當前自動駕駛方法的-限制和極限

2021-01-21 VehicleEngineering

前幾節中討論的方法在尋找路徑、選擇最佳操縱和構建可行軌跡方面具有良好的效果。然而，當前自動駕駛仍然存在局限性，自動駕駛還沒有達到人類駕駛能力的水平。本將分享當前自動駕駛方法的限制和極限。

障礙物處理

在處理障礙物方面，現有方法主要依賴於預測其他交通參與者的軌跡，或者考慮他們的軌跡，或者假設恆定速度或恆定加速度（Kushleyev和Likhachev，2009）。這導致了一個巨大的計算能力的需求，因為障礙物的軌跡需要在每一時刻被計算和檢查。這樣的軌跡預測是在忽略交通環境中的背景的情況下進行的；因此，車輛或其他交通參與者之間的相互作用被忽略。一些方法（例如，Aoude等人，2010a，b；Bandyopadhayy等人，2012；Martin，2013）也假設障礙物的運動不存在不確定性；這種假設在實際情況下無效，特別是在有人駕駛的混合交通情況下。谷歌（Google）最近的實驗（2015年）證明了自動駕駛汽車和人類駕駛員之間缺乏理解。在這些實驗中，谷歌自動駕駛汽車無法確定附近人類司機的意圖，這種混亂導致了輕微的車禍。

現有方法的另一個重要限制是將障礙物簡單地表示為矩形或圓形。在後一種情況下，問題是由於近似中缺乏精度，無法執行近距離運動（如Ziegler等人，2014a所示）。Lefèvre et al.（2014）中提出的交互感知模型可以考慮交通參與者之間的交互，但預先假設車輛之間有完美的知識或通信。此外，在大多數道路中，摩託車和非機動交通參與者通常被忽視。障礙物處理方面的另一個主要限制是無法看到拐角處，無法檢測到從盲區接近的行人和自行車等障礙物。這樣的缺點導致規划算法採取「謹慎」的方法，因此效率低下，例如即使在沒有任何障礙物的情況下也會減速。

車輛動力學

大多數現有的規劃方法依賴於單車或類似汽車的運動學模型來建模車輛，但是這種模型不能利用汽車的基本操縱能力，因為它沒有考慮輪胎力（Jeon等人，2013年）。一些方法（如Jeon等人，2013年；Sawodny等人，2010年）採用了基於單車模型（單車模型了解點擊自動駕駛環運動規劃的相關術語和定義）的動態方法，因此考慮了摩擦和車輛質量。然而，一個能夠有效描述車輛在真實環境中的運動和力分布的動力學模型尚待實現。

最大的挑戰之一是捕捉和抽象出車輛的能力和約束條件，然後將這些信息納入機動和軌跡規劃中。例如加速、制動或轉向約束以及天氣或路面對這些能力或約束的影響，所以未來自動駕駛標定應該會是根據車輛動態參數進行標定。

風險指標

為了評估駕駛情況下的碰撞風險，通常採用的指標包括：碰撞時間（TTC）、碰撞距離（DTC）或反應時間（TTR）以及意外/衝突行為（Lefèvre et al.，2014）。使用TTC或DTC的問題在於，TTC通常僅指跟車情況，並且在大多數情況下，測量的是恆定速度或恆定加速度（Ward等人，2015）。此外，在彎道路段，計算TTC/DTC/TTR時大多考慮直線，這可能導致混淆安全和危險情況（見圖11）。現有研究中未包括每次操作的差距接受模型和一般上下文特定的風險估計。

傳感器與感知

現有方法中的感知和感知將車輛視為一個獨立的實體；將自動駕駛車輛的感知範圍限制在其單個傳感器的感知範圍內。此外，大多數方法要麼假設對環境有完美的了解（例如，Aoude等人，2010b；Bandyopadhayy等人，2012；Brechtel等人，2014），要麼依靠昂貴的傳感器（如Ziegler等人，2014b）來感知環境和障礙物的近乎完美的知識。方法沒有考慮到無人駕駛車輛的有限視野和可能出現的盲點，例如在彎道路段或盲區和封閉交叉口（即視野受限的十字路口）。

測試環境

對算法進行測試的環境可以分為三個領域：模擬、模型車輛實驗和真實世界實驗。前兩個領域在大多數研究中使用，因為它們相對容易實現。相反，這些測試的結果，即使有很高的準確度，也不能保證在現實世界的車輛，在現實世界的環境中的相同水平的性能。此外，僅使用兩輛車進行測試無法與真實世界的交通環境相似（Althoff等人，2009年）。然而，在現實世界環境中也有成功測試的案例（這突出了現有技術的局限性）（Bertozzi等人，2010；Fischer，2013；Ziegler等人，2014b），為了將場地實驗推進到最終的市場就緒狀態，需要更穩健的未來算法，必須共享和挖掘道路試驗收集的數據，以學習和推動整個區域向前發展。最後，進行建模和仿真，不僅可以更好地模擬ego車輛的物理和網絡組件，而且可以更好地模擬整個交通系統及其內部的相互作用。

