自动驾驶车辆开发——第二部分：基于分布式自动驾驶系统的案例研究外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

自动驾驶车辆开发——第二部分：基于分布式自动驾驶系统的案例研究

Kichun Jo, Member, IEEE, Junsoo Kim, Student Member, IEEE, Dongchul Kim,

Chulhoon Jang, Student Member, IEEE, and Myoungho Sunwoo, Member, IEEE

摘要——论文的第一部分提出了一种基于分布式结构的自动驾驶车辆的开发过程和系统平台。所提出的开发方法能够改善设计和自动驾驶车辆的开发，例如减少计算的复杂度，容错特性，系统的模块性。这篇论文（第二部分），通过展示如何如何实现自动驾驶系统来说明案例开发过程。为了直观的描述自动驾驶的实现过程，自动驾驶算法（定位，感知，规划，车辆控制，系统管理）被简要的介绍以及在自动驾驶上的应用。

我们测试了分布式自动驾驶系统的优点以及所提出的开发方法在自动驾驶系统上的应用。通过A1车验证了所提出方法的正确性，A1车赢得了2012年韩国自动驾驶车辆的比赛，完成了所有的任务。

关键词——自动驾驶车辆，开发过程，分布式系统，FlexRay，系统平台。

1. 引言

随着乘客对于舒适功能要求的增加， 汽车工业对于安全性要求变得更加严格。由于这个原因，智能车技术的发展也不断的加速。智能车辆发展的最终目标是通过环境感知来实现车辆无碰撞的自动驾驶。

美国国防高级研究计划局在美国举办的城市无人车挑战赛促进了无人车研究的发展[1]–[4]。比赛促进了无人车的可行性；最终，全球的汽车制造商和信息技术公司致力于开发商业的自动驾驶车辆。

在韩国，两项自动驾驶比赛(AVCs) 在2010年和2012年由现代汽车集团举办， 为了自动驾驶技术建立。 2010年AVC专注于基础技术，比如路径点跟踪和静态避障[5], [6]。后两年，2012年AVC推动了自动驾驶技术在城市驾驶环境中的发展。包含交通信号、移动车辆等元素，和行人[7],[8]。这篇论文(二部分论文的第二部分) 展示自动汽车A1的结果。

在本文的第一部分[9]中，我们提出了一个分布式系统的开发过程。开发过程改进提高系统的灵活性和可扩展性，去除基于汽车的开放系统架构(AUTOSAR)方法和平台不必要的过程[10]-[14]。这个过程包括三个步骤(软件组件设计、计算单元映射和功能的实现)。

在软件组件设计步骤中，定义了自动驾驶系统的组件设计，通过虚拟功能总线(VFB)定义了组件之间的信息流以及之间的通讯。第二，设计的软件组件，通过考虑映射到每个分布式计算单元的计算能力、安装位置和操作系统。最后，一个软件平台在指定的计算单元中实现了软件组件的功能。

第二部分介绍了基于自动驾驶和分布式结构（在论文第一部分当中通过自动驾驶车辆A1介绍过）的开发过程的自动驾驶系统的实现情况。

表一

在AVC任务过程当中加罚和减除时间表

各种自动驾驶算法（定位，感知，规划，车辆控制）和无人车的系统（许多不同种类的传感器、执行器和处理器）被综合运用到所提出的开发过程当中。

1. 2012 AVC的介绍

为了提高无人驾驶技术的研发，2012年的AVC比赛主要目标是发展在城市工况下的无人驾驶技术。比赛任务当中包含城市驾驶的情景例如交通信号灯的监测和超越过慢的车辆，如表一中所列。所以参赛车辆不仅仅能够轨迹追踪而且能够完成复杂的任务。比赛路径包含1.6km的良好路面和1.8km的越野路面，如图1所示。红点和蓝点代表起始和终止点，特别的，比赛路径上的箭头代表起始和终止点。路径相关的地图信息（包括路径上的点）都是由AVC比赛的组织者所提供。在比赛当中，大部分的城镇道路任务是在良好路面上进行的；相反的，危险的紧急驾驶工况是在越野路段。

