mais aussi conduire à une crevaison et d'autres véhicules de conduite des questions de sécurité, et même conduire à des accidents graves de la circulation.

À l'heure actuelle le plus largement utilisé la méthode de localisation automatique des véhicules est un système de positionnement global (Global Positioning System, GPS), mais la précision de positionnement dépend du coût des appareils GPS, généralement entre quelques centimètres à quelques dizaines de niveau mètres, plus la précision, le GPS et la navigation inertielle prix du capteur, etc. également relativement plus cher. En plus du GPS, ainsi que l'emplacement actuel basé sur la carte radar de nuage de points (figure. 5), la fusion radar et positionnement caméra, une méthode de positionnement basé sur quatre types de caméra de positionnement des systèmes de navigation par inertie (système de navigation inertielle, INS).

Sur la base de ce qui précède quatre méthodes, HATA A Y est procédé de positionnement proposé repose sur les caractéristiques routières détectées. Le procédé de compression de noyau utilisé et l'analyse de bloc de coupe minimum pour analyser les distances entre la mesure consécutive concentrique (ou anneaux) LIDAR multicouche (Velodyne HDL-32E) formée dans l'analyse. utiliser le positionnement Monte Carlo (Monte Carlo Localisation, MCL) algorithme route dispose de la pose de correspondance de carte de grille extrait lidar multicouche est estimée voiture, dans lequel l'erreur d'estimation de la position horizontale et verticale est inférieur à 0,30 m . Xu Qian présente une position relative et une position absolue de la conduite automatique de la cible de détection du véhicule, elle est une mise à jour dynamique de l'algorithme récursif des moindres carrés SIG. Ajouter la zone de particules sensible au contexte et sensible au contexte du SIG, la mise à jour dynamique basée sur le SIG de l'information connaissance de la situation. méthode récursive des moindres carrés appliquée, à l'environnement de la position de la masse estimée, l'erreur aléatoire est réduite. VISWANATHAN A positionnement propose une méthode d'auto-conduite de l'image panoramique et les images satellites terrestres prises dans les différentes saisons des matches de l'année. Ils utilisent l'image du sol du pilote automatique de données LIDAR panoramique captée par une caméra dans la voiture est divisé en terrestre / zone non-sol, puis d'obtenir vue des yeux de gauchissement d'un oiseau. BRUBAKER M A est proposé méthode de positionnement basée sur l'odométrie visuelle et la carte routière. Ils utilisent le OpenStreetMap, tous les points de croisement et de route pour extraire tous de déplacement (représenté par des segments linéaires par morceaux), les reliant à la région d'intérêt. Ensuite, ils ont construit le modèle probabiliste de la façon de parcourir les représentations graphiques à base de graphes, ainsi que feuille de route automobile. En utilisant ce modèle de probabilité et le compteur kilométrique visuel, ils ont estimé le déplacement par rapport à la feuille de route du véhicule pour terminer le positionnement. Sous les méthodes de positionnement Fusion GPS / INS en l'absence de signaux GPS, la situation faible n'est pas facile de faire un positionnement de haute précision, comme un parking souterrain, denses immeubles de grande hauteur urbaine et d'autres scènes. appliquent donc à une partie seulement de la scène (par exemple, ouvert, bon environnement de signal) tâches de positionnement du pilote automatique.

En outre, l'algorithme de localisation cartographique est assisté algorithme de localisation de véhicule automatisé autre largement utilisé, à savoir la localisation et cartographie simultanées (simultanée Localization and Mapping, SLAM) , cible de SLAM-à-dire d'utiliser les cartes lors de la construction de la carte de positionnement, à l'aide d'un capteur pour estimer le SLAM (y compris la vision, radar laser et analogues) et une observation de la caractéristique de l'environnement, la détermination d'une position actuelle du véhicule et la position actuelle de la cible d'observation, ce qui est l'utilisation classique d'une distribution de probabilité a priori et l'observation courante position du processus en cours, des méthodes généralement utilisées comprennent: un filtre bayesien (filtre bayésien, BF) , le filtrage de Kalman (filtre de Kalman, KF) et un filtre à particules (filtre à particules, PF) etc. ces méthodes sont basées sur la technologie de positionnement et de la théorie des probabilités statistiques.

