英语原文共 27 页，剩余内容已隐藏，支付完成后下载完整资料
城市自动驾驶汽车运动规划与控制技术研究综述
Brian Padenlowast;,1、Michal Cˇ aacute;plowast;,1,2 、Sze Zheng Yong1、Dmitry Yershov1和Emilio Frazzoli1
摘要
自动驾驶汽车是一项日趋成熟的技术，能够提高汽车运输的安全性，可及性，效率和便利性。为确保无人驾驶车辆的安全，必须进行对与其他车辆和行人共享的动态环境进行运动规划以及它的有效的反馈控制。本文的目的是调查目前在面向城市汽车的运动规划和控制算法的现状。并且调查了一些被推荐的技术，讨论了其有效性。在调查中，调查的方法因车辆运动模型，对于环境结构的假设，计算要求的不同而不同。以及本次调查中的并排比比较有助于深入了解审查方法的优势和局限性，并有助于系统及设计的选择。
目录
一、导言
在过去的三十年中，研究稳步增长学术界和工业界为发展做出的努力无人驾驶汽车技术。这些发展是在传感和计算技术的最新进展以及对技术的潜在变革影响的推动下汽车运输和可感知的社会效益：2014年，与交通有关的死亡人数为32,675，230万人受伤，610万起撞车事故[1]。这些，估计有94％归因于驾驶员错误，其中31％涉及合法醉酒的驾驶员，其中10％由于分心的驾驶员[2]。自动驾驶汽车有可能显着减少驾驶员失误和疏忽的影响作为车辆碰撞的原因。它们还将提供给由于身体或视觉上的残疾不能开车的人的个人出行方式。最后，对于86％的美国上班族通勤时间平均为25分钟每天（一种方式）[3]，自动驾驶汽车将为更有效地利用运输时间，或者简单减少运输时间驾驶压力的可测量不良影响[4]。
考虑到这项新技术的潜在影响，自动驾驶汽车已经有很长的历史。这个想法早在1920年代就出现了，但是直到1980年代，无人驾驶汽车才看起来具有可能性。 由恩斯特·迪克曼斯（Ernst Dickmanns）领导的开拓性工作（例如[5]）在1980年代为自动驾驶的发展铺开了道路。当时进行了大规模的研究的努力，PROMETHEUS项目得到了资助发展自动驾驶汽车。 1994年有的一次显著事件，VaMP的自动驾驶汽车行驶了1600公里，其中95％是自动驾驶的[6]。与此同时，CMU NAVLAB取得了进步在该地区，并在1995年取得了进一步的进展，全美行驶5,000公里，其中98％路程是自动驾驶的[7]。
无人驾驶技术下一个重要里程碑是2004年的第一节DARPA大挑战赛。比赛的目的是让无人驾驶汽车在150英里越野条件下尽可能快行驶。这与之前的展览相比，完全没有人为介入是一个巨大的挑战。虽然之前的研究展示了几乎自动驾驶，但是消除了关键时刻的人为干预是一个巨大挑战。这次参加比赛的15辆车，没有一辆完成挑战。在2005年，举办了类似的活动，但这次有23支队伍中有五支到达重点线。后来，在2007年，举办了DARPA城市挑战赛，要求车辆在模拟城市的设置下自动驾驶。6支队伍完成了此次互动，充分表明了城市自动驾驶是可能的。
自DARPA挑战以来，出现了众多比赛和大型的自动驾驶汽车系统测试。值得注意的例子包括2009年至2013年的智能汽车未来挑战赛[10]，2010年的现代自主挑战赛[11]，2010年VisLab洲际自主挑战赛[12]，2013年的公共道路城市无人驾驶汽车测试[13]以及Bertha-Benz历史路线的自动驾驶[14]。同时，相关研究在学术界和工业界中都保持着变快的速度。 Google自动驾驶汽车[15]和特斯拉的自动驾驶系统[16]是两个受到媒体广泛关注的商业例子。
