Urban-Challenge技术报告

URBANCHALLENGE技术报告——CMUTartan’sBossOUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryOUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryWhichfactorsdistinguishUrbanChallenge？UrbanChallenge要求参赛车辆在复杂的城市路况中完成并线、拐弯、超车、指定区域停车等动作，同时还要遵守交通法规，用时最短者取胜。UrbanChallenge区别于GrandChallenge之处在于对车辆在如下三方面的表现提出了相当高的要求：自动公路驾驶处理路口情况特定区域内的机动能力WhichfactorsdistinguishUrbanChallenge？OUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryTartan’sBossfromCMUBoss使用雪佛兰塔荷作为平台，由卡内基•梅隆大学和通用汽车公司联合组建的Tartan赛车小组改装而成。它赢得了2007年全美UrbanChallenge挑战赛的冠军。Boss身上装备的激光探测器、摄像头、雷达等10多种设备能收集周围的信息，并输入它的“大脑”——一台高性能计算机，其通过执行50多万行代码来确定到达目的地的最佳途径。Boss在比赛过程中最高车速达到了50千米/小时，能较快地转弯，冲过终点时领先第二名20多分钟。它的表现证明了自动驾驶车辆并非遥不可及。Tartan’sBossfromCMUOUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryBoss’fivemajorcomponents任务规划（MissionPlanning）：制定一条通过复杂城市公路网络的高效率路线执行层行为（BehavioralLayer）：具体执行移动的机制模块，需能适应各种城市交通情况并在必要时处理紧急事故运动规划层（MotionPlanningLayer）：通过考虑可行的轨迹来保护机器人，并选出最右行驶轨迹感知层（Perception）：从激光探测器、雷达以及其他视觉探测器中分析并生成其他车辆位置、静态障碍物以及道路状况的数据整体机电系统（MechatronicSystem）：为机器人提供能源、探测以及移动力来完成对城市道路行驶的导航。Boss’fivemajorcomponentsOUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryMissionPlanning任务策划（MissionPlanning）任务策划模块通过路线网络定义文件（RouteNetworkDefinitionFile，下称RNDF）中的已知世界信息与下一个车辆必须通过的检查点（checkpoint），计算了所有可能路径的时间与空间代价。随后，它将推算出到达某一特定检查点的最佳路径，就像人类在驾驶中会设计出从当前位置至下一个杂货店或加油站的路线一样。任务策划模块选取最佳路径是根据道路拥堵情况、道路结构与不同路段合理的最高限速等先验知识而做出的综合判断。MissionPlanning从路线网络定义文件（RouteNetworkDefinitionFile）读取数据为行为生成层提供代价地图（CostGraph）计算从任意位置到达下一检查点（checkpoint）的路径实时更新局部地图数据（道路障碍，先前未知的路口或道路信息）OUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryBehaviorGeneration行为生成（BehaviorGeneration）行为模块基于任务规划模块给出的战略性信息（推荐最佳路线等信息），清晰地给出了将传递给运动规划层解决问题的定义。该模块由一个有限状态机实现，将任务分解为一系列高级行为（Top-levelBehaviors）与它们相对应的简单低级行为（Sub-behaviors）。其中，高级行为包括沿路行驶（Drive-Down-Road），处理路口情况（Handle-Intersection）与开放区域姿态控制（Achieve-Zone-Pose）。有限状态机将会根据运动规划层报告的进程信息、软件系统的大致健康情况以及任务规划层设置的当前目的地来决定触发不同的行为。