미국 자동차 엔지니어 협회 (SAE) 는 자동운전을 0~5 *** * 의 6 등급으로 나누었다.
레벨 0: 자동화가 없습니다.
자동운전 기능이나 기술 없이 인간 운전자는 자동차의 모든 기능에 대해 절대적인 통제권을 가지고 있다. 운전자는 방향을 돌리고, 속도를 높이고, 브레이크를 밟고, 도로 상황을 관찰할 책임이 있다. 기존의 전방 충돌 경보, 차선 이탈 경보, 자동 와이퍼, 자동 전조등 제어 등 모든 운전 보조 기술. , 지능은 있지만 여전히 차량을 통제할 사람이 필요하기 때문에 여전히 레벨 0 에 속한다.
1 레벨: 운전 보조.
운전자는 여전히 운전안전에 대한 책임을 지고 있지만, 일부 통제권은 시스템 관리자에게 위임할 수 있으며, 일부 기능은 어댑티브 순항 제어 (ACC), 비상제동 보조 (EBA) 및 차선 유지 지원 (LKS) 과 같은 기능을 자동화할 수 있습니다. 1 등급은 단 하나의 기능만을 특징으로 하며 운전자는 자신의 손발을 동시에 제어할 수 없습니다.
레벨 2: 부분 자동화
인간 운전자와 자동차가 통제권을 공유하다. 운전자는 몇 가지 사전 설정된 상황에서 자동차를 조작하지 않을 수 있습니다. 즉, 손발이 동시에 통제를 떠나지만, 운전자는 여전히 대기하고, 운전안전에 대한 책임을 지고, 짧은 시간 내에 운전권을 인수할 준비를 해야 합니다. 예를 들어, ACC 와 LKS 가 형성하는 자동차 기능을 결합합니다. 레벨 2 의 핵심은 두 개 이상의 기능을 가진 것이 아니라 운전자가 더 이상 주요 운영자가 될 수 없다.
레벨 3: 조건부 자동화.
고속 및 덜 혼잡한 도시 세그먼트와 같은 사전 설정된 세그먼트 (예: 고속 및 덜 혼잡한 도시 세그먼트) 와 같은 제한된 상황에서는 자동 제어가 가능합니다. 자동운전은 차량 통제를 전적으로 책임질 수 있지만, 비상시에는 운전자가 어느 시점에서 자동차를 인수해야 하지만, 전방의 도로 업무와 같은 충분한 경보 시간이 있다. (윌리엄 셰익스피어, 템플릿, 자동운전, 자동운전, 자동운전, 자동운전, 자동운전, 자동운전, 자동운전) 레벨 3 은 운전자를 해방시킬 것이다. 즉, 그들은 더 이상 운전안전을 책임지지 않으며, 도로 상황을 감시할 필요도 없다.
레벨 4: 높은 수준의 자동화
자동운전은 폐쇄된 공원, 고속도로, 도시도로, 고정주행 경로 등 일부 도로 상황에서 고도로 자동화될 수 있다. 이러한 제한된 조건 하에서, 인간 운전자는 개입 없이 완성할 수 있다.
레벨 5: 완전 자동화.
주행 환경에 제한이 없어 다양한 복잡한 교통 상황과 도로 환경에 자동으로 대응하여 보조 없이 시작점에서 목적지까지 주행할 수 있다. 시작점과 종점에 대한 정보만 있으면 됩니다. 자동차는 항상 안전을 책임지고 운전자의 개입과는 전혀 무관하며 구체적인 도로의 제한을 받지 않습니다.
주: DDT (동적 운전 태스크): 동적 운전 태스크는 자동차가 도로를 달리는 데 필요한 모든 실시간 운영 및 전략 기능을 의미하며 스케줄, 목적지, 경로 선택 등의 전략 기능은 포함되지 않습니다.
무인 시스템의 핵심은 인식, 계획, 통제의 세 부분으로 요약할 수 있다. 다음 그림은 이러한 횡단구성요소의 상호 작용과 차량 하드웨어 및 기타 차량과의 상호 작용을 보여 줍니다.
인식이란 무인 시스템이 환경에서 정보를 수집하고 관련 지식을 추출하는 능력을 말한다. 여기서 환경 인식은 장애물의 위치, 표지판/표지판 탐지, 행인 및 차량 탐지 및 기타 데이터의 의미 분류와 같은 환경에 대한 이해 능력을 말합니다. 일반적으로 포지셔닝도 인식의 일부이며, 포지셔닝은 무인차가 환경에 대한 자신의 위치를 결정하는 능력이다.
