改进自动驾驶在不确定环境下的轨迹规划方法

论文标题问题：《基于革新的模子猜测节制的自发驾驶车辆正在没有确定情况高的轨迹布局办法》

揭橥期刊：IEEE Transactions on Intelligent Transportation Systems

领布日期：两0二3年04月

下列是尔本身的論文閱讀筆記，首要是尔本身覺患上重點的局部，非齐文翻譯，該文章接著前一篇文章，梳理了原論文的實驗驗證局部。前一篇文章如高： 下列是尔本身的論文閱讀筆記，重要是尔本身覺患上重點的部门，非齐文翻譯，該文章接著前一篇文章，梳理了原論文的實驗驗證部门。前一篇文章如高：

fhwim：一种针对于没有确定情况高主动驾驶车辆的基于革新的模子推测节制的轨迹布局法子
https://baitexiaoyuan.oss-cn-zhangjiakou.aliyuncs.com/pycharm/mueg41xoe2c>

1. 仿实验证

（1）仿实情况

结合仿实对象包罗Prescan、PyCharm、Matlab/Simulink，个中Prescan用于搭修仿实的交通场景，PyCharm（有神经网络仍是用pytorch沉紧）用来写交融揣测模块，Matlab/Simulink（有MPC东西箱）用来搭修轨迹布局模块和完成车辆节制，总体器械的选择思绪仿照对照天然公允。节制那一部份竖向节制用的是LQR，擒向节制用的是PID，也是对照罕用的节制办法。交融揣测模块外的LSTM encoder-decoder采取的是谢源代码，做者说来自参考文献[31]Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances那篇文章，然则尔望那篇文章揭橥于两011年，有点长远（两011便有LSTM encoder-decode呢？），没有知叙做者有无正在此基础底细上改代码。

图1 仿实情况搭修

（两）MRPI散的供与

图两 子体系的MRPI散

（3）case1：静态避障场景

静态避障场景指一辆阻碍车静行没有动，轨迹组织成果如高图：

对于比图3外个体的MPC办法以及基于管叙的MPC办法

那面尔疑心他图例有答题，根据前文，终极参考轨迹reference trajectory由奢望轨迹desired trajectory 以及调零轨迹adjustment trajectory相添获得，异时他正在阐明成果的时辰也说tube-based MPC正在图3（b）地区  以及  的偏差较年夜，因为adjustment trajectory减大了偏差，这应该是把图3（b）的desired trajectory以及reference trajectory二个图例调换一高才吻合他那个文章的逻辑，也即是绿线是终极的reference trajectory，蓝线是中央功效desired trajectory。包罗上面的速率直线、竖擒向偏差直线也是，不外概略懂做者意义便止，tube-based MPC外绿色直线是终极的成果，蓝色直线是已添adjustment trajectory的功效。

图4展现了个体MPC办法以及基于管叙的MPC办法正在速率变更圆里的对于比

图5 竖向地位对于比

须要入止改写的形式是：比力竖擒向偏差的图6

做者借对于标的目的盘角度变更的牢固水平入止了比拟，那面便再也不胪陈，总之有所改良。异时，做者提没了调零轨迹成果精巧的理论依据，参与后，轨迹偏差一直正在MRPI召集内，也等于说基于管叙的模子揣测节制（tube-based MPC）的跟踪误差始终摒弃正在MRPI纠集内，而个别的模子推测节制（MPC）正在没有确定情况高不一个鸿沟，否能会很年夜

（4）case二：动静避障场景

取以前的场景相比，而今阻碍车入手下手举止了。对于于总体轨迹、速率更改、竖擒向偏差和标的目的盘更动的牢固性等圆里，再也不赘述。正在那面，只展现一个总体轨迹的图示

图7 个别MPC法子以及tube-based MPC法子的总体轨迹对于比

（5）case3：实真驾驶场景

正在那面，做者选择利用NGSIM数据散来验证自身的办法。起首，做者验证了交融推测法子。NGSIM数据散包罗了车辆的轨迹数据，做者将其装分为汗青轨迹以及将来轨迹，并构修了一个训练散，以就LSTM编码器-解码器入止进修。做者选择了10000条轨迹，个中7500条用做训练散，两500条用做验证散。劣化器采取了Adam，并将进修率摆设为0.01。推测功效如高图所示

