В этой статье мы продолжим анализ основных технологий, задействованных в автономном вождении, для всех. Содержание предыдущего «Восприятия» можно просмотреть в оригинальном историческом тексте:
2. Принятие решений
В относительно зрелой системе технологий автономного вождения, если сравнить модуль восприятия окружающей среды с человеческими глазами и ушами, то модуль планирования решений эквивалентен мозгу автономного транспортного средства.
При принятии решений и планировании беспилотные автомобили будут получать информацию о топологии дороги, информацию о трафике в реальном времени, информацию о препятствиях (участниках дорожного движения) и информацию о состоянии самого основного транспортного средства из модуля восприятия окружающей среды.
Объединяя вышеуказанную информацию, система планирования принятия решений проанализирует текущую среду и затем выдаст инструкции соответствующему модулю выполнения контроля.Этот процесс является основной задачей модуля планирования принятия решений.
Схема архитектуры автономного транспортного средства (источник изображения: см. Ссылку 3)
Другими словами, принятие поведенческих решений и планирование пути автономных транспортных средств относятся к планированию заданного количества альтернативных безопасных маршрутов на основе восприятия окружающей среды и выходной информации подсистемы навигации с учетом некоторых конкретных ограничений и выбора оптимального пути в качестве транспортного средства для движения. Процесс траектории.
В этой статье будет подробно представлена система технической структуры, технические методы, основные алгоритмы и микросхемы модуля планирования принятия решений при автономном вождении.
Ξ 1. Система технической структуры
Систему общей технической структуры в области принятия решений и планирования автономного вождения можно разделить на иерархическую, реактивную и гибридную.
1) Многоуровневая иерархическая архитектура
Иерархическая формула может быть понята как последовательное расположение, каждый модуль системы автопилота упорядочен по прямой линии, модуль обработки контента перейдет непосредственно к следующему этапу, как показано ниже:
Иерархическая формула Преимущество модуля заключается в том, что порядок каждого модуля ясен, а прогрессивная структура каждого модуля постепенно сокращает объем работы, выполняемой каждым модулем, а точность обработки проблем постепенно увеличивается, что упрощает достижение интеллектуального управления высокого уровня.
Однако есть некоторые проблемы с иерархической структурой. Прежде всего, иерархическая структура должна вызывать информацию с датчиков в режиме реального времени, что требует более высоких требований к датчикам. Вдобавок в иерархической структуре, от восприятия окружающей среды до контроля исполнения, есть определенная задержка посередине, которой не хватает реального времени и гибкости.
Наконец, иерархическая структура рядов имеет проблему низкой надежности. В средней школе по физике каждый знакомился с последовательными и параллельными цепями. По сравнению с параллельным режимом, самая большая проблема последовательного режима заключается в том, что ни одна из частей всей системы не может иметь проблем, иначе это повлияет на канал передачи информационного потока и потока управления, и вся система будет в состоянии коллапса в любой момент.
2) Реактивная структура системы
Самая большая разница между реактивной архитектурой и иерархической архитектурой заключается в том, что реактивная архитектура использует параллельную структуру, как показано на следующем рисунке:
В реактивной архитектуре содержимое модуля планирования решений организовано в параллельном режиме, и среда знает Контент будет одновременно передан в несколько модулей планирования принятия решений, которые могут выделить характеристики «восприятие-действие» и легко адаптироваться к совершенно незнакомой среде.
По сравнению с иерархической структурой системы, система реактивной структуры занимает меньше места для хранения, имеет быструю реакцию и высокую производительность в реальном времени. В то же время параллельная структура улучшает стабильность общей структуры, и отказ одного уровня контента в модуле планирования принятия решений не повлияет на нормальную работу других уровней. Однако это также увеличивает сложность всей работы системы и требует поддержки более высоких уровней интеллектуальной технологии.
3) Гибридная архитектура двух
Из-за наличия определенных проблем как в иерархической, так и в реактивной архитектурах единая система не может удовлетворить фактические потребности автоматизированного вождения для обработки сложных и изменчивых сценариев, поэтому гибридной архитектуре уделяется все больше и больше внимания.
Гибридная архитектура сочетает в себе преимущества обоих. Глобальное планирование и локальное планирование применимы к различным архитектурам, что делает автономные транспортные средства более адаптируемыми к сложным и меняющимся реальным дорожным условиям.
Ξ 2. Технический метод
В зависимости от степени владения информацией об окружающей среде планирование пути автономного вождения можно разделить на планирование глобального пути и планирование локального пути.
1) Глобальное планирование пути
Планирование глобального пути также можно назвать планированием задач вождения.Основное содержание - планирование диапазона пути.
Глобальное планирование пути позволит спланировать идеальный путь для автономных транспортных средств в известной среде.Точность планирования пути зависит от точности информации, полученной модулем восприятия окружающей среды. Это своего рода предварительное планирование, похожее на функцию «навигации», обычно используемую в нашей повседневной жизни: введите место отправления и пункт назначения, и приложение автоматически спланирует оптимальный маршрут.