무인 자동차가 환경을 이해하고 파악할 수 있도록 무인 시스템의 환경 인식 부분은 일반적으로 장애물의 위치, 속도 및 가능한 동작, 주행 지역, 교통 규칙 등 주변 환경에 대한 많은 정보를 수집해야 합니다. 무인차는 일반적으로 라이더, 카메라, 밀리미터 웨이브 레이더 등 다양한 센서의 데이터를 융합하여 이 정보를 얻는다.
차량 레이더 센서의 기능과 장단점은 각각 다르며 관련 비교는 다음 표에 나와 있습니다.
라이더는 레이저를 이용하여 거리를 탐지하고 측정하는 장치이다. 초당 수백만 개의 광 펄스를 환경에 전송할 수 있으며 내부는 회전 구조로 되어 있어 라이더가 주변 환경의 3D 지도를 실시간으로 만들 수 있습니다.
일반적으로 라이더는 10Hz 정도의 속도로 주변 환경을 스캔하며, 한 번의 스캔 결과는 밀집된 점으로 구성된 3 차원 지도로, 각 점에는 (X, Y, Z) 정보가 있습니다. 이 그림을 점 구름 이미지라고 합니다. 다음 그림과 같이 VLP-32c 라이더가 작성한 점 구름 지도입니다.
그 신뢰성으로 인해 라이더는 여전히 무인 시스템에서 가장 중요한 센서이다. 그러나 실제 사용에서는 라이더가 완벽하지 않으며, 점 구름은 종종 너무 희박하여 일부 점을 잃을 수도 있습니다. 라이더는 불규칙한 물체 표면의 패턴을 식별하기 어렵다. 또 다른 큰 도전은 라이더의 인식 범위가 비교적 가깝고 평균 인식 범위는 환경과 장애물에 따라 약 150m 이라는 점이다. 라이더는 각도 해상도에서도 카메라보다 훨씬 못하다. 라이더는 환경에도 민감하다. 예를 들어 비가 오는 날에는 차량에 튀는 물이 라이더에서 소음이 난다.
밀리미터 파 레이더는 전자파를 발사하고 에코를 탐지하여 목표의 존재, 거리, 속도 및 방위를 탐지한다. 밀리미터 웨이브 레이더는 기술이 상대적으로 성숙하고, 비용이 저렴하며, 악천후에서 성능이 우수하여 감지 장비의 중요한 부분이 되었다. 그러나 해상도가 낮기 때문에 라이더의 대안이 아니라 라이더의 중요한 보완 장비다.
렌즈와 배열 방법에 따라 단안 카메라, 쌍안 카메라, 쌍안 카메라 및 파노라마 카메라의 네 가지 카메라가 있습니다.
단안 카메라 모듈에는 카메라 하나와 렌즈 하나만 포함되어 있습니다. 이미지 알고리즘에 대한 많은 연구가 단안 카메라를 기반으로 하기 때문에 단안 카메라의 알고리즘 성숙도는 다른 유형의 카메라보다 높다. 그러나 단눈에는 두 가지 선천적 결함이 있다. 첫째, 그것의 시야는 전적으로 렌즈에 달려 있다. 초점 거리가 짧은 렌즈는 시야는 넓지만 원거리 정보는 부족하다. 반대로 달라스가 객석까지 왔기 때문에 단안 카메라는 일반적으로 초점 거리가 적당한 렌즈를 선택한다. 둘째, 단일 시거 정확도가 낮습니다. 카메라의 이미지는 투시도입니다. 즉, 객체가 멀어질수록 이미지가 작아집니다. 근처의 물체는 수백 또는 수천 개의 픽셀로 묘사해야 한다. 멀리 있는 같은 물체는 몇 픽셀만 있으면 묘사할 수 있을 것이다. 이 특성으로 인해 픽셀이 멀어질수록 거리가 커지므로 단목에서 물체가 멀어질수록 거리 측정의 정확도가 낮아집니다.