參考文獻：

1，Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions -Christos Katrakazas a , Mohammed Quddus a, , Wen-Hua Chen b,1 , Lipika Deka a

2，Vehicle Dynamics and Control - Rajamani

文中部分圖片版權歸其所有

*未經準許嚴禁轉載和摘錄-加入我們的知識星球Vehicle可以下載以上參考資料。

>>>>

相關焦點

  • 中科院深圳先進院國內首創自動駕駛整車在環測試系統 獲自動駕駛...
    據了解，針對當前自動駕駛測試方法中的不足，團隊在開發測試的過程中並行自主研發了國內首個自動駕駛整車在環測試系統，用於精準模擬真實的駕駛環境及數據收集。目前該系統可完成一周累計測試裡程達100公裡的複雜場景測試，系統功能至少迭代一次。「自動駕駛整車在環測試系統由動力在環測試臺架和自動駕駛數據收集分析系統組成。
  • 雷射雷達廠商開啟自動駕駛激戰
    投稿來源：蛇眼財經近年來國內自動駕駛行業爆發的勢頭愈加明顯，L2、L3級別的自動駕駛功能商業化加速落地，L4級別自動駕駛功能也進入了試運行階段。在此背景下，自動駕駛行業的上遊產業鏈如雷射雷達也開始蓬勃發展。
  • 傳感器融合才是自動駕駛的正道之光
    而到今天，隨著大數據、AI、5G等技術的突破和應用，百度、Uber、滴滴、文遠知行，越來越多的自動駕駛技術從實驗室走向了道路。對於輔助駕駛系統（ADAS）和自動駕駛汽車（AV），可能永遠不會有一種單一、最有效的方法來實現傳感技術。
  • 最全自動駕駛技術匯總 全面解析Waymo自動駕駛安全報告
    Waymo的系統安全計劃Waymo的系統安全計劃涉及5個截然不同的安全領域：行為安全性、功能安全性、碰撞安全性、操作安全性和非碰撞安全性。上述各領域都需結合各種測試方法，旨在驗證完全自動駕駛車輛的安全性。
  • 什麼是飛機自動駕駛?
    自動駕駛還提高一些自動防護功能，包括坡度限制，失速保護，超速保護，防擦尾，防荷蘭滾等。飛機的檢測器將提供系統狀態顯示、ECAM警告信息、語音警告、音響警告、失速抖杆、燈光警告等各類反饋和警告信息。　　飛機自動駕駛控制目標是要使飛機按照飛行原理來運行，包括滿足力矩平衡、穩定性和操縱性的規律，滿足升力、速度與姿態三者之間的對應關係要求，同時滿足飛行各階段操縱要求和導航要求包括滿足水平航跡、垂直航跡、飛行程序、飛行計劃、保護區限制、地形障礙物避讓等要求。
  • 自動駕駛關鍵技術報告:慣性導航和背後的晶片大戰【附下載】| 智...
    SAE的 3016的方法：《關於自動駕駛系統的分級和術語定義》。根據當前自動駕駛的發展現狀，改版對很多定義做了更加細緻的解釋與說明。按照 SAE J3016 的定義，自動駕駛的分類可分為 L0-L5 等 6 個級別；每個級別對轉向及加減速、駕駛環境的監控、駕駛接管的執行要求的主體及系統使用的場景進行了嚴格的區分。
  • 自動駕駛地圖與定位技術產業
    高德和精準位置服務商千尋位置合作，提供「自動駕駛地圖+高精度定位」綜合解決方案。目前雙方在車道級定位上的解決方案可以實現普通道路條件下橫向誤差和縱向誤差在7cm以內，高速/城市環路條件下橫向誤差6cm，縱向誤差5cm以內。高德先後和博世、英偉達、凱迪拉克合作研發自動駕駛地圖中定位圖層和數據更新方案。其自動駕駛高精地圖已經應用在凱迪拉克的SuperCruise系統上。
  • 廣州駛入自動駕駛新賽道
    「在自動駕駛汽車眼中，城中村是一片充斥著海量的動態障礙物數據、沒有可識別的交通標誌、無法事先定義的極限挑戰場景。」文遠知行智慧出行事業部總經理李一凡指出，自動駕駛技術走向成熟應用，必須要經受城中村的考驗。9月初，文遠知行的自動駕駛汽車開進城中村，嘗試挑戰全程安全無接管。
  • 高精地圖,公認的自動駕駛標配,但特斯拉並不care
    自動駕駛，除了傳感器、軟體定義汽車，還有什麼？高精地圖，全稱高解析度地圖（High Definition Map，HD Map），在當前主流的自動駕駛發展路徑中，處於不可或缺的位置。本文為讀者分享有關高精地圖的最熱點問題，從定義、模型、製作、定位、量產五個角度，讓大家對高精地圖有一個全面的了解。
  • 2020,全球自動駕駛汽車硬體和軟體最新技術總結