BehaviorGeneration沿路行驶处理路口情况开放区域姿态控制沿路行驶车道内行驶（DriveInLane）车道选择器（LaneSelector）车道内行驶主要功能为保持车距，即将本车速度与前车速度之间的差速调零，并尽量减少理想车距与实际车距的差值其中lvehicle是本车长度，（lvehicle/10）表示一辆以10mph行驶车辆的最小车距要求，absMinGap为绝对最小车距要求车道选择器车道选择器目前的实现为当车辆接近下一检查点时，简单地根据一个预设距离阈值提前进入该检查点所在车道。而报告中提到的预计可作出的改进需要考虑车辆目前以及预期的状态（包括位置、速度、加速度等），UrbanChallenge中规定的车辆空间，速度限制等因素，以生成一个评估每车道价值的函数。处理路口情况当有车辆提前到达路口停车线前时，将被赋予“优先态”（precedence）一旦Boss检测到它处于优先态时，它首先将检查该路口是否已无障碍物，并观察其他车辆是否完成了通过路口的操作或有无违反优先原则的车辆存在随后，它将路口视为一条由当前车道出口与目标车道入口连结的“虚拟车道”（virtuallane）并尝试通过该路口处理路口情况开放区域姿态控制该行为规定了车辆期望通过运动规划模块来实现的姿态。在一般情况下，该行为将在车辆需通过一块开阔区域并停车时被触发。随着系统的成熟，该行为将会在车辆需要自主找到一条“有创造性的”路线来摆脱麻烦时被触发，例如需横穿一个被堵塞的路口，或需从一个偏离公路行驶行为的位置回到公路上时。OUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryMotionPlanning区别于任务规划器的战略性规划功能，运动规划模块负责路线中各部分的具体执行。这包括以下两类情况：车道内的规划开阔区域内的规划车道内的规划开阔区域中的规划驾驶形式与在道路上非常不同。环境对车辆的运动限制和提示都有所减弱。对车辆的姿态要求比车道保持更加多而复杂。Tartan使用AD*算法位置和朝向空间上的栅格地图从终态到初态的搜索，找出高仿真度的，能避免碰撞的路径。AD*算法可以在获知地图变化时，在规定的时间内得到较优的新路径而不做大量重复计算。路径规划的结果由局部规划器实现根据控制集生成一些可能的轨迹来实现全局路径规划的结果容许少量的动态障碍和执行中的不准确。这种栅格规划器可以在UrbanChallenge的很多场景下使用，如通过路口，掉头，在紧急避障后回到道路等。Figure7a中红线是全局规划出的路径，b是车辆计算出的可以实现这条路径的轨迹集，c是局部规划器为了碰撞检测而做出的行驶在路径上各点时的车体的边界，d是另一视角的视图OUTLINEWhichfactorsdistinguishUrbanChallenge？Tartan’sBossfromCMUBoss’fivemajorcomponentsMissionPlanningBehaviorGenerationMotionPlanningPerception&WorldModelingMechatronicSystemSummaryPerception&WorldModelingTartan的感知层有三个主要的功能:探测和跟踪移动的障碍物探测静止障碍物估计道路的形状Perception&WorldModelingTartan的感知层有三个主要的功能:探测和跟踪移动的障碍物探测静止障碍物估计道路的形状探测和跟踪移动的障碍物传感器层为每个传感器维护障碍物列表并进行各自跟踪初分类决定跟踪物体时使用的模型融合层接受来自各传感器的输入进而维护一个全局的移动障碍物列表二义性处理对所有可能性执行质量评估最终确定一个最优的组合（thebestcombination）向上输出，并反馈给传感器层会考虑一些（相对于传感器层的）高级知识，如障碍物在世界坐标系的位置等。融合层Tartan采用了EKF进行跟踪状态空间为(x,y,psy,v,w,a)x,y为车体中心位置psy为偏航角v为线速度a为线加速度w为偏航角速度。场景评估层判断个移动障碍物体的“意图”路径规划和行为生成模块要求感知层能够预测10s后各个障碍物的位置单个物体的预测模型不足以完成这个任务，尤其是当障碍物（车辆）会发生互动时以上部分存在的主要问题：车辆在激烈动态(pitch&roll角很大)时的假数据导致的跟踪丢失和假障碍。现在的程序将所有公路上（ontheroad）的障碍物建模为汽车，误判率较高。急刹车产生的“鬼影”Perception&WorldModelingTartan的感知层有三个主要的功能:探测和跟踪移动的障碍物探测静止障碍物估计道路的形状探测静止障碍物车顶的下视激光雷达得到一个返回点时将返回点的高度标记在地图上它周围的几个点的高度相比较根据坡度“代价”在地图的每个区域（cell）中，区内各点的最大代价本部分存在的问题：