汽车的自动化程度有所不同从全人工操作到完全自主。SAE J3016标准[17]引入了从0到5的等级来对车辆自动驾驶程度进行分级。在此标准中，级别0代表车辆所有驾驶任务都由人完成。 1级包括基本驾驶辅助，例如自适应巡航控制，防抱死制动系统和电子稳定性控制[18]。 2级包括高级协助例如将危害最小化的纵向/横向控制[19]或紧急制动[20]，[21]，通常基于设定形式控制理论方法来计算“最坏情况”集可证明的无碰撞（安全）状态[22] – [24]。 3级系统可以监控环境并可以在一定条件下完全自主驾驶，如果驾驶任务让自动驾驶系统封锁了，人依旧需要控制车辆。级别4车辆能够完全自动驾驶在某些情况下，如果驾驶员无法根据要求安全控制车辆，系统将会安全控制车辆。级别5自动驾驶系统在所有驾驶模式下都是完全自主的。
车载计算和无线通信技术的可用性让车辆能够与其他车辆以及道路基础设施交换信息，引发了对于互联智能车辆相关领域的研究。研究旨在通过各个车辆之间的信息共享与协调提高公路运输的安全性与效率。例如，联网车辆技术具有提高交叉路口的吞吐量和组织交通通行的冲击的潜力。
为了限制本次调查的范围，我们将重点放在决策，运动计划和自动驾驶控制等方面，特别是用于自动化等级为3以上的系统的汽车。出于同样的原因，省略了自动驾驶的广阔视野，取而代之的是向读者介绍了许多有关该主题的综合调查和近期的重大贡献[28]-[31]。
现代自动驾驶系统中的决策通常按层次结构进行组织，包括路线规划，行为决策，局部运动规划和反馈控制。 然而，由于文献中对该方案的不同变化，这些级别的划分变得相当模糊。 本文提供了解决自动驾驶这些核心问题的建议方法的概述。 特别强调用于局部运动计划和控制的方法。
本文的其余部分结构如下：在第二部分中，对决策过程的层次结构及其一些设计方法进行了高级概述。 第三部分回顾了用于估计城市环境中汽车的机动性的模型，以用于运动计划和反馈控制。 第四部分调查了有关运动计划的丰富文献，并讨论了其在自动驾驶汽车中的适用性。 同样，第五部分讨论了无人驾驶汽车的路径和轨迹稳定性问题以及特定的反馈控制方法。 最后，第六节以最先进的技术和未来研究的潜在领域作为结束。
二、决策层概述用于无人驾驶汽车
在本节中，我们将描述典型自动驾驶汽车的决策体系结构，并对每个组件的责任感进行评论。无人驾驶汽车本质上是自主的决策系统，可处理来自车载传感器（如雷达，LIDAR，摄像头，GPS / INS单元和里程计）的观察流。这些观察结果以及有关道路网络，道路规则，车辆动力学和传感器模型的先验知识，可用于自动选择用于控制车辆运动的受控变量的值。智能车辆研究旨在使尽可能多的驾驶任务自动化。解决此问题的常用方法是将感知和决策任务划分和组织为分层结构。感知系统使用先验信息和收集的观察数据来提供车辆状态及其周围环境的估计；然后，决策系统将这些估计值用于控制车辆，从而实现驾驶目标。
典型的自动驾驶汽车的决策系统分为四个部分（参见图II.1）：在最高级别上，计划通过道路网络的路线。 随后是一个行为层，该行为层决定了将汽车驶向目的地并遵守道路规则的本地驾驶任务。 然后，运动计划模块选择通过环境的连续路径以完成本地导航任务。 然后，控制系统以反应方式纠正计划的运动执行中的错误。 在本节的其余部分，我们将更详细地讨论每个组件的职责。
- 路线规划
在最高级别，车辆的决策系统必须选择一条从当前位置到请求目的地的路线网络。通过将道路网络表示为有向图，其边权重对应于穿越路段的成本，可以将这种路线表述为在道路网络图上找到最小成本路径的问题。但是，表示道路网络的图形可能包含数百万条边，这使得经典的最短路径算法（例如Dijkstra [32]或A * [33]）不切实际。运输网络中有效路线规划的问题引起了运输科学界的极大兴趣，从而导致了一系列算法的发明，这些算法在一次预处理步骤之后，以毫秒为单位返回了一个大陆级网络
图II.1：决策过程层次结构的图示。 将目的地传递到路线规划器，该路线规划器通过道路网络生成路线。 行为层会考虑环境，并生成运动说明以沿所选路线进行。 然后，运动计划者将解决符合规范的可行运动。 反馈控件会调整执行变量，以纠正执行参考路径时的错误。
