德国乌尔姆大学的研究人员最近开发了一种新的框架,可以帮助使自动驾驶汽车在城市和高度动态环境中更安全。该框架在arXiv上预先发布的一篇论文中提出,旨在实时识别车辆周围的潜在威胁。
该团队的论文建立在他们之前的一项研究的基础上,该研究在今年早些时候的《IEEE智能汽车交易》中发表。之前的工作旨在为自动驾驶车辆提供态势感知环境感知能力,从而使其在复杂和动态未知环境中更具响应能力。
“我们工作背后的核心思想是仅将感知资源分配给自动化车辆周围与其当前情况(例如,其当前驾驶任务)相关的区域,而不是简单的360掳 进行这项研究的研究人员之一马蒂·海宁告诉TechXplore:“通过这种方式,可以节省计算资源,提高自动化车辆的效率。”
当自动化车辆的感知范围有限时,其安全性可能会显著下降。例如,如果车辆仅认为其周围的特定区域“相关”,则可能无法检测到其他区域中的潜在威胁对象。如果支持车辆功能的算法编程为仅考虑和处理道路的特定区域,则可能发生这种情况。
“这就是我们的威胁区域识别方法发挥作用的地方:在感知的早期阶段,可能对应于潜在威胁的区域被标记为相关区域,以便可以可靠地感知这些区域内的物体,并根据其实际碰撞/威胁风险进行评估,”Henning解释道。“因此,我们的工作旨在设计一种完全基于在线信息的方法,即没有先验信息,例如以地图的形式,以识别可能对应于威胁的区域,因此可以将其作为感知的要求转发。”
为了大规模应用,研究人员的框架应该尽可能轻。换句话说,它不需要大量的计算资源来持续扫描环境中的威胁。
Henning和他的同事提出的方法非常简单,因为它只需要执行有限数量的计算。此外,它的适应性很强,因此可以针对特定用例或车辆进行定制。
从本质上讲,该框架捕获了环境的无模型表示,其中包括车辆周围所有移动对象的速度估计。这意味着,与其他方法相比,它不依赖于有限的、先前划定的相关区域地图。
“具体来说,我们利用笛卡尔动态占用网格图(DOGMa),它为光栅化环境的每个单元提供速度估计,”Henning说。“由此,我们使用标准聚类算法来识别速度相似的足够大的细胞簇(该方法改编自Gies等人的研究),然后评估假设已识别的簇的速度恒定,这些簇是否会在设定的预测范围内与自动车辆的运动相交。”
如果团队聚类算法识别的移动细胞簇与车辆的运动相交,则可能发生与相应对象的碰撞。为了避免这种情况,团队的模型将集群的位置标记为应处理的相关区域,以便车辆能够感知其中的物体,并调整其速度或方向以避免事故。
Henning及其同事创建的框架与过去引入的其他威胁识别方法之间的关键区别在于,它试图尽早识别威胁。他们的方法首先识别包含移动对象的区域,然后使用他们之前工作中介绍的技术将计算资源分配给这些区域。
这使车辆能够在移动物体和潜在威胁位于其附近之前检测其位置。一旦识别出这些物体,威胁评估模块将评估与这些物体碰撞的风险,规划人员将描述避免这些碰撞的行动。该团队的论文只关注treat识别模型,因为威胁评估系统和规划器超出了他们论文的范围。
“我们的工作是在将资源分配给部分perception数据而不是整个360的背景下进行的掳 “视野,”海宁说,“我们概述了(非常明显的)保持对环境作出反应的能力的重要性,而不局限于先验知识。在这种情况下,我们已经证明,已经简单且轻量级的实现可以显著提高对潜在碰撞威胁的可能反应时间。”
Henning和他的同事在一系列模拟中评估了他们的框架,发现它可以改善自动驾驶车辆在不同关键场景中的操作。其中包括另一个交通参与者以不同方式接近车辆车道的场景。
“我们得出的结论是,安全不一定与有史以来的360度掳 “多模式感知系统,”Henning说。“相反,安全也可以通过一个高效的感知系统来实现,该系统以智能方式适应,并基于上下文知识以及在线信息(甚至可能是其他信息源)来适应自动化代理的情况。”
新框架最终可以在现实环境中实施和测试,以提高自动驾驶车辆在动态环境中行驶的安全性。与此同时,亨宁和他的同事计划继续研究他们的方法,同时也设计出新的模型来增强自动和半自动驾驶。
“未来,我们的目标是通过引入态势感知方法,实现高效和安全感知,”Henning补充道。“早期威胁区域识别只是此类系统所需的组件之一,还有几个挑战有待解决。”
漏 2022年科学X网络