SLAM est un chaud positionné dans le domaine de la robotique, le processus d'application pilote automatique à faible vitesse dans un emplacement de scène en particulier, il y a beaucoup d'exemples réels, tels que les parcs ferry automatique, balayeuse de nettoyage automatique, ou même robot de nettoyage, la fabrication de Boston Dynamics machines et autre scène grand chien, sont largement utilisés la technologie SLAM. Dans l'utilisation de ces scénarios spéciaux, la construction ne nécessite pas en temps réel tandis que la figure positionné juste avant l'utilisation tels que des capteurs radar laser, caméras pour l'environnement d'exploitation visuel construit zone de carte SLAM, et stocke la carte construite vers le bas , positionnée dans l'utilisation réelle des données de radar à balayage laser 3D et cartes stockées correspondant localement le nuage de points, pour déterminer automatiquement l'emplacement spécifique du véhicule sur la carte, ces procédés sont désignés collectivement comme un appariement de balayage (correspondant balayage, SM) la méthode la plus courante de faire correspondre le procédé de balayage est une méthode de point le plus proche itératif (itératif point le plus proche, ICP) , la méthode basée sur la distance de consigne de courant de balayage métrique et balayage des nuages de points à l'enregistrement complet. En outre, la distribution normale de conversion (Normal Distributions transformée, NDT) est une méthode courante de l'enregistrement effectué point de trouble, qui est basée sur l'histogramme des nuages de points caractéristiques d'un enregistrement de l'algorithme.

2.2 planification

La planification est le processus de voiture automatique afin d'atteindre une destination et prendre des décisions et des plans. Pour les véhicules autonomes, un processus qui comprend habituellement la destination de l'origine, tout en évitant les obstacles et optimiser en permanence la trajectoire de la route et de comportement pour assurer une conduite sécuritaire et confortable. couche de planification est généralement subdivisé en planification de la mission (Mission de planification, MP), la planification du comportement (comportement de planification, BP) et d'un plan d'action (Mouvement de planification, MP) trois. conception de la hiérarchie de DAPRA Urban Challenge organisé par les Etats-Unis en 2007, les équipes des articles publiés de vue, la plupart des équipes dans le jeu sera module de planification de la voiture automatiquement est divisée en trois couches au-dessus de la conception structurelle.

2.2.1 Mission de planification

tâche de planification de chemin aussi communément appelé plan de chemin ou d'un plan d'itinéraire (planification, RP), normalement dans le fichier de définition du réseau de routage DUC (de RNDF) comme information a priori , dans lequel la couche supérieure comprend un relativement, global la planification, comme commençant à la fin de la sélection du chemin.

Le système est généralement dirigé vers un schéma de réseau simplifié (graphe orienté réseau, DGN), le dessin montrant différents types d'informations peuvent être la connexion entre la route et la route, la réglementation de la circulation, la largeur de la route de la route, etc., le réseau doit être soumis également à la figure. réseau routier (réseau route Graph, RNG), comme représenté sur la Fig.

. Sur la figure 6 V représente une intersection; A représente un poids de bord orienté, comprenant une longueur de trajet, les informations de limite de vitesse. problème de planification de trajectoire du véhicule automatique peut être transformé en réseau routier, afin de permettre au véhicule d'atteindre une certaine destination (est habituellement de A à B), sur la base des parcours méthodes optimales (par exemple, le coût minimum) processus, qui est une recherche de graphe orienté question. Il existe de nombreux algorithmes sophistiqués traiter le problème, par exemple, Dijkstra , algorithme A * et similaires. ARNAY R , le Dijkstra génère un chemin d'accès global, le chemin est étendu pour construire un véhicule autonome trajectoire « Verdino ». BACHA A est des véhicules autonomes en utilisant la construction de Dijkstra un chemin global à l'espace de stationnement et la navigation de stationnement. KALA R , le chemin Dijkstra générer global et local, seulement dans un test de simulation par ordinateur.

Une autre technologie est basée sur la courbe d'interpolation, insérer un nouvel ensemble de points dans l'intervalle de jeu précédemment connu de points par le procédé d'interpolation. La technologie utilise un ensemble connu antérieurement de points (par exemple, carte routière du point de cheminement décrit) génère un nouvel ensemble de points de dessin d'un chemin lisse. Conduire une voiture pour la technologie de planification de trajectoire automatique basée sur la courbe d'interpolation la plus couramment utilisée est une courbe spline. HU X en utilisant la planification de trajectoire de courbe spline cubique. Ils constituent la ligne médiane d'un ensemble de points de cheminement carte obtenue à partir de la voie, générer une série de cannelures paramétrique cubique, et de décalage de la longueur d'arc qui peut être représenté par la ligne médiane des candidats de chemin, à l'électricité statique d'évitement et les obstacles mobiles . Ensuite, tous ces candidats ont été converties en coordonnées cartésiennes. La prise en compte de la sécurité statique, le confort et la sécurité dynamique du coût total, qui sélectionne le meilleur chemin et déterminer également le chemin optimal de vitesse et d'accélération appropriée, y compris la route à voie unique et a des obstacles fixes et mobiles route à plusieurs voies .