- 行为决策
找到路线计划后，自动驾驶汽车必须能够导航选定的路线并根据行驶惯例和道路规则与其他交通参与者互动。 给定指定选定路线的一系列路段，行为层负责根据其他交通参与者的感知行为，道路状况和基础设施发出的信号，在任何时间点选择适当的驾驶行为。例如，当车辆在交叉路口之前到达停车线时，行为层将命令车辆停车，观察交叉路口处其他车辆，自行车和行人的行为，并让车辆继续行驶该走了。
驾驶手册规定了针对特定驾驶环境的定性措施。 由于驾驶环境和每个环境中可用的行为都可以建模为有限集合，因此自动执行此决策的自然方法是将每个行为建模为有限状态机中的状态，且过渡状态由感知的驾驶环境（例如相对）控制 相对于计划路线和附近车辆的位置。 实际上，在DARPA城市挑战赛中，大多数团队都将有限状态机与特定于所考虑的驾驶场景的不同试探法相结合，作为行为控制的机制[9]。
然而，现实世界中的驾驶，尤其是在城市环境中，其特征是对其他交通参与者的意图不确定。 还研究了意图预测和估计其他车辆，自行车和行人的未来轨迹的问题。 在提出的解决方案技术中，有基于机器学习的技术，例如高斯混合模型[37]，高斯过程回归[38]，据报道在Google的自动驾驶系统中用于意图预测的学习技术[39]和模型 基于方法的方法可以直接根据传感器的测量结果来估算意图[40]，[41]。
通常在行为层中考虑使用其他行为参与者的这种不确定性，以使用概率规划形式（例如马尔可夫决策过程（MDP）及其概括）进行决策。 例如，[42]在MDP框架中制定了行为决策问题。 几项工作[43]-[46]使用部分可观察的马尔可夫决策过程（POMDP）框架显式地模拟了未观察到的驾驶场景和行人意图，并提出了具体的近似解决方案策略。
- 运动规划
当行为层决定要在当前上下文中执行的驾驶行为时，例如可以是行车道，变更车道或右转弯时，必须将所选行为转换为路径或轨迹 可以由低级反馈控制器跟踪。 所产生的路径或轨迹对于车辆而言必须是动态可行的，对乘客而言应是舒适的，并且应避免与车载传感器检测到的障碍物发生碰撞。 查找这样的路径或轨迹的任务是运动计划系统的责任。
自动驾驶汽车的运动计划任务对应于解决机器人文献中讨论的标准运动计划问题。 在大多数情况下，对运动计划问题的精确解决方案在计算上是棘手的。 因此，在实践中通常使用数值逼近方法。 在最受欢迎的数值方法中，有变函数方法，其将问题解决为功能空间中的非线性优化；图形搜索方法可构造车辆状态空间的图形离散化，并使用图形搜索方法搜索最短路径；增量树 基于方法的方法，该方法从车辆的初始状态开始逐步构建可到达状态的树，然后选择该树的最佳分支。与自动驾驶相关的运动计划方法将在第四部分中详细讨论。
- 车辆控制
为了从运动计划系统执行参考路径或轨迹，使用反馈控制器选择适当的执行器输入以执行计划的运动并纠正跟踪误差。 在执行计划的运动过程中产生的跟踪误差部分是由于车辆模型的不准确性所致。 因此，非常重视闭环系统的鲁棒性和稳定性。
已经提出了许多有效的反馈控制器来执行由运动计划系统提供的参考运动。 第五节详细讨论了相关技术。
三. 规划和控制模式
在本部分中，我们将调查类似汽车的交通工具的最常用模型。此类模型广泛用于控制和运动计划算法中，以响应相关操作条件下的控制动作来近似车辆的行为。高保真模型可以准确反映车辆的响应，但是增加的细节可能会使计划和控制问题复杂化。这就在所选模型的准确性和决策问题的难度之间进行了权衡。本节概述了一般建模概念，并概述了
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237296]，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。
