多重不確定性下的自動化協作規劃

核心概念

本文提出了一種名為 MUACP 的自動化協作規劃框架，該框架透過將感知、運動和通訊等多重不確定性納入統一的優化公式中，以實現更強大的多車輛自動駕駛系統。

摘要

文章概要

本研究論文題為「多重不確定性感知自動化協作規劃」，探討了自動化協作規劃（ACP）在提升未來智慧交通系統中多車輛互動效率和安全性方面的潛力。然而，由於感知、運動和通訊等不確定性的累積，實現穩健的 ACP 仍是一項挑戰。

研究問題

現有的不確定性感知規劃方法通常將感知、運動和通訊不確定性分開處理，且主要關注單車自動駕駛而非多車輛 ACP。此外，雖然現存一些車輛編隊研究，但並未考慮不確定性問題。

研究方法

為了解決這些問題，本文提出了一種多重不確定性感知 ACP（MUACP）框架，將感知、運動和通訊不確定性納入統一的優化公式中，從而自動考慮它們的綜合影響。具體而言，該解決方案選擇光達感測器作為計算感知不確定性的例證，因為光達能夠提供環境的直接、密集、主動和準確的深度測量。運動不確定性則根據車輪回饋和天氣狀況進行測量。通訊不確定性則基於無線通道分佈和中斷概率構建。基於這些模型，MUACP 問題被表述為一個正則化協作模型預測控制（RC-MPC）問題，其中運動不確定性的正則化器和感知-通訊不確定性的約束條件根據上述方法構建。

主要發現

最後，研究人員在汽車學習行動（CARLA）模擬平台上實現了 MUACP 方法。為了擴大單個車輛的感測範圍並提高其檢測精度，他們還實現了基於晚期融合協作感知模組，並將其與 MUACP 相結合，形成了一個更加穩健的 ACP 系統。結果表明，所提出的 MUACP 在各種場景中均表現出優越性。

研究結論

據作者所知，這是第一個在 ACP 系統中考慮多重不確定性的研究。主要貢獻總結如下：

• 設計了一種基於 MPC 的高效 ACP 策略，該策略具有全形狀碰撞避免約束；
• 將運動、感知和通訊不確定性作為正則化器和約束條件納入 MPC；
• 在 CARLA 中評估了所提出方案的性能，並進行了廣泛的比較。

統計資料

光達感測器在所考慮的多車道場景中，平均精度（mAP）為 0.92（IoU= 0.5）。
通訊不確定性範圍從 σt = 0.1（90% 的數據包丟失）到 σt = 1（完美的通訊）。
車輛長度為 4.5 公尺，寬度為 1.8 公尺。
車輛加速度變化率介於 -0.3m/s² 和 0.3m/s² 之間，而加速度的下限和上限分別設定為 -4m/s² 和 4m/s²。
轉向角度的下限和上限分別設定為 -0.3 和 0.3 弧度，其變化率限制為每秒 0.2 弧度。

引述

從以下內容提煉的關鍵洞見

Multi-Uncertainty Aware Autonomous Cooperative Planning

by Shiyao Zhang... 於 arxiv.org 11-04-2024

https://arxiv.org/pdf/2411.00413.pdf

深入探究

在現實世界的自動駕駛測試中，MUACP 框架如何應對更複雜和不可預測的交通狀況？

在現實世界的自動駕駛測試中，MUACP 框架需要應對比模擬環境中更複雜和不可預測的交通狀況。以下是一些應對方案：

增強感知模組： 现实世界中的交通狀況更加复杂，需要更強大的感知模組來處理。這包括使用更高精度的感測器，例如更高線數的 LiDAR 和更高解析度的攝像頭，以及更先進的感知演算法，例如能夠處理遮擋、天氣變化和光線變化的演算法。此外，還可以結合多種感測器資訊進行融合，例如 LiDAR、攝像頭和毫米波雷達，以提高感知的準確性和可靠性。
引入人類駕駛行為預測： 人類駕駛行為往往難以預測，而這是自動駕駛系統在現實世界中面臨的主要挑戰之一。MUACP 框架可以整合人類駕駛行為預測模組，利用機器學習技術，根據周圍車輛的歷史軌跡、駕駛風格和交通規則等資訊，預測其未來行為，從而更準確地規劃自身軌跡，提高安全性。
強化學習和線上適應： MUACP 框架可以採用強化學習技術，讓車輛在與環境互動中不斷學習和優化策略，提高應對複雜交通狀況的能力。此外，還可以引入線上適應机制，根據實際路況和交通狀況動態調整模型參數，例如安全距離、速度規劃和軌跡預測等，以適應不同的駕駛環境。
與智慧交通系統（ITS）整合： 將 MUACP 框架與智慧交通系統（ITS）整合，例如車聯網（V2X）和交通信號燈控制系統，可以獲取更豐富的交通資訊，例如道路狀況、交通流量和突發事件等，從而更全面地感知環境，做出更安全、高效的決策。
總之，MUACP 框架需要不斷進化和完善，才能更好地應對現實世界中複雜多變的交通狀況，實現安全、可靠的自動駕駛。