2.2.2 plan de comportement

le comportement de planification est parfois appelée la prise de décision (Décideur, DM), dont la tâche principale est basée sur les objectifs et les tâches de planification et de perception de l'environnement actuel (par exemple: d'autres véhicules, la position des piétons et le comportement des règles de circulation actuelles, etc.) prendre des décisions et des actions doivent être effectuées prochaine voiture automatique, peut mettre un module à comprendre le rôle du système de prise de décision, le conducteur du véhicule, le conducteur en fonction de la cible et la situation actuelle du trafic, la décision est avec la voiture ou de dépassement il y a un parking et d'autres piétons ou contournement des piétons.

Une façon d'atteindre le plan de comportement est d'utiliser l'expression contient un grand nombre d'actions complexes EFM (Finite State Machine, États fédérés de Micronésie). À savoir, une machine à états finis à partir d'un état initial simple, aller vers un état de fonctionnement différent en fonction de la scène de conduite, tandis que l'action à effectuer est transmis à la couche inférieure d'un plan d'action. La figure 7 est un simple machine à états finis.

Comme le montre la figure 7, est un processus de prise de décision pour le fonctionnement du véhicule, une condition de saut entre chaque état et un état, certains états peuvent être auto-boucle (tels que l'état de suivi de piste et de l'état de la figure ci-dessus en attente).

En réponse à un environnement de conduite particulier perçue par les différents niveaux de machine à états finis de complexité (FSM) de décider de l'action pour déterminer le véhicule DUC est un processus classique. Une partie du travail de recherche pour tenter d'améliorer les structures de prise de décision de l'organisation de gérer un ensemble plus large de règles , afin d'assurer le respect de l'ensemble de règles. Bien que la machine à états finis EFM est actuellement les méthodes de décision de comportement traditionnels utilisés voiture automatiquement, mais machine à états finis EFM il y a encore de nombreuses limitations:

(1) Pour mettre en uvre la décision de comportement complexe, un grand nombre de besoins d'état valide à la conception manuelle;

(2) le véhicule est susceptible de rencontrer la machine d'état fini est pas considéré comme un état, de sorte que l'expansion est aussi le problème de la machine d'état;

(3) Si la machine à états finis n'a pas été conçu pour protéger l'impasse, le véhicule peut même tomber dans une sorte d'une situation de blocage.

2.2.3 Plan d'action

En effectuant un plan d'action de série pour atteindre un objectif particulier (par exemple, l'évitement d'obstacles) du processus, il est appelé un plan d'action. Utilisé deux indicateurs pour tenir compte de la performance des algorithmes de planification d'action: l'efficacité de calcul (efficacité informatique, CE) et l'intégrité (Exhaustivité). Le soi-disant efficacité de calcul, un plan d'action de l'efficacité des processus de calcul complet, l'efficacité de l'algorithme de calcul du plan d'action dépend en grande partie de l'espace de configuration (espace de configuration, CS). Si un algorithme de planification de mouvement est en mesure de revenir dans un temps limité dans le cas d'une solution résolubilité et peut revenir sans solution aucune solution dans le cas, a déclaré l'algorithme de planification de mouvement est terminé.

plan d'action du véhicule automatique peut être décrit comme suit: Dans le cas où une configuration initiale donnée (Configuration de démarrage, SC), une configuration cible (objectif de configuration, GC) et un certain nombre de contraintes (la contrainte), trouver dans l'espace de configuration une série d'actions pour atteindre la configuration cible. Les résultats de ces actions sont automatiquement transférées du véhicule à la configuration initiale de la configuration cible, tout en satisfaisant les contraintes. Dans ce scénario d'application de voiture automatique, généralement l'état actuel de la configuration initiale du véhicule automatisé (la position actuelle, la vitesse, la vitesse angulaire, etc.), est dérivée de la cible disposée sur une opération de programmation - couche de planification de comportement et la contrainte est les limites du véhicule cinématiques (angle maximal, l'accélération maximale, etc.).