对于各项任务制定了相应的处罚和额外的奖励，例如表1所示。交通灯和人行横道任务设置的目的是判断车辆是否具有独立的交通信号检测能力。车辆应该能够通过交谈信号来判断是否通过人行横道。在路边接乘客的任务要求车辆能够监测到乘客并在5m的距离内停下。在超车任务当中，车辆要安全的超越慢速行驶的车辆的能力。在校园区域和突然出现障碍物的任务当中，车辆不仅要能够满足限速要求，也能在遇到危

图一：2012AVC比赛路径

险时紧急停车以避免危险的发生。在障碍无识别任务当中，车辆要求能够识别障碍物并且在障碍物5m范围内停下。在施工路段驾驶任务当中，车辆必须在没有地图提供信息的情况下通过施工路段。分离路面的任务是辨识和跟踪分离路面的交通信号灯方向。在复杂障碍物躲避任务当中，车辆能够自主寻找一条没有障碍物的路径。停车任务在于监测停车场的数目和停车区域；之后，车辆能够自动的停到相应的区域当中。如果车辆能够成功的倒车入库，会有相应的额外奖励，如表一所示。最后，AVC比赛的胜负由完成任务的总时间加上任务的处罚时间。

1. 自动驾驶车辆 A1：系统和算法
2. 智能车A1的系统简介

图2描述了自动驾驶车A1和它的传感器结构。车辆平台配备有ESC系统。ESC是通过检测车辆运动并通过控制车辆的制动系统来提高车辆的动态稳定性能。为了监测车辆的不正常运动，许多车载传感器运用到车上，包括轮速传感器，方向盘转角传感器，车身横摆传感器。ESC车载传感器的信息是通过车载网络进行传输，你如CAN网络。因此，我们可以获得车载传感器的信息，通过连接到CAN网络当中。一个电机驱动转向被用来控制转向系统，加速踏板信号被用来控制加速信息。

8个激光雷达安装在A1上，如图2（b）所示。安装在前保险杠上的2个多线雷达(Ibeo LUX)确保在理想环境下能够监测到200m以外的障碍物。

（a）

（b）

图2：A1车的传感器结构和车辆平台

为了对自动驾驶车辆周围进行检测，4个单线激光雷达（LMS 151）安装在车辆的每一个角。2个安装在车顶的单线的激光雷达（LMS291）扫描垂直地面来监测障碍物。

为了辨别和分类任务对象，一个彩色摄像头和三个单目摄像头安装在车辆前挡风玻璃里面。两种不同的GPS接收系统，例如实时动力学GPS（RTK-GPS）和差分GPS（DGPS）安装在车上用来测量自动驾驶车辆在全球坐标系的位置。一个惯性测量单元（IMU）布置在车辆的中心用来测量车辆的动态特性。

B.自动驾驶算法

为了保证车辆在在没有人为干预的情况下进行驾驶，车辆需要具备5个基本功能，例如，定位，感知，规划，车辆控制，系统管理（见图3）。定位用来测量车辆位置，感知为驾驶提供一个多传感器融合的驾驶环境。基于定位和感知系统信息，规划功能决定试验自动驾驶车辆的安全导航。车辆的控制根据规划模块理想的规划，通过控制无人车转向、加速和制动。最后，系统管理模块监督整车的自动驾驶驾驶系统。在下面展示，对于A1车自动驾驶系统细节的描述。

图3：自动驾驶结构算法

1）定位：定位系统是自动驾驶车最重要的组成部分，只有从定位系统是可用的，车辆才能找到最优路径和控制车辆运动。由于GPS系统能够广泛的提供全球的位置及车辆的速度，所以被广泛的应用于车辆的定位系统中。然而，因为GPS的准确度受到卫星信号状态的影响，GPS系统采集到的数据不能直接运用到车辆系统中。准确的、可靠、持续的GPS位置信息会由于卫星信号状态影响，信息堵塞，而变得不稳定而受到影响。 许多先前的研究主要关注于GPS和其它额外信息的融合功能，例如车辆运动传感器（轮速传感器，陀螺仪加速传感器，磁性传感器）[15], [16]，环境感知数据[17]，以及数字地图[18]，用来弥补GPS系统的缺陷。信息融合定位系统的基本原则是，GPS定位信息的错误可以被其他传感器的信息所纠正，例如车辆运动的限制和正确信息可以由电子地图所提供。