시선의 단일 결함으로 쌍안 카메라가 생겨났다. 서로 가까이 있는 두 개의 카메라가 하나의 물체를 촬영할 때, 같은 물체가 카메라 이미징 평면에서 픽셀 오프셋을 얻을 수 있다. 픽셀 오프셋, 카메라 초점 거리, 두 카메라 사이의 실제 거리 등의 정보를 이용하여 수학적 변환에 따라 물체의 거리를 얻을 수 있다. 쌍안은 정확도가 높은 거리 측정 결과를 얻을 수 있고 이미지 분할 기능을 제공하지만 단목과 마찬가지로 렌즈의 시야는 전적으로 렌즈에 달려 있다. 또한 쌍안 거리 측정 원리는 두 렌즈의 설치 위치와 거리 요구 사항이 많아 카메라 교정에 문제가 될 수 있습니다.
3 안 카메라는 단안이든 쌍안이든 어느 정도 결함이 있기 때문에 무인운전에 널리 사용되는 카메라 방안은 3 안 카메라다. 단안 카메라는 실제로 세 개의 서로 다른 초점 거리를 가진 단안 카메라로 이루어져 있다. 초점 거리에 따라 카메라마다 감지 범위가 다릅니다. 카메라의 경우 감지 범위는 시야를 잃거나 거리를 잃는다. 세 눈 카메라는 감지 범위의 문제를 보완할 수 있다. 그래서 업계에서 널리 사용되고 있다. 바로 3 안 카메라 각 카메라의 시야가 다르기 때문에 가까운 범위는 넓은 시야 카메라, 중간 범위는 메인 시야 카메라, 먼 범위는 좁은 시야 카메라입니다. 이렇게 하면 모든 카메라가 최대의 장점을 발휘할 수 있다. 세 가지 단점은 세 개의 카메라를 동시에 교정해야 하기 때문에 작업량이 많다는 것이다. 둘째, 소프트웨어 섹션에는 3 개의 카메라에 대한 데이터가 연결되어 있어야 하며 알고리즘에 대한 요구도 높습니다.
카메라를 둘러보고, 앞서 언급한 세 가지 카메라의 렌즈는 모두 물고기가 아닌 눈이고, 카메라를 둘러보는 렌즈는 물고기 안경이고, 설치 위치는 지면을 향하고 있다. 일부 하이파이 모델에는 파노라마 카메라를 사용하는' 360 파노라마 디스플레이' 기능이 있습니다. 차량 앞, 차량 좌우 백미러 아래, 차량 뒤에 설치된 물고기 안경 네 개가 이미지를 수집합니다. 충분히 큰 시야를 얻기 위해 물고기 안경은 심각한 이미지 왜곡을 일으킬 수 있다. 파노라마 카메라의 인식 범위는 크지 않으며, 주로 차체 5 5~ 10/0m 범위 내의 장애물 탐지, 독립적으로 주차할 때 차고선 인식 등에 사용됩니다.
점 구름 정보를 이해하기 위해 일반적으로 점 구름 데이터에 대해 분할과 분류의 두 가지 작업을 수행합니다. 여기서 분할은 점 구름 지도의 개별 점을 여러 전체로 그룹화하는 것이고, 분류는 이러한 전체가 속하는 범주 (예: 보행자, 차량, 장애물) 를 구분하는 것입니다. 분할 알고리즘은 다음 범주로 나눌 수 있습니다.
점 구름 대상 분할이 완료되면 분할된 대상을 올바르게 분류해야 합니다. 이 과정에서는 일반적으로 지원 벡터 머신 (SVM) 과 같은 기계 학습의 분류 알고리즘을 사용하여 클러스터의 특징을 분류합니다. 최근 몇 년 동안 심도 있는 학습의 발전으로 업계는 특별히 설계된 컨볼 루션 신경망 (CNN) 을 사용하여 3 차원 점 구름 클러스터를 분류하기 시작했습니다.
실제 응용 프로그램에서는 피쳐 추출 방법 (SVM 또는 원시 점 구름 방법-CNN) 이 라이더 점 구름 자체의 해상도가 낮기 때문에 점 구름 기반 분류는 보행자와 같이 반사점이 희박한 대상에 대해 신뢰할 수 없습니다. 따라서 실제 응용 프로그램에서는 레이더와 카메라 센서를 통합하여 카메라의 고해상도를 사용하여 대상을 분류하고, 라이더의 신뢰성을 이용하여 장애물을 탐지하고 측정하며, 두 가지의 장점을 결합하여 환경 인식을 완료합니다.
무인 시스템에서는 일반적으로 이미지 비전을 사용하여 도로와 도로의 대상을 탐지합니다. 도로 검사에는 차선 탐지와 주행 가능 영역 탐지가 포함됩니다. 도로 표지판 검사에는 차량 검사, 보행자 검사, 교통 표지 검사 등 모든 교통 참가자에 대한 검사와 분류가 포함됩니다.
