Bằng phương pháp tiếp cận dựa trên mẫu, để tạo ra quỹ đạo tối ưu từ tập các ứng viên quỹ đạo nhằm mục đích cải thiện hiệu suất và tăng cường khả năng lập kế hoạch chuyển động dựa trên các thông tin nhận được từ hệ thống cơ sở hạ tầng giao thông và các đối tượng khác trên đường thông qua hệ thống các thiết bị cảm biến. Trong bài báo này, để xử lý tính không chắc chắn trong dữ liệu tri giác và cấu trúc hệ thống xe, chúng tôi đề xuất một giải pháp lập kế hoạch chuyển động cho xe tự hành sử dụng cấu trúc cơ bản của bộ lọc phần tử với bốn bước cơ bản được thực hiện lặp lại cho đến khi tìm được quỹ đạo tối ưu, từ đó đánh giá giải pháp và định hướng nghiên cứu ứng dụng về bài toán xe tự hành trong thực tế
8 trang |
Chia sẻ: Thục Anh | Ngày: 11/05/2022 | Lượt xem: 383 | Lượt tải: 0
Nội dung tài liệu Một giải pháp kỹ thuật thiết lập kế hoạch chuyển động cho xe tự hành, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
) ∏ (
) (
) (
) (
) (12)
Trên cơ sở này, trọng số của các ứng viên quỹ đạo có thể được cập nhật; vì trọng số của mỗi nút khác trong
ứng viên quỹ đạo cũng độc lập, trọng số của ứng viên quỹ đạo thứ i tại bước thời gian là
được xác định bằng cách
nhân trọng số của tất cả các nút bằng quá trình chuẩn hóa:
∏ (
) và ̂
∑
(13)
2.2.4. Lựa chọn quỹ đạo
Việc lựa chọn quỹ đạo được thực hiện dựa trên trọng số cập nhật của các ứng viên quỹ đạo, quỹ đạo cuối cùng
tại bước thời gian k được chọn trong bước lựa chọn quỹ đạo. Để chọn được quỹ đạo tối ưu, chúng ta tìm giá trị cực
đại của phương pháp đánh giá quy nạp:
[ ̂
(
)] (14)
trong đó arg max là hàm để tìm ứng viên quỹ đạo
của miền ̂
mà tại đó giá trị đạt cực đại.
2.2.5. Tái lấy mẫu mục tiêu chuyển động
Với mục đích ngăn sự tập trung của quá trình cập nhật trọng số sẽ rơi vào một vài ứng viên quỹ đạo và quản lý
hiệu quả số lượng ứng viên hạn chế để tìm được quỹ đạo tối ưu, thì việc tái lấy mẫu mục tiêu chuyển động nhằm tái tạo
một tập mới các mục tiêu chuyển động cho các ứng viên quỹ đạo trên cơ sở trọng số là cần thiết.
Quách Hải Thọ, Huỳnh Công Pháp, Phạm Anh Phương 287
Bước tái lấy mẫu mục tiêu chuyển động này được thực hiện nếu thỏa mãn điều kiện
∑ (
)
[32]; trong đó là số ứng viên hiệu dụng, đại diện cho mức độ tập trung của trọng số; là tỷ lệ ngưỡng và là một
yếu tố được thiết kế để sử dụng cho việc xác định tần suất của hoạt động tái lấy mẫu.
Nếu việc tái lấy mẫu được xác định, thì có 2 loại mục tiêu chuyển động được tái tạo: mục tiêu chuyển động cố
định và mục tiêu chuyển động ngẫu nhiên. Để kiểm tra độ an toàn của tất cả các làn đường, mục tiêu chuyển động cố
định được tạo ra ở trung tâm của mỗi làn đường và có rất ít mục tiêu chuyển động được tái tạo thành mục tiêu chuyển
động cố định; mà hầu hết các mục tiêu chuyển động được tái tạo bằng cách áp dụng kỹ thuật lấy mẫu có phương sai
thấp dựa trên trọng số của các ứng viên quỹ đạo, kỹ thuật này có độ phức tạp tính toán thấp và độ phủ không gian tốt
của không gian mẫu [19].