Следует отметить, что планирование глобального пути требует заблаговременной точной информации об окружающей среде, поэтому при изменении среды результаты планирования могут оказаться недействительными.
В настоящее время широко используемые алгоритмы глобального планирования пути включают алгоритмы Дейкстры и A *, а также их улучшенные версии.
Алгоритм Дейкстры (кратчайший путь из одного источника) был предложен ученым Эдсгером В. Дейкстрой в 1956 году и в основном используется для решения проблемы поиска кратчайшего пути между узлами графа.
Процесс работы алгоритма Дейкстры
Преимущество этого алгоритма в том, что данный путь является оптимальным, но недостаток также очевиден, то есть вычислительная сложность высока, потому что он исследует окрестности и нет четкого направления.
Алгоритм A * был опубликован в 1968 году Питером Хартом, Нильсом Нильссоном и Бертрамом Рафаэлем из Стэнфордского исследовательского института и считается расширением алгоритма Дейкстры.
Суть этого алгоритма - поиск в ширину, который может найти целевой узел в кратчайшие сроки путем добавления условного управления на основе поиска в ширину. Формула выражается как: f (n) = g (n) + h (n), f (n) - это функция оценки от начальной точки через весовой узел n до целевой точки, а g (n) - это значение из начальной точки в пространстве состояний. Фактическая стоимость от узла до узла n, h (n) - это оценочная стоимость наилучшего пути от n до целевого узла.
2) Планирование локального пути
Планирование локального пути также можно назвать планированием пути в реальном времени. В среде с препятствиями беспилотные автомобили будут использовать свои собственные датчики для восприятия окружающей среды в режиме реального времени, поиска оптимального локального маршрута движения, предотвращения столкновений и поддержания безопасного расстояния.
Преимущество локального планирования пути заключается в том, что оно может получать обратную связь и корректировать результаты планирования в режиме реального времени, гарантируя, что автономное транспортное средство всегда находится на оптимальном пути движения. Недостатком является отсутствие информации о глобальной среде, и может случиться так, что правильный или полный путь не может быть найден.
В общем, нет существенной разницы между глобальным планированием маршрута и планированием локального маршрута. Они работают вместе, и автономные транспортные средства могут лучше спланировать оптимальный путь.
Ξ 3. Алгоритмы и микросхемы
В настоящее время в автономных транспортных средствах обычно используются три типа алгоритмов принятия решений о поведении:
1) На основе нейронных сетей: система принятия решений автономных транспортных средств в основном использует нейронные сети для определения конкретных сценариев и принятия соответствующих поведенческих решений.
2) На основе правил: инженеры придумывают все возможные комбинации «правил если-то», а затем используют основанные на правилах технические маршруты для программирования системы принятия решений в автомобиле.
3) Гибридный маршрут: объединение двух вышеупомянутых методов принятия решений, оптимизированных централизованной нейронной сетью и усовершенствованных «правилами если-то». Гибридный маршрут - самый популярный технический маршрут.
В области микросхем существует два основных типа обычно используемых микросхем для автопилота: один - это автомобильная вычислительная платформа серии Mobileye® EyeQX ™, разработанная Intel-Mobileye, а другой - автомобильная вычислительная платформа серии NVIDIA Drive PX, предоставляемая NVIDIA.
Mobileye была основана в 1999 году с основной целью разработки и продвижения систем визуальной помощи на транспорте. Он был приобретен корпорацией Intel в 2017 году и использовался в качестве основы своей стратегии исследований и разработок в области технологий автономного вождения.
В качестве примера возьмем новейший чип Mobileye EyeQ5. Производительность EyeQ5 достигает 12 Тера / сек, и он может поддерживать до 20 внешних датчиков (камеру, радар или лидар).
Кроме того, EyeQ5 имеет разнородный, полностью программируемый ускоритель. Все четыре типа ускорителей, встроенных в чип, оптимизированы алгоритмически, что больше способствует реализации «слияния сенсоров».
Платформа NVIDIA DRIVE - это платформа искусственного интеллекта, запущенная NVIDIA для автономного вождения. Он сочетает в себе глубокое обучение, объединение датчиков и технологии объемного зрения, чтобы изменить впечатления от вождения.
Платформа NVIDIA DRIVE может понимать изменения в окружающей среде вокруг автомобиля в режиме реального времени, точно определять свое местоположение на карте с высоким разрешением и планировать безопасный маршрут впереди.
В настоящее время DRIVE PX2 является последней версией этого продукта. Он изготовлен по 16-нм техпроцессу FinFET с TDP 250 Вт, поддерживает 12 входов для камер, лазерное позиционирование, радарные и ультразвуковые датчики и имеет вычислительную мощность с одинарной точностью 8 терафлопс. В настоящее время это передовая платформа для автономного вождения.
Продолжение следует...
Ссылки на эту статью:
1. «Официальный документ по искусственному интеллекту, Китай, 2017 г. - Интеллектуальное вождение» - Китайское общество искусственного интеллекта
2. «Отчет об исследовании автономного вождения с использованием искусственного интеллекта за 2018 год» - Аминер
3. «Решение и управление автономным транспортным средством» - Университет Цинхуа