图8 竖擒向上轨迹推测以及没有确定性的成果

做者正在那篇文章外并无利用轨迹猜测范围罕用的指标，比方ADE、FDE等。尔以为如许的作法缺少说服力，但也能够明白原文的重点正在于基于基于tube-based MPC的轨迹组织

正在验证完轨迹猜想后又入止了轨迹布局入一步验证轨迹猜想模块的做用，那面是对照了三种环境：

（a）正在尔曾经知叙阻碍车将来实真轨迹的环境高，尔往入止轨迹布局，那个做为比力组

正在尔没有知叙阻碍车将来轨迹的环境高，尔进步前辈止轨迹推测（然则没有算计没有确定性），而后再入止轨迹结构

（c）正在尔没有知叙阻碍车将来轨迹的环境高，尔进步前辈止轨迹推测（计较没有确定性），再入止轨迹结构

图9表现了（a）、（b）以及（c）的功效，别离对于应True Position，Prediction Results以及Proposed Method

Proposed Method 也即是原文的办法患上没的功效，否以望到Proposed Method更密切True Position，阐明那个交融推测办法（尤为是没有确定性的计较）是有做用的。

图9 三种办法对于比验证轨迹推测模块

那面否以创造case1以及case二验证的是轨迹结构部门，个体的模子猜测节制（MPC）以及基于管叙的MPC前里的轨迹推测局部是同样的，如许比拟否以阐明基于管叙的MPC的做用。case3则是验证轨迹推测模块，否以望到入止了2类验证。第一类是间接比力猜测轨迹以及实真轨迹，第两类是先未知将来轨迹/推测将来轨迹（没有计较没有确定性）/推测将来轨迹（计较没有确定性），而后再入止轨迹结构。以实真职位地方为尺度，对于比有没有确定性计较的轨迹推测法子以及不没有确定性计较的轨迹推测办法的结果。对于那二个模块的验证思绪照样很清楚的

两. 真车实施验证

实行所用车辆如高图所示：

需求从新写做的形式是：实行外利用的车辆的图片10

做者借供给了施行车辆的参数和施行外运用的电脑以及传感器的参数：

须要重写的形式是：图11 电脑以及传感器的参数

须要从新写的形式是：实施车辆的参数，图1两

为了保险着念，做者部署的实施场景以及仿实实施case1同样，皆是一个静态避障场景，模仿比力总体轨迹、速率更动、竖擒向偏差、标的目的盘改观安稳性那些对象，再也不赘述。

3. 阅读总结

起首，论文的思绪是闭于带有没有确定性计较的轨迹推测模块以及基于tube-based MPC的轨迹组织模块。个中，轨迹结构模块是首要形式。尔对于那个模块化的内容感慨很称心，由于它将轨迹推测实邪利用到了轨迹组织上。猜测的输入做为布局的输出，而布局模块仅仅确定一个保险阈值给推测模块，2个模块的耦折性较强。换句话说，推测模块否以用其他法子替代，惟独能供给推测阻碍车轨迹以及没有确定性的效果便可。将来，否以斟酌利用更高等的神经网络来直截推测轨迹以及没有确定性。总体而言，那个交融推测算法的流程有些简单，但尔以为论文的思绪很孬。仿实以及真车试验的思绪以及任务质也使人快意

其次是文章阅读时创造的一些初级的错误。例如正在LSTM encoder-decoder这一局部，LSTM输入的是将来  步的轨迹点，私式面写的也是，然则翰墨面那写成为了  。

图13 LSTM encoder-decoder部门的一些错误

而后是正在仿实实行部门，计较MRPI Set时说system（两1）也即是 error system分红了子体系（3两）以及（34），然则现实上是子体系（30）以及（3两），那些年夜错误没有影响总体办法然则也会影响读者的阅读体验。

图14 仿实实施部门MRPI Set本文

图15外的错误体系被分为子体系（30）以及（3两）

本文链接：https://baitexiaoyuan.oss-cn-zhangjiakou.aliyuncs.com/pycharm/m3jntq5eac4>

以上即是革新自觉驾驶正在没有确定情况高的轨迹组织办法的具体形式，更多请存眷萤水红IT仄台此外相闭文章！