III. ĐÁNH GIÁ VÀ KẾT LUẬN
Giải pháp lập kế hoạch chuyển động đề xuất dựa trên thiết kế của bộ lọc phần tử đối với bài toán xe tự hành
được thực nghiệm mô phỏng với nhiều tình huống giao thông khác nhau. Quá trình quy hoạch chuyển động này được
thực hiện dựa trên kỹ thuật lấy mẫu ngẫu nhiên, các trường hợp thực nghiệm giống nhau cũng có thể cho các kết quả
khác nhau. Để đánh giá hiệu suất của giải pháp này, chúng tôi áp dụng phương pháp mô phỏng Monte Carlo [34] với
một kịch bản thử nghiệm được lặp lại nhiều lần; và thực hiện đồng thời với phương pháp lập kế hoạch chuyển động
bằng kỹ thuật cây RRT; kịch bản thử nghiệm được áp dụng giống nhau cho cả 2 phương pháp.
Trong mô phỏng, giải pháp chúng tôi đề xuất sử dụng 60 ứng viên quỹ đạo và phương pháp sử dụng kỹ thuật
cây RRT sử dụng 200 ứng viên quỹ đạo để tìm ra quỹ đạo tối ưu.
Để đánh giá định lượng cho giải pháp đề xuất, chúng tôi đã phân tích thời gian tính toán và tỷ lệ thất bại như
trong bảng 2; trong phân tích này, chúng tôi thực hiện 5 kịch bản thử nghiệm được áp dụng bằng các chướng ngại vật
khác nhau, mỗi kịch bản thử nghiệm 50 lần cho các mô phòng Monte Carlo, nếu quỹ đạo đã chọn gây ra va chạm trong
quá trình mô phòng thì trường hợp thử nghiệm này được đánh dấu là trường hợp lỗi.
Bảng 2. So sánh thời gian xử lý và tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo
Số lượng ứng viên Thời gian xử lý (ms) Tỷ lệ thất bại (%)
Giải pháp đề xuất
10
50
100
200
500
22.85
27.40
40.20
60.28
145.20
10.8
1.0
0
0
0
Giải pháp dùng để đánh giá
10
50
100
200
500
21.00
25.80
38.40
58.70
120.10
40.2
15.4
2.6
0.8
0
Như trong bảng 2, thời gian thực hiện của giải pháp đề xuất lớn hơn so với giải pháp sử dụng cây RRT cho cùng
số lượng ứng viên; lý do là vì phương pháp này cần cập nhật thời gian lập kế hoạch quỹ đạo và tái lấy mẫu chuyển
động cục bộ. Tuy nhiên, hiệu suất an toàn của giải pháp này là cao hơn, đồng thời giải pháp này có tỉ lệ thất bại thấp
hơn mặc dù số lượng ứng viên nhỏ là do giải pháp này lặp đi lặp lại quá trình thay đổi mục tiêu chuyển động có sử
dụng trọng số.
Kết quả đánh giá về điều kiện an toàn thì giải pháp đề xuất đã đạt được hiệu quả và phương pháp lập kế hoạch
chuyển động này đã tạo ra một quỹ đạo tối ưu cho phép một xe tự hành có thể lái dọc theo đường và tránh chướng ngại
vật an toàn. Để nâng cao hiệu quả tính toán và xem xét xác suất không chắc chắn của dữ liệu tri giác và định vị trên
quỹ đạo tổng quát; thì hiệu suất của giải pháp đề xuất này còn phụ thuộc vào mô hình xác suất của hệ thống để tạo ra
các trường khả năng thích ứng. Do đó, phân tích xác suất và phương pháp biểu diễn tình huống lái xe cần được tích
hợp nhiều hơn đối với việc áp dụng vào xe thực tế.
IV. TÀI LIỆU THAM KHẢO
[1] Bevan, Gollee and O’Reilly. Trajectory generation for road vehicle obstacle avoidance using convex optimization.
Proc IMechE Part D: J Automobile Engineering, pp.455-473, 2010.
[2] Brannstrom M., Sandblom F. and Hammarstrand L.. A probabilistic framework for decision-making in collision
avoidance systems. IEEE Trans Intell Transpn Systems, pp.637-648, 2013.
[3] Dongchul K, Jaehyun H. and Myoungho S.. Multiple vehicle tracking in urban environment using integrated
probabilistic data association filter with single laser scanner. Trans KSAE, pp.33-42, 2013.