차선 탐지는 두 가지 측면을 포함합니다. 첫 번째는 차선 식별이고, 곡선 차선 선의 경우 곡률을 계산할 수 있습니다. 두 번째는 차선에 대한 차량 자체의 편차 (즉, 차선에서의 무인차 자체의 위치) 를 결정하는 것입니다. 한 가지 방법은 모서리 피쳐 (일반적으로 Sobel 연산자와 같은 그라데이션), 차선 선의 색상 특성 등을 포함한 일부 차선 피쳐를 추출하는 것입니다. 다항식을 사용하여 차선이라고 생각하는 픽셀을 맞춘 다음 다항식과 차량에 설치된 카메라의 현재 위치를 기준으로 전방 차선선의 곡률과 차량과 차선의 편차를 결정합니다.
현재 운전 영역을 감지하는 한 가지 방법은 깊이 신경망을 사용하여 직접 장면을 분할하는 것입니다. 즉, 픽셀별 깊이 신경망을 훈련시켜 이미지에서 운전 영역을 자르는 것입니다.
현재 교통 참가자의 탐지와 분류는 주로 심도 있는 학습 모델에 의존하고 있으며, 일반적으로 사용되는 모델에는 두 가지가 있습니다.
센서 계층은 일정한 주파수로 한 프레임씩 다운스트림으로 데이터를 전송하지만 다운스트림은 결정을 내리거나 각 프레임의 데이터와 융합할 수 없습니다. 센서 상태가 100% 유효한 것이 아니기 때문에 특정 프레임의 신호에 따라 전방에 장애물이 있는지 (센서가 잘못 감지될 수 있음) 여부를 판단하는 것은 다운스트림 결정에 대해 매우 무책임합니다. 따라서 상류는 차량 앞의 장애물이 순식간에 지나가는 것이 아니라 시간 차원에서 계속 존재하도록 정보를 미리 처리해야 한다.
스마트 운전 분야에서 자주 사용되는 알고리즘인 칼만 필터를 사용합니다.
칼만 필터는 일련의 불완전하고 소음이 있는 측정치에서 동적 시스템의 상태를 추정할 수 있는 효율적인 재귀 필터 (자동 회귀 필터) 입니다. 칼만 필터는 각 측정이 서로 다른 시점의 값에 따라 서로 다른 시점의 공동 분포를 고려하여 알 수 없는 변수의 추정을 생성하므로 단일 측정만을 기반으로 하는 추정 방법보다 더 정확합니다.
칼만 필터는 기술 분야에서 많은 응용이 있다. 흔히 볼 수 있는 것은 비행기와 우주선의 유도, 내비게이션, 통제이다. 칼만 필터는 신호 처리 및 계량 경제학과 같은 시계열 분석에도 널리 사용됩니다. 칼만 필터는 로봇 모션 계획 및 제어의 중요한 과제 중 하나이며 트랙 최적화에 포함되는 경우도 있습니다. 칼만 필터는 중추 신경계 모션 제어의 모델링에도 사용됩니다. 운동 명령을 제공하고 감각 신경에 대한 피드백을 받는 데는 시간차가 있기 때문에 칼만 필터를 사용하면 운동 시스템의 현재 상태를 추정하고 명령을 업데이트하는 실용적인 시스템을 구축하는 데 도움이 됩니다.
정보 융합이란 동일한 속성을 가진 정보에 대한 올인원 작업을 말합니다.
예를 들어, 카메라가 차량 앞에 장애물이 있는 것을 감지하고, 밀리미터 파동도 차량 앞에 장애물이 있는 것을 감지하고, 라이더도 전방에 장애물이 있는 것을 감지하지만, 실제로 전방에 장애물이 하나밖에 없다면, 우리가 해야 할 일은 멀티센서 아래 이 차량에 대한 정보를 융합하여 하류 전방에 차 한 대가 아니라 차 한 대가 있다는 것을 알려주는 것이다.
좌표 변환은 자동 운전 분야에서 매우 중요합니다.
