ADAS虚拟车道边界生成

ADAS虚拟车道边界生成

Virtual Lane Boundary Generation for Human-Compatible Autonomous Driving: A Tight Coupling between Perception and Planning

论文地址：

http://faculty.cs.tamu.edu/dzsong/pdfs/Binbin_LDRGT_IROS2019_V19.pdf

摘要

现有的无人驾驶（AV）导航算法将车道识别，避障，局部路径规划和车道跟踪视为单独的功能模块，从而导致驾驶行为与人类驾驶员不兼容。必须设计与人类兼容的导航算法以确保运输安全。开发了一个新的紧密耦合的感知计划框架，该框架结合了所有这些功能以确保人类兼容。使用GPS-相机-激光雷达传感器融合，可以检测实际车道边界（ALB），并提出可用性，合理性，可行性（ARF）三重测试，以确定应该生成虚拟车道边界（VLB）还是遵循ALB。如果需要，可以使用动态可调的多目标优化框架来生成VLB，该框架考虑了避障，轨迹平滑度（满足车辆运动动力学约束），轨迹连续性（避免突然运动），GPS跟踪质量（执行全局计划）以及车道跟随或部分方向跟随（达到人类期望）。因此，车辆运动比现有方法更具人类兼容性。已经实现了算法，并在开源数据下进行了测试，结果令人满意。

贡献

1.  提出了一个新的紧密耦合的感知计划框架，以提高人类的适应性。

2.  使用GPS-相机-雷达多模式传感器融合，可以检测实际的车道边界（ALB），并提出可用性-共振能力可行性测试，以确定是否应该生成虚拟车道边界（VLB）还是遵循ALB。

3.  必要时，可使用可动态调整的多目标优化框架生成VLB，该框架考虑避障，轨迹平滑度（满足车辆动力学动力学约束），轨迹连续性（避免突然运动），GPS跟踪质量（执行全局计划）和车道跟踪或部分跟随（以满足人类期望）。由此产生的轨迹比现有方法更具人类兼容性。

4.  随着越来越多的公司发展自主车辆（AVs），重要的是确保AVs的行为与人类相容，因为AVs将在未来的岁月里与人类司机共享道路。当为AV计划运动时，可以调整速度和许多可能的轨道，但并非所有的计划都能保证人的相容性，需要理解人工决策过程。人类司机比处理复杂情况时的视听设备。人力司机可避开障碍物并仍遵守车道标线（LMs）在很大程度上是交通锥。人类司机可以在适当的场景中覆盖车道边界（LBs）：车道标记（LMs）可能消失或被施工堵塞或停放车辆，LMs可能与行驶方向，车辆可能行驶过快，因此暂时无法跟上LMs等。事实上，感知之间存在着紧密的耦合用于场景理解和运动规划，包括在多个目标下寻找最优轨迹。

图1 生成用于自动驾驶的虚拟车道边界，以确保在复杂的道路条件下实现人类兼容驾驶：（a）当前车道缺少左侧车道边界，（b）交通锥改变了道路，（c）停放的汽车阻塞了街道，（d）有完全没有LM。绿色曲线是的算法生成的VLB（最好以彩色显示）。

图2 系统图。实心星形表示姿势估计的输出，它也是连续LB生成和LB投影的输入。

图3 六种不同场景的示例算法输出（最好以彩色显示）。

示例输出如图3所示。绿色面具，面积是算法检测到的自由空间。很明显这条路指向，谷歌地图太糟糕了，不能直接用来导航，如紫色线条质量差所示的指南。什么时候？比较的算法输出和GPS记录，人类驾驶，蓝线与图3（e）中唯一例外的红线。注意红色，由于轨迹不同，直线超出蓝线，长度并不意味着他们不同意。甚至在图3（e）中，蓝线和红线都是可行的选择。在任何情况下算法都可以生成符合人类的期望。

表1 VLBS上的KITTI数据集

图4 不同组成部分对LCC成本的贡献。

Conclusion

本文开发的一种新的紧密耦合，使AVs能够考虑的感知和规划框架，同时产生多个相互冲突的目标，与人类相容的导航轨迹。利用激光雷达探测自由空间的前期工作，融合和建议的ARF测试来确定AV，应该简单地遵循ALBs或者通过将车辆动力学约束、避障，平稳运动，GPS轨迹跟踪，多目标优化框架中的LMs，针对不同道路场景的动态可调权重。本文的算法和测试结果，确认了设计方案。今后将进行更多的物理实验， 加入更多的功能，如速度，计划做出更人性化的导航决策与人类相容。