在这篇论文当中，为了包含各种驾驶工况，基于交互多模型的信息过滤系统用于定位系统[16], [19]，定位系统可以改变在不同驾驶工况下车辆的运动特性，根据车辆的运动状态，通过IMM模型选择相应的运动学和动力学模型。一个GPS误差修正算法被运用于定位系统中以提高地位系统的准确性和可靠性[18]。

2）感知系统:通过多种传感器提供的车辆周围的环境信息，例如摄像头，毫米波雷达，激光雷达。一个多传感器的预测感知系统（激光雷达和毫米波雷达）用来监测和追踪动态和静态的障碍物[20],[21]，然而一个以视觉为基础的感知系统可以辨认出各种各样可见的障碍物[22], [23]。障碍物的监测信息被运用于设定自动驾驶系统的状况。A1的感知系统包含了以雷达为基础的运动目

表II：几种可见的目标包括两种常见的信号灯，两种交通标识和交通图案。

图4：机器学习为基础的目标检测算法流程

标的追踪算法，以视觉为基础的障碍物的监测和分类算法。A1车的目标追踪系统使用了4个LMS151s和2个Ibeo LUXs用来追踪周围移动的车辆。特别的，基于概率统计的综合数据关联滤波器追踪算法被用来处理采集到的原始数据[24]。在跟踪动态目标时，综合使用基于协方差的轨迹跟踪融合算法以减少6个激光雷达的测量时所造成的监测冲突[25]。

以下列出了几种能够被视觉系统监测并分类的可见目标，例如两种交通标志，两种交通信号灯以及被测目标的形状，如表II当中所列。一个基于机器学习的方法被用于感知可见物体，这种方法包含了两种主要的步骤（见图4）。

机器学习过程中的第一步，我们对每一个目标建立了大量的训练样本。为了满足检测器或分类器的高性能要求，必须满足训练样本的多样性；因此，训练样本包含各种情景、姿态和背景状态。在训练步骤中为每个对象选择有代表性的特征；例如，将类Haar特征用于交通标志检测，并采用方向梯度直方图对交通标志进行分类。最后，通过机器学习算法，如Adaboost和支持向量机（SVM），建立探测器及分类器 [26], [27]。

对输入图像进行预处理，以减少识别过程中的噪声和进行特征提取。接下来，检测器在图像中找到对象的位置。分类器根据检测到的图像识别哪些类型的对象会被监测到。最后，目标追踪算法在实际使用时要去除错误判断和不稳定的判断结果。例如，基于AdaBoost的交通标志检测器可以找到圆形交通标志是在图像中，然后通过SVM分类

图5：基于FSM的车辆运动行为推理

器错误的将圆形交通标志归类为第一，第二，或其他。通过最近的滤波器对交通标志进行跟踪，估计出交通标志在图像中的位置、宽度和高度[28]。在各种照明和天气条件下对交通标志的识别性能95%。从30000多个样本图像中，我们可以看出只要交通标志图像不被雨水遮挡或直接光线饱和，识别系统就可以很好地工作。

3）规划：规划系统为自动驾驶车辆提供策略。为了在各种驾驶情况下提供安全可靠的策略，规划算法分为三个步骤[29],[30]，例如，全局路径规划、行为预测和局部运动规划。全局规划找到从初始位置到目标位置的最快最安全的路径。在这个阶段，数字地图管理系统和数据搜索算法是快速路径规划的基础[31]。行为推理根据全局路径和感知信息，对驾驶情况进行评价，确定自主车辆的总体行为。行为推理根

全文共21447字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[14092]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 噪音和振动测量外文翻译资料
• 主动式横向稳定杆在车辆平顺性和稳定性上的应用外文翻译资料
• 干摩擦离合器系统的应力与变形分析外文翻译资料
• 电动转向模拟器的虚拟样机外文翻译资料
• 主动前转向系统控制策略研究外文翻译资料
• 横向冲击对汽车乘客颈椎反应的三维分析.外文翻译资料
• 对机车意外事故中新型胸腔安全系统的评估外文翻译资料
• 电动车动力传动系统性能分析解析算法的发展外文翻译资料
• 扁钢表面缺陷的自动检测:综述外文翻译资料
• 非线性规划二:无约束优化技术外文翻译资料