센서는 초음파 레이더와 같은 여러 곳에 설치되어 있습니다. (차량 오른쪽에 초음파 레이더로부터 3 미터 떨어진 장애물이 있다면, 우리는 장애물이 차량으로부터 3 미터 떨어져 있다고 생각합니까? 반드시 그렇지는 않습니다. 의사 결정 제어 레이어는 차량 모션 계획을 수행할 때 차체 좌표계 (차체 좌표계-일반 뒷축의 중심은 O 점) 에서 수행되므로 모든 센서 정보를 차량 좌표계로 전송해야 합니다. 따라서 인식 레이어가 3m 장애물 위치 정보를 얻은 후에는 이 장의 장애물 위치 정보를 차량 좌표계로 전달하여 의사 결정을 계획하는 데 사용할 수 있어야 합니다. 마찬가지로 카메라는 일반적으로 바람막이 유리 아래에 설치되며 결과 데이터는 카메라 좌표계를 기반으로 합니다. 다운스트림 데이터의 경우 차량 좌표계로 변환해야 합니다.
무인차의 인식 차원에서 포지셔닝의 중요성은 자명하다. 무인차는 환경에 대한 자신의 정확한 위치를 알아야 하는데, 이곳의 위치 오차는 10cm 를 초과할 수 없다. 만약 우리의 무인차 위치 오차가 30cm 라면, 이것은 매우 위험한 무인차 (행인이나 승객의 경우) 가 될 것이다. 무인차의 계획과 집행층은 그것이 30cm 의 오차가 있다는 것을 알지 못하기 때문에, 그들은 여전히 따라간다. 무인차는 고정밀 위치 지정이 필요하다는 것을 알 수 있다.
현재 무인차가 가장 널리 사용하는 위치 지정 방식은 GPS (Global Positioning System) 와 관성 항법 시스템의 융합으로, GPS 의 위치 정확도는 수십 미터에서 몇 센티미터 사이이며, 고정밀 GPS 센서는 상대적으로 비싸다. GPS/IMU 기반 위치 지정 방법, GPS 신호가 누락되고 약한 경우 (예: 지하 주차장, 고층 빌딩으로 둘러싸인 도시 등), 고정밀 위치 지정은 불가능합니다. 일부 장면 아래의 무인 작업에만 적용할 수 있습니다.
지도 보조 위치 지정 알고리즘은 널리 사용되는 또 다른 무인 차량 위치 지정 알고리즘입니다. 동기 위치 지정 및 지도 작성 (SLAM) 은 이러한 알고리즘의 대표입니다. 슬람의 목표는 지도를 작성하면서 이 지도를 이용해 위치를 잡는 것이다. SLAM 은 관찰된 환경 특징을 사용하여 현재 차량 위치 및 현재 관찰된 특징을 결정합니다. 이는 이전 및 현재 관찰을 사용하여 현재 위치를 추정하는 프로세스입니다. 실제로 우리는 일반적으로 칼만 필터, 확장 칼만 필터 및 입자 필터를 포함한 베이지안 필터를 사용합니다. 슬람은 로봇 포지셔닝 분야의 연구 핫스팟이지만 무인차의 실제 개발에 슬램을 사용하는 데는 문제가 있다. 로봇과는 달리 무인차의 운동은 장거리적이고 개방적이다. 장거리 모션에서는 거리가 증가함에 따라 SLAM 위치의 편차가 점차 증가하여 위치 지정이 실패합니다.
실제로 무인차를 찾는 효과적인 방법은 기존 SLAM 에서 스캔 일치 알고리즘을 변경하는 것입니다. 구체적으로, 우리는 더 이상 위치를 지정하면서 지도를 그리는 대신 라이더와 같은 센서를 이용하여 해당 지역의 점 구름 지도를 미리 만들고 절차와 수동 처리를 통해 지도에 "의미" 를 추가합니다 (예: 차선 선의 특정 치수, 네트워크의 위치, 신호등, 현재 세그먼트의 교통 규칙 등). ). 의미론을 담은 이 지도는 바로 우리 무인차의 높이이다. 실제 포지셔닝에서는 현재 라이더 스캔과 미리 제작된 고정밀 지도 일치 점 구름을 사용하여 지도에서 무인차의 정확한 위치를 파악합니다. 이러한 방법을 총체적으로 스캔 일치라고 하며, 가장 일반적인 스캔 일치 방법은 현재 스캔과 대상 스캔 사이의 거리 측정을 기준으로 점 구름 등록을 완료하는 ICP (반복 가장 가까운 점 방법) 입니다.