如果放棄其中一種不確定性模型（例如，假設完美的通訊），MUACP 的性能會受到怎樣的影響？

如果放棄 MUACP 框架中的某一種不確定性模型，系統的性能會受到不同程度的影響，具體取决于放棄的模型和實際應用場景。
以放棄通訊不確定性模型為例，假設車輛間通訊始終完美無延遲，系統將面臨以下影響：

積極方面：

簡化系統設計： 無需考慮通訊延遲和丟包，可以簡化系統設計，降低計算複雜度。
提高協作效率： 車輛間資訊傳輸即時可靠，可以更有效地進行協作，例如編隊行驶和協同變道等。

消極方面：

降低系統魯棒性： 現實世界中的車聯網通訊難以避免延遲和丟包，忽視通訊不確定性會降低系統的魯棒性，在通訊品質不佳時可能導致決策失誤，甚至引發事故。
過度依赖通訊： 假設完美通訊可能導致系統過度依赖車聯網，一旦通訊中斷，系統將無法正常運作，安全性難以保障。
總之，放棄任何一種不確定性模型都會降低 MUACP 框架的可靠性和安全性。在實際應用中，需要根據具體需求和安全要求，在系統複雜度和魯棒性之間取得平衡。

除了車輛編隊，MUACP 框架還可以應用於哪些其他自動駕駛場景，例如城市交通或高速公路自動駕駛？

除了車輛編隊，MUACP 框架還可以應用於許多其他的自動駕駛場景，展現其在處理多樣化自動駕駛任務方面的潛力。以下列舉 MUACP 框架在城市交通和高速公路自動駕駛場景中的應用：
城市交通：

複雜路口通行： 城市交通環境複雜，路口交通參與者眾多，MUACP 框架可以協助自動駕駛車輛在無交通信號燈控制的路口安全通行。透過感知周圍車輛、行人和自行車等交通參與者的狀態和意圖，預測其未來軌跡，並考慮自身感知、通訊和運動的不確定性，MUACP 框架可以規劃出安全、高效的通行軌跡，避免碰撞風險。
擁堵路段跟車： 在城市擁堵路段，MUACP 框架可以協助自動駕駛車輛安全平穩地跟車行驶。透過感知前方車輛的狀態，預測其加减速行為，並考慮自身控制的不確定性，MUACP 框架可以調整車輛的速度和車距，確保安全舒適的駕駛體驗。
緊急情況避障： 當遇到突發狀況，例如行人突然闖入或前方車輛緊急剎車時，MUACP 框架可以協助自動駕駛車輛快速反應，進行緊急避障。透過感知環境資訊，預測潛在的碰撞風險，並考慮自身控制的極限和不確定性，MUACP 框架可以規劃出安全的避障軌跡，避免事故發生。
高速公路自動駕駛：

車道變換和超車： 在高速公路上，MUACP 框架可以協助自動駕駛車輛安全地進行車道變換和超車。透過感知周圍車輛的速度和位置，預測其未來軌跡，並考慮自身感知和控制的不確定性，MUACP 框架可以規劃出安全的變道和超車軌跡，避免與其他車輛發生碰撞。
匯入和駛出匝道： 高速公路的匯入和駛出匝道區域交通狀況複雜，MUACP 框架可以協助自動駕駛車輛安全平穩地完成匯入和駛出匝道的操作。透過感知周圍車輛的速度和位置，預測其未來軌跡，並考慮自身控制的不確定性，MUACP 框架可以規劃出安全的匯入和駛出匝道軌跡，避免與其他車輛發生碰撞。
總而言之，MUACP 框架具有廣泛的應用前景，可以應用於各種自動駕駛場景，例如城市交通、高速公路自動駕駛、泊車系統和自動物流等。隨著自動駕駛技術的發展，MUACP 框架將在未來的智慧交通系統中發揮越來越重要的作用。