De toute évidence, dans l'espace de configuration de grande dimension pour réaliser le plan d'action, le montant de calcul est très grande, afin d'assurer l'intégrité de l'algorithme de planification, presque dû chercher tous les chemins possibles, qui formaient la « malédiction de la dimensionnalité » plan d'action continue problème. Actuellement, le plan d'action du concept de base pour résoudre ce problème est de convertir le modèle d'espace continu dans le modèle discret, les méthodes spécifiques peuvent être regroupées en deux catégories: les méthodes de planification de portefeuille (Combinatorial planification, CP) et des méthodes de planification basée sur l'échantillonnage (planification d'échantillonnage basée sur, SBP).

méthode de planification de mouvement pour trouver la combinaison par un espace de configuration de chemin continu, sans recourir à des approximations. En raison de cette propriété, ils peuvent être appelés algorithme exact. Une combinaison de méthodes en établissant une représentation discrète du problème de programmation pour trouver une solution complète, comme dans le DARPA Urban Challenge (DARPA Urban Challenge) en véhicule automatique CMU (BOSS) sur l'utilisation de ce type d'algorithme de planification d'action, ils ont d'abord utiliser le planificateur de chemin générer un autre chemin d'accès et le point cible, comme représenté sur la. figure 8, puis de sélectionner le meilleur chemin à travers l'algorithme d'optimisation. Une autre méthode est la décomposition de la grille de discrétisation (grille de décomposition approches, GDA), l'espace de configuration après la grille, discret algorithme de recherche de la figure (par exemple, A *, etc.) pour trouver un chemin optimal.

Étant donné que la méthode d'échantillonnage basée sur la probabilité de son intégrité est largement utilisée, la méthode la plus commune comme PRM (probabilistes feuilles de route), RRT (rapide-Explorer Arbre aléatoire) et similaires. Dans l'application de voiture automatique, les besoins de la méthode d'échantillonnage de l'Etat à prendre en compte les contraintes de contrôler deux états, mais aussi besoin d'une méthode pour efficace requête si l'état d'échantillonnage et l'état au parent. En règle générale, l'idée de base derrière la planification de mouvement pour le modèle discret pour surmonter ce défi par modèle d'espace continu en . Il y a deux solutions générales: (1) une combinaison de planification, qui est construit précisément représentation discrète représentant la transformée de problème d'origine, (2) sur la base du système d'échantillonnage en utilisant le module de détection de collision configurée pour extraire des recherches discrètes de l'espace échantillon.

2.3 contrôle

Le contrôle est la mise en uvre du plan d'action dans le processus, principalement en fournissant les données nécessaires au matériel pour effectuer des informations sur la planification, et produire le mouvement désiré. Dans des circonstances normales, le contrôleur d'interagir avec le carte du monde réel basé sur le matériel du couple et de l'énergie.

2.3.1 contrôle classique

commande de rétroaction est la configuration la plus courante de l'unité de commande dans la zone de contrôle, au moyen de la mesure de la réponse du système et pour compenser tout écart par rapport au comportement actif désiré. La forme la plus commune de la commande de rétroaction classique est proportionnelle - contrôleurs dérivés (régulateur proportionnel-intégral-dérivé, PID) - intégrale. régulateur PID est l'industrie du contrôle de processus, le contrôleur le plus largement utilisé. Le concept est relativement simple contrôle PID. Il ne nécessite pas le modèle du système, le droit de contrôle basé sur le signal d'erreur.

Le contrôle fait référence aux véhicules autonomes pour effectuer des actions précisément prévues, la capacité d'acheminer un temps opportun pour donner l'organe exécutif approprié de la manette des gaz du véhicule, direction, signaux de freinage, etc., afin de garantir la voiture automatique peut voyager comme prévu. Système de commande de rétroaction de mesure interne existe, le contrôleur émet en sortie une mesure de contrôle correspondant en mesurant et en comparant le véhicule désiré attendu.

véhicule automatisé couramment utilisé dans le module de commande de rétroaction du modèle de commande de véhicule modèle de bicyclette . Dans ce modèle, l'attitude du véhicule (Pose) est dans un système de coordonnées de plan en deux dimensions, et peut être plane et l'angle entre le corps et les coordonnées (n) complètement décrite par la position du véhicule est situé (position). Supposons également que la partie avant du véhicule et des roues arrière reliés entre eux par un élément rigide (rigide) du même axe, dans lequel les roues avant peuvent tourner librement à l'intérieur d'une certaine plage angulaire, tandis que l'arrière de la carrosserie du véhicule pour maintenir une relation parallèle et ne peut pas tourner. La rotation du volant de direction lors de la rotation de la roue avant correspondant à la commande de véhicule réelle. modèle de bicyclette du véhicule du véhicule représenté par la posture générale comme représenté sur la Fig.

