車輛中心 研究發展處  吳秶菘

智慧決策技術
整體自駕車架構包含了感測端提供自駕車在任務行駛中之環境資訊，藉由當下的環境資訊去預測自駕車周遭鄰車的行為，再經此預測結果產生下一步的意圖動機，進而決定行為策略，最後產生與此行為策略匹配之動態規劃，如圖1所示。

圖1. 自駕車整體架構

圖2為車道變換的示意場景，在圖2(a)中，階段一為收集環境資訊以利進行決策階段，此階段將周圍環境資訊、主車之車身動態並依照相對速度及加速度建立車輛周圍之時變九宮格作為決策演算法之輸入，藉此判斷是否有足夠空間可執行車道變換，如判斷可執行即進入圖2(b)的階段二，經由先前收集資訊來規劃避障軌跡進行避開前車並變換至目標車道之駕駛行為。

圖2. 車道變換決策與軌跡規劃場景

本文提出時變九宮格的方法，此方法是藉由收集環境資訊使本車動態來設計車輛周圍之具有時間間隔(Time Gap)九宮格如圖3所示，亦即將直觀的前後車相對距離更改為煞車所需時間資訊。

圖3. 具有時間間隔之時變九宮格設計

車道變換決策之演算法以機器學習架構設計，本文採用非線性自動回歸類神經網路為決策演算法，將訓練參數作為演算法輸入進行策略訓練，完成訓練後並輸出結果判斷是否能夠執行車道變換。

軌跡規畫設計
本節說明軌跡規劃演算法，經過決策演算法判定有足夠空間可執行車道變換便開始執行規劃軌跡，本文採用梯形加速度軌跡進行軌跡規劃，可得到車道變換側向加速度與車道變換時間之關係圖如圖4所示，圖4(a)為車道變換期間的側向加速度變化情形，其中時間總長為3.62sec，藉由加速度規劃來發展車道變換之軌跡，圖4(b)為車道變換過程中的速度規劃，圖4(c)為向左方之目標車道的變換軌跡，其中y_eva為車道變換所需要之側向位移，R_LPS為車道變換起始點至結束點之距離，t1及t2分別為側向加速度由上升至等加速度以及等加速度至下降的轉折點的時間。

圖4. 車道變換之側向加速度、速度規劃與軌跡關係圖

實驗結果
透過九宮格之設計將收集之資訊分為38個特徵，如表1所示，分別收集橫向與縱向的距離、速度資訊，其中信號燈為主車之方向燈訊號，作為開始收集決策與軌跡規劃特徵參數之開始點與中止點如圖5(a)所示。

表1. 決策之訓練參數

本文提出之決策演算法由主車之方向燈訊號作為起始，決策系統在方向燈運作期間執行特徵收集、車道變換決策，並根據左/右側方向燈決定道路變換之方向來簡化於九宮格範圍內收集之訓練參數維度，再經由收集之訓練參數判斷是否有足夠安全距離可以直行車道變換如圖5(b)所示。

圖5. 決策系統之訓練參數收集及演算法流程圖

藉由前述表1之訓練樣本與決策演算法，將訓練樣本輸入進行訓練後得到之決策判斷是否進行車道變換。預設可執行與不允許執行車道變換之訓練樣本輸入作為訓練目標，將收集之1,300筆數據分為訓練樣本875筆、測試樣本200筆、以及驗證樣本225筆如表二所示，在輸入的1,300筆資料中有1,200筆之結果接近預設之目標，訓練成功率達92%。

表2. 訓練樣本參數

圖6為本車進行右側車道變換模擬圖，圖6(a)-(b)為決策階段，圖6(a)為主車啟動右側方向燈，圖6(b)為主車收集環境資訊後，本車使用前述的九宮格概念建立數據樣本後交由決策演算法計算安全空間使得本車可以執行車道變換。圖6(c)-(e)為軌跡規劃階段。圖6(c)為接收到允許車道變換命令時同時規劃車道變換軌跡，圖6(d)為主車依據該變換軌跡進行車道變換至目標車道，圖6(e)完成車道變換任務。

圖6. 右側車道變換決策與軌跡規劃模擬結果

結論
本文提出了車道變換的決策與軌跡規劃演算法，本演算法可根據周圍環境及本車動態之間的相對關係判定是否有足夠安全空間可執行車道變換並使用梯形加速度軌跡規劃演算法進行車道變換之軌跡規劃，考慮了車輛動態包含側向加速度與急跳度，使得車道變換過程更加平穩。