288 MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH
[4] Eidehall A. and Petersson L.. Statistical threat assessment for general road scenes using Monte Carlo sampling.
IEEE Trans Intell Transpn Systems, pp.137-147, 2008.
[5] Fraichard and Howard. Iterative motion planning and safety issue. In: Eskandarian A (ed) Handbook of intelligent
vehicles. London: Springer, pp. 1433-1458, 2012.
[6] Han J., Kim D., Lee M. and Sunwoo M.. Enhanced road boundary and obstacle detection using a downward
looking LIDAR sensor. IEEE Trans Veh Technol, pp.971-985, 2012.
[7] Laugier C., Paromtchik I. E., Perrollaz M. et al.. Probabilistic analysis of dynamic scenes and collision risks
assessment to improve driving safety. IEEE Intell Transpn Systems Mag, pp.4-19, 2011.
[8] Ibanez-Guzman, Laugier and Thrun S.. Autonomous driving: context and state-of-the-art, In:Eskandarian A (ed)
Handbook of intelligent vehicles. London: Springer, pp.1271-1310, 2012.
[9] Jo K., Chu K. and Sunwoo M.. Interacting multiple model filter-based sensor fusion of GPS with in-vehicle sensors
for real-time vehicle positioning. IEEE Trans Intell Transpn Systems, pp.329-343, 2012.
[10] Jo K. and Sunwoo M.. Generation of a precise roadway map for autonomous cars. IEEE Trans Intell Transpn
Systems, pp.925-937, 2014.
[11] Jo K., Kim J., Kim D. et al.. Development of autonomous car - Part I: distributed system architecture and
development process. IEEE Trans Ind Electron, pp.7131-7140, 2014.
[12] Kim J., Jo K., Chu K. and Sunwoo M.. Road-modelbased and graph-structure-based hierarchical path planning
approach for autonomous vehicles. Proc IMechE Part D: J Automobile Engineering, pp.909-228, 2014.
[13] Kim J., Jo K., Lim W. et al.. Curvilinear-coordinate-based object and situation assessment for highly automated
vehicles. IEEE Trans Intell Transpn Systems, pp.1559-1575, 2015.
[14] Shim T., Adireddy G. and Yuan H.. Autonomous vehicle collision avoidance system using path planning and
model-predictive-control-based active front steering and wheel torque control. Proc IMechE Part D: J
Automobile Engineering, pp.767-778, 2012.
[15] Simon D.. Optimal state estimation: Kalman, HN, and nonlinear approaches. New York: John Wiley, 2006.
[16] Su J. L. and Ordys A.W.. Collision avoidance manoeuvre for a vehicle - a practical approach. Proc IMechE Part
D: J Automobile Engineering, pp.299-312, 2010.
[17] Schubert R. and Wanielik G.. A unified Bayesian approach for object and situation assessment. IEEE Intell
Transpn Systems Mag, pp.6-19, 2011.
[18] Suganuma N. and Matsui T.. Robust environment perception based on occupancy grid maps for autonomous
vehicle. In: 2010 SICE annual conference, Taipei, Republic of China, pp. 2354-2357, 2010.
[19] Thrun S., Burgard W. and Fox D.. Probabilistic robotics. Cambridge, Massachusetts: MIT Press, 2005.
[20] Zhang D., Li K. and Wang J.. Radar-based target identification and tracking on a curved road. Proc IMechE Part
D: J Automobile Engineering, pp.39-47, 2012.
A TECHNICAL SOLUTION CREATING MOTION PLANNING FOR AUTONOMOUS
VEHICLES
Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong
ABSTRACT: Using a sampling-based approach, to create the optimal trajectory from the set of trajectory candidates aiming at
improving performance and enhancing motion planning capabilities based on the information received fromthe transport
infrastructure system and other objects on the road through the sensor system, in this paper, to handle the uncertainty in the sensory
data and vehicle system structure, we propose a motion planning solution for autonomous vehicles that uses the basic structure of
the particle filter with four basic steps repeated until the optimal trajectory is found, then we evaluate the solution and apply the
problem of autonomous vehicles in real life.
Keywords: Autonomous vehicle, particle filter, path planning, motion planning, intelligent transportation systems.
Các file đính kèm theo tài liệu này:
- mot_giai_phap_ky_thuat_thiet_lap_ke_hoach_chuyen_dong_cho_xe.pdf