Étant donné que le retard du mécanisme de freinage, dans les scènes de mouvement à grande vitesse, le contrôle lui-même apportera un grand retard d'impact, de sorte que le PID et PID ne peut retarder le modèle en raison de modèle du système interne n'existe pas. Pour résoudre ce problème, il a également été largement étudiée en utilisant la méthode de commande prédictive.

2.3.2 Modèle prédictif de contrôle

Modèle commande prédictive (Model Predictive Control MPC) se réfère à l'utilisation du modèle de mouvement de véhicule pour prédire le mouvement futur d'une période, par méthode d'ajustement paramètre optimisation en continu de commande de cette série de mouvements, de façon générale, les prédictions du modèle plus courte période de temps. Modèle de contrôle prédictif dans les applications industrielles de contrôle de processus avec un grand succès, principalement en raison de son concept simple et les contraintes processus et ont la capacité d'entrer dans le modèle de processus non linéaire complexe, contrôle prédictif modèle se compose des quatre éléments suivants:

(1) le modèle: le modèle pour prédire l'état de la prochaine période de temps sur la base des entrées d'état et de commande de courant, le système automatique de véhicules, se réfère généralement à modèle dynamique cinématique / du véhicule.

(2) correction de rétroaction: correction de rétroaction de modèle de processus est appliqué, de sorte que la commande prédictive et la capacité de surmonter les incertitudes du système de rejet de fortes perturbations.

(3) l'optimisation de roulement: des séquences de contrôle de défilement optimisées pour obtenir la séquence prédite et les plus proches de la trajectoire de référence.

(4) une trajectoire de référence: la trajectoire définie.

10 est une commande prédictive de modèle structurel de base (MPC) de la carte, parce que le modèle modèle d'optimisation de la commande prédictive sur la base des problèmes de latence de commande de mouvement face à la régulation PID peuvent être pris en compte lors de l'établissement du modèle, le contrôle basé sur un modèle de prévision de l'automobile commande a une valeur plus élevée.

Modèle de contrôle prédictif a également été largement utilisé dans les applications automobiles . Le fonctionnement du véhicule de l'ensemble du système doit être optimal dans toute la plage de fonctionnement, afin d'améliorer l'économie de carburant, les émissions et la sécurité. Cependant, différents défis dans le modèle d'application des systèmes automobiles de commande prédictive et les problèmes rencontrés dans l'industrie du contrôle des processus est confronté. Le processus de la période de l'automobile est à quelques millisecondes, et en raison des contraintes d'espace, la quantité de ressources informatiques disponibles sont limitées. Par conséquent, dans la promotion de la popularisation et l'application du MPC dans l'industrie automobile, les progrès de la vitesse du processeur et de la mémoire ainsi que le développement du nouvel algorithme est très important, y compris le contrôle de traction, le freinage et la direction, la tenue de voies et d'autres aspects de l'utilisation de grande portée .

3 Conclusion

développement technologique autopilote pour fournir une nouvelle façon pour le trafic de Voyage, en particulier au cours des dernières années avec le développement rapide de traitement visuel et l'apprentissage de la machine à la technologie de détection à base de capteurs a connu un développement rapide, en ce qui concerne le traitement visuel, la planification et le contrôle dans le domaine de relativement ralentir. Cet article passe en revue les trois technologies clés du pilote automatique et l'état actuel du développement, et explique les questions connexes. En outre, il existe de nombreux défis, sous techniques précises, un peu de conditions mal de perception devraient être améliorées, comme la pluie, la neige, la construction de routes et d'autres scènes. Légalement, seules certaines villes ont publié un document d'orientation sur les essais routiers de véhicules autonomes, mais aussi limité aux tests. Cependant, avec le développement de la technologie et l'amélioration de la loi, le pilote automatique entrera progressivement notre vie.

références

Urmson C, ANHALT J, BAGNELL D, la conduite et.al.Autonomous en milieu urbain: patron et le défi urbain .Journal de champ Robotique, 2008,25 (8): 425-466.

WAYMO.We're bâtiment pilote le plus expérimenté du monde . .https: //waymo.com/

Uber.Uber: notre route aux véhicules auto-conduite . .https: //www.uber.com/blog/our-road-to-self-driving-vehicles.

auto-conduite Tesla.Full matériel sur toutes les voitures . .https: //www.tesla.com/autopilot.

Document - légèrement

Informations sur l'auteur:

Wang Jinjiang, Huang Hang, Zhi Peng, Shen Zebang, Zhouqing Guo

(École des sciences de l'information et de l'ingénierie, l'Université de Lanzhou, Lanzhou 730000)