또한 정규 분포 변환은 점 구름의 피쳐 히스토그램을 기반으로 하는 일반적인 점 구름 등록 방법입니다. 점 구름 등록에 기반한 위치 지정 방법도 10 cm 이내의 위치 지정 정밀도를 달성할 수 있습니다. 점 구름 등록은 지도에 대한 무인 차량의 글로벌 위치를 제공할 수 있지만 미리 제작된 고정밀 지도에 지나치게 의존하므로 오픈 세그먼트에서는 GPS 포지셔닝과 함께 사용해야 합니다. 고속도로와 같이 비교적 간단한 장면 세그먼트에서는 GPS 를 사용하여 점 구름 일치를 추가하는 비용이 상대적으로 높습니다.
확장된 읽기: L4 자동 조종 장치의 인식 시스템 과제 및 솔루션
자동운전의 중요한 부분: 감지 시스템의 발전 현황과 방향.
무인차의 계획 모듈은 임무 계획, 행동 계획, 행동 계획의 세 가지 계층으로 나뉜다. 일반적으로 경로 계획 또는 경로 계획이라고도 하는 작업 계획은 시작점에서 끝점까지의 경로 선택과 같은 최상위 경로 계획을 담당합니다. 우리는 현재의 도로 시스템을 직접 지도 네트워크로 볼 수 있으며, 도로 간의 연결, 교통 규칙, 도로 폭 등의 정보를 나타낼 수 있습니다. 본질적으로 우리가 앞서 언급한 정교한 지도의' 의미' 부분입니다. 이 직접 그래프를 라우팅 네트워크 다이어그램이라고 합니다. 다음 그림과 같습니다.
이러한 네트워크 다이어그램의 각 방향 모서리는 가중치가 부여되므로 무인차의 경로 계획 문제는 차량이 네트워크 다이어그램에서 특정 목표 (일반적으로 A 에서 B 까지) 에 도달하도록 하기 위해 특정 방법에 따라 최적의 경로 (즉, 손실이 가장 적은 경로) 를 선택하는 프로세스로 바뀌고 문제가 직접 그래프 검색 문제가 됩니다. Dijkstra 알고리즘과 같은 전통적인 알고리즘입니다.
행동 계획은 때때로 의사결정자라고 불린다. 그것의 주요 임무는 임무 계획의 목표와 현재 지역 상황 (다른 차량과 보행자의 위치와 행동, 현재 교통규칙 등) 을 근거로 무인차의 다음 단계에서 수행해야 할 결정을 내리는 것이다. ). 이 층은 차량의 부조종사로 이해할 수 있다. 그는 목표와 현재의 교통 상황에 따라 운전자가 추월할지 추월할지, 보행자가 통과하기를 기다리는지, 보행자를 우회하는지 등을 지시했다.
행동 계획의 한 가지 방법은 대량의 동작 구가 포함된 복잡한 유한 상태 기계 (FSM) 를 사용하는 것입니다. 하나의 기본 상태부터 FSM 은 다른 운전 장면에 따라 다른 동작 상태로 점프하고 동작 구를 하위 동작 계획 계층으로 전달합니다. 다음 그림은 간단한 유한 상태 기계입니다.
위 그림과 같이 각 상태는 차량 동작에 대한 결정이며, 상태 사이에는 일정한 점프 조건이 있으며, 일부 상태는 자체 루프 (예: 위 그림의 추적 상태 및 대기 상태) 가 될 수 있습니다. 현재 무인차가 사용하는 주류 행동 결정 방법이지만, 유한 상태 기계는 여전히 큰 한계가 있습니다. 첫째, 복잡한 행동 결정을 위해서는 많은 상태를 수동으로 설계해야 합니다. 차량은 유한 상태 기계가 고려하지 않은 상태에 빠질 수 있습니다. 제한된 상태 기계가 교착 상태 보호를 설계하지 않으면 차량이 어떤 교착 상태에 빠질 수도 있습니다.
어떤 목적을 달성하기 위해 (예: 장애물을 피하기 위해) 일련의 행동을 계획하는 과정을 행동 계획이라고 한다. 일반적으로 행동 계획 알고리즘의 성능을 고려할 때 일반적으로 계산 효율성과 완전성의 두 가지 지표가 사용됩니다. 계산 효율이란 작업 계획을 완료하는 처리 효율성이며, 작업 계획 알고리즘의 계산 효율성은 할당 공간에 크게 좌우됩니다. 행동 계획 알고리즘이 문제가 해결되면 제한된 시간 내에 솔루션을 반환하고, 솔루션이 없을 때 솔루션이 반환되지 않으면 알고리즘이 완전하다고 합니다.
