详情

原文传递 A Collision Avoidance System Based on VANET and Long--term Vehicle Awareness

论文题名：	A Collision Avoidance System Based on VANET and Long--term Vehicle Awareness
关键词：	自动驾驶;轨迹预测;威胁评估;避碰策略
摘要：	自动驾驶的发展在近些年来一直稳步进行，每年都有新的相当数量的自动驾驶方面的研究，这个大领域内论文发表数量远远超出了十年前。除了各大公司正在积极的布局自动驾驶的版图，越来越多的研究者正在投身于自动驾驶领域的各个方向当中，不难发现，自动驾驶的发展带动了对汽车，道路，行人，协同设施等以及这些部分之间相互关系的研究。　　在自动驾驶这个领域内，自动驾驶的安全问题一直是大家所关心的问题之一，而在安全问题这个大命题中，除了有行人的安全，如何去最大限度地保障行车安全也是一个重要的研究方向。通过一些研究表明，只要发生在公路上的，大多数交通事故都是由于汽车之间的碰撞引起的。汽车之间的碰撞代表着车与车之间发生了物理意义上的接触，这种接触的强弱程度也代表了财产损失的多寡。避免碰撞既能保障财产，又能保障驾驶者的人身安全，所以如何更好地去避免自动驾驶的汽车间的碰撞是一个有价值的课题。　　目前自动驾驶领域里如何进行碰撞避免，已经有很多的解决方案了，这些方案基本都是由两部分组成，一个是威胁评估，一个是决策。威胁评估有各种方法，例如检测碰撞的发生可以直接通过空间域，时间域来进行，或者使用概率的方法把每种可能性都计算出来，而决策则涉及到如何去应对检测到的威胁。本文的核心是进行威胁评估，一种很好的方法就是使用轨迹预测来提前侦测到碰撞的发生。提前侦测到碰撞，那就能进行相应的评估，从而做出相应的决策。　　轨迹预测的技术主要分为两种，一种是基于模型方面的预测，另一种是加入了对驾驶者意图的识别和预测，两种各有优劣。基于模型方面的预测在短时间的预测相当有效，而根据意图的识别和预测则在更长的预测时间里有更高的准确率。无论是基于模型还是根据驾驶者意图，其实都要关注预测的时间点，不同的预测时间点会带来不同的碰撞避免决策。　　现在很多研究着重于用传感器去感知其他车辆，这样的预测一般被称作短时预测(0-2秒)。但是对于碰撞而言，短时预测的时间太短了，更长的预测时间确保了汽车有更多的反应时间来做出决策。所以一些研究者在进行长时预测的研究。如果仍旧使用传统传感器，例如相机，雷达，来进行长时预测，那么很有可能因为一些障碍物的遮挡而导致失去对被遮挡车辆的感知，这种情况发生在安全系统里可能有致命的风险。为了避免这些盲点的影响，其实用汽车到汽车(V2V)的通信来感知汽车是一个很好的方法。而在汽车领域，早就有车辆自组网(VANET)作为汽车间的通信手段，使用VANET，我们就能进行远距离的汽车感知了。　　本研究提出了一套碰撞避免的系统流程，在这个流程中主要由两个大的板块构成，一个是3秒钟的长时轨迹预测，一个是碰撞检测及碰撞避免的策略。该流程中两个板块的衔接主要通过VANET无线V2V通信来进行。在这个系统中，每一个处在网络中的车辆单元，都同时运转两个板块，在接收GPS信号时同时汇集车内网络中含有的速度，加速度等信号进行3s的长时轨迹预测，第二是接收别的车辆的长时轨迹预测的结果，结合自己长时轨迹预测的结果来进行碰撞检测。最后会根据碰撞检测的结果来提出一个碰撞避免的策略，这个策略会以声音的形式提醒驾驶者来进行相应的操作。　　在车辆长时轨迹预测的部分，本研究首先设定了一个车辆稳态的检测子系统。正常行驶在路上的车辆，驾驶员的行为很少在短时间3秒内有剧烈的变化，根据研究表明，绝大部分的车辆轨迹都可以归结为四种运动模型匀速模型，匀变速模型，匀速转弯模型和匀变速转弯模型(CTRA)，车辆稳态的这种检测子系统是为了过滤掉无法贴合运动模型的极端情况。基于这个想法，在过滤后的车辆状态，基本都是可以近似为运动模型的状态。本研究使用了一种最贴近汽车真实运动的模型CTRA来对过滤后的车辆状态进行3秒的轨迹预测。但是不得不说，车辆在道路上的运动是高度动态的，尤其是在经过复杂路况的时候，因此，3秒后的估计是不那么可靠的，在本文中我们做了一些相应的努力试图使结果更为可靠一点。　　在预测部分，我们深入讨论了关于如何使预测更准确。加速度的预测是整个预测环境中最为核心的一环，因为在绝大部分时间内，加速度的变化都是线性的，这种线性的变化使得加速度的预估变得简单。但是如果仅使用运动模型的预测，加速度的结果不是那么准确的，因为我们恰好有第四个点位的观测值，所以利用观测值来对预测的加速度进行校正，将预测趋势往真实的结果靠拢，无疑会得到更好的预测结果，而这种方法被称为卡尔曼滤波器。使用了卡尔曼滤波器后，我们得到了比使用单纯运动模型更好的预测结果。　　在碰撞检测的部分，本研究首先使用了一个时钟同步算法来校准VANET网络中所有车辆单元的时间，校准到同一时间能有效减少碰撞检测中的误差。然后根据进行碰撞检测计算的这个车辆的预测结果，并且结合当下的速度，来围绕预测地点建立碰撞可能产生的区域。在最后的结果表明，长时预测的误差精度是跟建立的碰撞可能区域的大小是近似的，说明了这个区域建立的必要性和可靠性。在收到从VANET传来的其他车辆的未来位置信息的时候，就可以进行碰撞检测，去检验其他车辆的未来位置信息是否在碰撞可能产生的区域内。在检测到碰撞之后，本文提出了一种通过计算合作的总时间收益来提供行驶策略以避免碰撞。这种策略的核心思路是追求碰撞双方总体时间收益最大化。　　在实验过程当中，在预测部分我们使用了两种不同类型的数据环境来进行模拟实验，一种是Matlab模拟实验，一种是真实的开源数据集，在两种环境当中长时轨迹预测算法都有成功地被执行。使用Matlab模拟环境的主要目的是展现预测算法的运行步骤和更直观的结果展示，而使用真实的开源数据集则是为了统计预测的成功率和准确率。去除掉数据集中本来就有的误差轨迹点，每一个阶段长时轨迹预测都有被按照算法执行。而在准确率方面，也是超过了百分之九十五，这个结果也说明了预测算法的有效性。在碰撞实验中，四辆车的轨迹被设计与原始轨迹汇合来检测碰撞，在模拟当中每一次碰撞都有成功被算法检测出来，并且每一次成功检测后都严格按照算法提前3秒向汽车发送预警信息和如何避免碰撞的行驶策略。　　最后对模拟结果进行了比较，在这个部分中，我们设计了一个新的模拟环境被用作对不同算法的比较。在这个模拟环境中，我们设置了不同形状的轨迹来挑战算法的准确度，这些轨迹包含直线路段，转弯路段和环岛路段。我们用同一个模拟环境对每一个算法进行测试，平均误差相差了接近3倍，而在弯道预测和直线道路预测的部分，我们的算法也是有更精准的预测结果。
作者：	Wenfei Cao
专业：	Master of Engineering
导师：	Yann Berquin
授予学位：	硕士
授予学位单位：	华中师范大学
学位年度：	2022