知識文章
自駕車動腦關鍵 智慧決策技術
車輛中心 研究發展處 陳昱睿
「行」的議題是生活中不可或缺的一部份,其中智慧運輸相關的自動駕駛技術漸漸受到注目。就技術層面來探討其包括了圖資定位、感測、通訊、車輛設計與控制、決策等技術,可以說是相當廣泛的系統整合應用,當中的決策技術更是直接影響著自駕車的駕駛行為。
決策技術方法
決策技術從設計思維來看分為三種類型:規則性方法、行為感知方法、端點到端點模型方法。規則性方法是建構在物理模型上的決策技術,即依照感測端偵測到環境的物理量來控制車輛的行駛行為。行為感知方法則是感測器感知到物理量後,經由一機器學習模型決定任務,最後才執行車輛控制。端到端模型方法是建立在深度學習上,通常僅使用攝影機當輸入訊號,藉由訓練的方式大量學習影像資料及其對應的控制輸出訊號,最終在相近的影像下深度學習模型可輸出適當的控制命令。各種決策設計方法流程如圖1。
圖1. 不同設計思維的決策流程
具有診斷機制之決策技術
決策設計最終的目標是希望不需人為操作即能讓自駕車感測環境並安全行駛。診斷機制即針對安全性作系統補強。如圖2所示診斷模型為一道輸出命令的把關機制。經由決策模型下達駕駛指令後再由診斷系統判定其安全與否並修正控制車輛之指令。
在自動駕駛車輛上可以用來當作診斷機制的物理量有道路曲率、本車距離車道線之間距、本車未來行駛軌跡座標和曲率、與其他車輛之相對距離、速度、加速度。甚至可以加入碰撞時間的預估。
圖2. 加入診斷模型的決策流程
實車實驗
在第一小節提到端點到端點的決策設計方法,又稱end to end,其輸出較無法以物理現象描述輸出數值所代表的意義。因此診斷機制應用在end to end 決策方法有效提升其安全性及失效狀態的可描述性。控制流程如圖3。感測器-攝影機配置及視角如圖5。
實驗所設計的診斷機制如圖4表示,利用Deep Learning mode-LaneNet車道線偵測,再以本車與車道間距、車道曲率等資訊做安全性判斷。
圖3. end to end model 加入診斷模型的決策流程
圖4. 實驗之診斷機制架構
圖5. 攝影機架設位置及視角
此實驗場地在ARTC試車場之乾地操安測試道,行駛路線如圖6示,測試道由曲率半徑20公尺~140公尺之各種圓弧串接,總長892公尺,寬度5.5公尺。包含Y字路口、交叉路口、連續轉彎等各類型。運行成功與否的條件為不須人為介入系統即可完成繞行,以此場景測試純end to end 決策模型及加入診斷機制後自駕車之自駕率。
圖6. 乾地操安測試道路線圖
在實驗中單純使用end to end model做決策使車輛繞行圖6紅色箭頭所標示路線,則在圖中標示A點(車道縮減及車道增加)會駛離原本的車道,B點(S型彎道)會發生提前過彎行駛出車道,C點(交叉路口)會往對向路口行進。這幾個發生需人為介入的路口雖可用深度學習的調教方法讓其達到更好的性能,但通常需花費更多時間與資源,才能再提升些許性能。實驗進行行駛13,380公尺,花費時間約3,780秒,期間人為介入15次。加入診斷機制後,人為介入降低至2次。以每次人為介入需花費6秒鐘使車輛恢復自動駕駛來計算,自駕率由97.6%提升至99.7%。
小結
自駕車領域在越多資源投入後將會有更多衍伸的議題,不論是市場、法規或技術,自動駕駛是否能真的實現是需要很多層面的整合。但最重要的還是安全性。系統的安全與否可以從設計端出發,決策技術的發展方向影響系統最終呈現的穩定性,而診斷機制可以說是強化安全性的把關機制。