공간 할당: 로봇이 이동할 수 있는 차원을 정의하는 로봇의 가능한 모든 구성 모음을 정의합니다. 가장 간단한 2 차원 이산 문제, 그럼 구조공간은 [x, y] 입니다. 무인차의 구조공간은 사용하는 모션 계획 알고리즘에 따라 복잡할 수 있습니다.
할당 공간에 대한 개념을 도입하면 무인차의 작업 계획이 다음과 같이 변경됩니다. 초기 구성, 대상 구성 및 몇 가지 제약 조건이 주어집니다. 할당 공간에서 대상 구성을 달성하기 위한 일련의 작업을 찾습니다. 이러한 작업의 결과는 제약 조건을 충족하면서 무인 자동차를 초기 구성에서 대상 구성으로 이동하는 것입니다. 무인차의 응용 장면에서 초기 구성은 일반적으로 현재 상태 (현재 위치, 속도, 각속도 등) 입니다. ) 의 무인차, 목표구조는 상층부의 행동계획에서 비롯되며, 제약은 차량의 운동 한계 (최대 각도 폭, 최대 가속도 등) 입니다. ). 분명히 고차원 구조공간의 행동계획 계산량은 매우 크다. 계획 알고리즘의 무결성을 보장하기 위해 거의 모든 가능한 경로를 검색해야 합니다. 이로 인해 연속 동작 계획에서 "차원 재해" 문제가 발생합니다. 현재 행동 계획에서 이 문제를 해결하는 핵심 아이디어는 연속 공간 모델을 개별 모델로 변환하는 것입니다. 구체적인 방법은 조합 계획과 샘플링 기반 계획의 두 가지 범주로 요약할 수 있습니다.
모션 계획의 조합 방법은 근사치를 사용하지 않고 연속적인 구성 공간을 통해 경로를 찾습니다. 이 특성 때문에 정확한 알고리즘이라고 부를 수 있습니다. 결합 방법은 계획 문제의 이산적인 표현을 만들어 완전한 해결책을 찾습니다. 예를 들어, Darpa City Challenge 에서 CMU 의 무인 자동차 BOSS 는 행동 계획 알고리즘을 사용했습니다. 먼저 경로 계획자를 사용하여 역학을 통합하여 수행할 수 있는 대체 경로 및 타겟 점을 생성한 다음 최적화 알고리즘을 통해 최적 경로를 선택합니다. 또 다른 이산화 방법은 메쉬 분해 방법입니다. 구성 공간을 쪽맞춤한 후에는 일반적으로 A* 와 같은 이산식 그래프 검색 알고리즘을 사용하여 최적화 경로를 찾을 수 있습니다.
샘플링 기반 방법은 확률 무결성으로 인해 널리 사용됩니다. 가장 일반적인 알고리즘은 PRM (확률 로드맵), RRT (임의 트리 빠른 활용) 및 FMT (빠른 경로 트리) 입니다. 무인차의 응용 프로그램에서 상태 샘플링 방법은 두 상태의 제어 제약 조건을 고려해야 하며 샘플링 상태와 상위 상태가 도달 가능한지 여부를 효과적으로 쿼리할 수 있는 방법이 필요합니다.
자동차를 자동으로 운전하는 차량 제어 기술은 환경 인식 기술에 기반한 의사 결정에 따라 목표 궤적을 계획하도록 설계되었습니다. 세로 방향 및 가로 방향 제어 시스템의 협력을 통해 자동차가 추적 목표 궤적을 정확하고 안정적으로 따를 수 있으며, 자동차는 주행 중 속도 조절, 거리 유지, 차선 변경, 추월 등의 기본 작업을 수행할 수 있습니다.
인터넷 테크놀로지사는 주로 소프트웨어를 만들며, 주로 공사기 상층에 있다. 사실, 자동차 공장은 주로 다음 층의 조립 위주이다. 즉, 스티커 생산이라 자동차에 익숙하지 않다. 제동, 액셀러레이터, 전향 등 분야에서는 발언권이 여전히 박세, 중국 등 Tier 1 에 집중되어 있다.
자동운전제어의 핵심 기술은 차량의 세로방향 제어와 가로방향 제어 기술이다. 종 방향 제어, 즉 차량의 구동 및 제동 제어; 측면 제어, 즉 스티어링 휠 각도 조정 및 타이어 힘 제어. 주어진 목표와 제약에 따라 차량 운행을 자동으로 제어할 수 있는 세로 및 가로 방향의 자동 제어가 구현되었습니다. 그래서 자동차 자체에서, 자동운전은 종합적인 수직과 수평제어이다.