    本報告覆蓋了自動駕駛汽車所需要的感知、定圖與定位、傳感器融合、機器學習方法、數據收集與處理、路徑規劃、自動駕駛架構、乘客體驗、自動駕駛車輛與外界交互、自動駕駛對汽車部件的挑戰（如功耗、尺寸、重量等）、通訊與連接（車路協同、雲端管理平臺）等技術領域的討論，並且提供相應的各自動駕駛公司的實施案例。
  • 深圳先進院獲中科院內首個自動駕駛公開道路測試牌照
    「獲得公開道路測試牌照後，我們的自動駕駛車輛將按計劃在深圳市交委劃定的19個市內公開區域中進行智能網聯汽車公開道路測試」，深圳先進院汽車電子中心主任李慧雲研究員表示。據了解，針對當前自動駕駛測試方法中的不足，團隊在開發測試的過程中並行自主研發了國內首個自動駕駛整車在環測試系統，用於精準模擬真實的駕駛環境及數據收集。
  • 權威發布:中國人工智慧學會自動駕駛入門秘籍
    此外，本白皮書還系統地介紹了自動駕駛控制的核心技術組成部分，包括車輛的縱向控制、橫向控制、自動駕駛的控制方法、自動駕駛控制技術方案。除了詳細技術介紹之外，該白皮書還介紹了模擬仿真技術，包括需求分析、技術方案、並預期未來發展的技術挑戰和趨勢。
  • 當自動駕駛遇上「電車難題」
    這個思想實驗大部分經典版本——五個人和一個人之間的選擇，或一個小孩和一個老人之間的選擇——發生的可能性太小了。 即使我們找到了一個汽車總是應該選擇的最佳方法，那麼這輛汽車大概得行駛一萬億英裡，這個方法才得以發揮一次作用。誰又能保證這個解決方案在另一個國家，或是在不同價值觀的人之間，或是在10年或20年後，還是正確的呢？
  • 自動駕駛環運動規劃的相關術語和定義
    在上期我們分享了什麼是自動駕駛實時規劃（什麼是自動駕駛實時運動規劃）之後，我們將繼續分享自動駕駛實時規劃裡面的定義和術語，畢竟任何一個行業都會衍生出一定的定義和術語，只有理解這些定義和術語才能夠去理解這些意義和內容。本節描述了機器人規劃領域文獻中常用的關鍵概念術語，因此也介紹了自動駕駛車輛。
  • 信息技術:中國自動駕駛產業發展動態|汽車|大數據|自動駕駛|智能網...
    當前，全球主要國家和地區紛紛加快產業布局，制定發展戰略，各項技術標準及法規等逐漸完善。中國政府高度重視智能網聯汽車的發展並頻頻出臺支持政策，自動駕駛產業得到迅猛發展。本文從政策、標準、技術、產業等方面介紹國內自動駕駛發展情況，並與國外自動駕駛產業發展進行對比分析，指出我國在自動駕駛產業發展過程中的挑戰，為未來我國自動駕駛產業發展提供參考意見。
  • 美團技術解析:自動駕駛中的決策規划算法概述
    引言 在一套完整的自動駕駛系統中，如果將感知模塊比作人的眼睛和耳朵，那麼決策規劃就是自動駕駛的大腦。大腦在接收到傳感器的各種感知信息之後，對當前環境作出分析，然後對底層控制模塊下達指令，這一過程就是決策規劃模塊的主要任務。同時，決策規劃模塊可以處理多麼複雜的場景，也是衡量和評價自動駕駛能力最核心的指標之一[1]。
  • ALC、LCC為OTA重頭戲,小鵬的L2.5級自動駕駛是什麼?
    ；以下情況有可能導致變道失敗：距離前車距離低於安全距離；目標車道有其他車輛導致安全距離不足；當前車道線為實線；當前處於較大的彎內；當前車速低於65km/h；車道居中輔助未處於激活狀態；車道線褪色或受到幹擾。
  • 自動駕駛太陽能電動車亮相 低限速保證安全
    自動駕駛電動車,墨爾本太陽能電動車,墨爾本自動駕駛電動車" title="輕量化，產能布局，電動汽車，黑科技，前瞻技術，熱點車型，自動駕駛電動車,墨爾本太陽能電動車,墨爾本自動駕駛電動車" style="margin: 0px auto;
  • 特斯拉L5自動駕駛操之過急 馬斯克你這次吹得有點狂野
    L5自動駕駛意味著什麼所謂L5自動駕駛，指的是SAE國際汽車工程師協會針對汽車自動駕駛分級中的最高等級。當自動駕駛技術達到L5等級時，車輛將完全實現自動化操控。也就是說，在任何情況下都不需要人為參與駕駛，L5自動駕駛技術完全替代了人類駕駛員。
  • 特斯拉自動駕駛上演「神操作」!被別車自動收後視鏡
    特斯拉的完全自動駕駛（FSD），向來被看做是特斯拉真正的殺手鐧。不同於特斯拉當前的Autopilot輔助自動駕駛，FSD可以實現更多功能，也更接近於真正意義上的自動駕駛。當前，海外已經有不少車主，升級了特斯拉推送的FSD套件最新測試版，從車主實拍的體驗視頻來看，FSD已經能夠應對不少路況下進行自動駕駛。更令車主感到驚奇的是，感受到車道變窄後，自動駕駛還會自動收起車輛的外後視鏡，避免車輛發生剮蹭。