知識庫

自駕車動態軌跡最佳化設計
  • 發布年度:2020
  • 主要類別:自動駕駛
  • 次要類別:電子報
  • 車輛中心 研究發展處 王威仁

    在自駕車的技術領域中,軌跡規劃是自駕車能在開放場域中行駛的重大關鍵技術。因此,透過演算法設計了基於三次多項式的路徑與速度,並以交互式的規劃方法產生出多種組合,再以車輛動力學與車輛運動拘束條件,找到最佳行駛之軌跡。

    系統架構與軌跡規劃演算法
    基本的自駕車系統架構可以由圖1來進行說明,通常架構上會有地圖資料庫(Map Library)、感知技術(Perception)、任務規劃(Mission Planning)以及行為規劃(Behavior Planning)。首先,任務規劃會基於起點至終點計算出一個靜態的全域路線。接著,行為規劃來決定當下會遇到的各種場景,此時會需要重新規劃局部軌跡來進行同車道的障礙物閃避或車道變換來進行超車等行為模式,因此軌跡規劃模組的需求因應而生。

    圖1. 自駕系統之基本架構圖

    模擬分析與參數設計
    軌跡規劃將生成局部軌跡,其方法為透過車輛運動方程式的參數從航向角與x-y座標表示法改成曲率以及弧長表示,並使用Karush-Kuhn-Tucker (KKT)法來拘束側向加速度限制。在TASS PreScan下建置模擬場景,圖2所示,在三車道場景放置一前方靜止對手車,軌跡規劃即時計算出兩車道相連之曲線。由於軌跡規劃能同時生成多條能夠進行車道變換之局部路徑,故需要設計成本函數來選取當下情況的最佳選擇,其成本函數的係數表格如表1所示。

    圖2. 軌跡規劃基本場景模擬與測試

    表1. 成本函數係數調整表

    實車實驗與驗證
    實車實驗由車輛中心(ARTC)自駕車作為平台。由地圖資料庫提供道路中心線資訊後,軌跡規劃設計出原路徑之外其他四條行徑路線在前車周圍,如圖3所示,同時成本函數將計算局部最佳之路徑候選人,透過C8C9C10參數之調整可獲得,1號軌跡為積極駕駛,2號軌跡為保守駕駛。因此,在實驗結果部分,如圖4所示,獲得兩種截然不同的決策結果。在動態限制條件與無限制條件兩種情況下,皆選擇積極駕駛軌跡,如同1號軌跡的模式,分別進行側向加速度量測實驗,其結果如圖5所示,結果顯示加以車輛動態限制後的藍色線段比未加以限制的紅色線段表現更加優良,因此有成功修正1號的最大側向加速度。

    圖3. 實車測試之驗證場景

    圖4. 根據駕駛特性所調整出保守(左)與積極(右)路線之比較圖

    圖5. 有無動態限制下量測車輛側向加速度比較圖

    結論
    本研究提出一個軌跡規劃模組並透過成本函數來選擇當下局部最佳路徑,適合根據不同場景以及駕駛需求調整參數。局部軌跡生成最佳化方法為基於KKT條件下加以車輛運動限制。讓自駕車能在依據不同場景,產生多種軌跡變化,透過成本函數找到最佳選擇,同時滿足車輛運動條件下最舒適曲線。在未來,成本函數需要面對更複雜之場景,乃是此系統的最大考驗。

© 2016 ARTC All Rights Reserved. Design by Creatop.