차량의 세로 방향 제어는 주행 속도 방향의 제어입니다. 즉, 차량 속도와 차량과 앞뒤 차량 또는 장애물 사이의 거리를 자동으로 제어합니다. 순항 제어와 비상 제동 제어는 모두 자동운전의 전형적인 수직제어 사례이다. 이러한 제어 문제는 모터 구동, 엔진, 변속기 및 제동 시스템의 제어로 귀결될 수 있습니다. 다양한 모터-엔진-변속기 모델, 자동차 주행 모델 및 제동 프로세스 모델은 다양한 컨트롤러 알고리즘과 결합되어 일반적인 구조에 표시된 대로 다양한 세로 제어 모드를 형성합니다.
또한 타이어 힘에 대한 슬립 속도 제어는 세로 안정성 제어의 핵심 부분입니다. 슬립률 제어 시스템은 바퀴 슬립률을 제어하여 차량의 세로 방향 동적 특성을 조절하여 차량이 과도하게 미끄러지거나 제동이 걸리지 않도록 방지하여 차량의 안정성과 조작 성능을 향상시킵니다. 안티 록 브레이크 시스템 (ABS) 은 제동시 브레이크의 제동력을 자동으로 제어하여 바퀴가 안기지 않고 롤 슬라이딩 상태 (20% 정도 미끄러짐) 에 있도록 하여 바닥이 바퀴에 최대 제동력을 제공할 수 있도록 합니다. 일부 스마트 슬립 속도 제어 전략은 충분한 환경 인식 정보를 활용하여 도로 환경에 따라 변하는 바퀴에 대한 최대 슬립 속도 조절기를 설계하여 타이어 힘 효과를 높입니다.
퍼지 제어, 신경망 제어, 롤링 기간 최적화 제어 등의 지능형 제어 전략 세로 방향 제어에서도 광범위한 연구와 응용을 받았고, 좋은 결과를 얻었으며, 가장 효과적인 방법으로 여겨진다.
PID 제어 및 피드 포워드 개방 루프 제어와 같은 기존 제어 방법은 일반적으로 엔진과 자동차 모션 프로세스의 대략적인 선형 모델을 구축하여 컨트롤러를 설계합니다. 이 방법은 모델에 대한 의존도가 높고, 모델 오차가 크고, 정확도와 적응성이 떨어지는 컨트롤을 구현합니다. 현재의 논문과 연구 프로젝트로 볼 때 모터-엔진-전동계, 제동 과정, 자동차 운동의 단순하고 정확한 모델, 무작위 교란에 대한 노봉성과 자동차 성능 변화에 적응하는 컨트롤러를 찾는 것이 연구의 주요 내용으로 남아 있다.
차량 측면 컨트롤은 이동 방향에 수직인 컨트롤이며, 이는 자동차의 스티어링 컨트롤이기도 합니다. 목표는 자동차가 자동으로 원하는 주행 경로를 유지하고, 속도, 하중, 바람 저항, 도로 상태가 다른 경우 좋은 승차감과 안정성을 갖는 것입니다.
자동차의 측면 제어를 위한 기본 설계 방법에는 두 가지가 있습니다. 하나는 운전자 시뮬레이션을 기반으로 합니다. 두 번째는 자동차의 측면 운동 역학 모델을 제어하는 방법을 제공하는 것이다. 운전자 시뮬레이션을 기반으로 하는 한 가지 전략은 간단한 운동 역학 모델과 운전자 조작 규칙을 사용하여 컨트롤러를 설계하는 것입니다. 또 다른 전략은 운전자 조작 과정의 데이터 훈련 컨트롤러로 제어 알고리즘을 얻는 것이다. 운동 역학 모델을 기반으로 하는 방법은 더욱 정확한 자동차 측면 운동 모델을 구축해야 한다. 전형적인 모델은 소위 모노레일 모델 또는 자전거 모델입니다. 즉, 자동차의 왼쪽과 오른쪽 특성이 동일합니다. 측면 제어 시스템의 기본 구조는 다음과 같습니다. 제어 목표는 일반적으로 자동차 중심과 도로 중심선 사이의 편차이며 편안함 등의 지표에도 구속되어 있습니다.