德国乌尔姆大学的研究人员最近开发了一种新的框架,旨在实时识别车辆周围的潜在威胁,帮助自动驾驶汽车在城市和高度动态的环境中更安全地行驶。
该团队的论文以之前的一项研究为基础,该研究今年早些时候发表在《IEEE智能车辆汇刊》上。此前的研究旨在为自动驾驶汽车提供情境感知的环境感知能力,从而使它们在复杂和动态未知环境中反应更快。
研究人员之一马蒂·亨宁(Matti Henning)表示:「我们研究的核心理念是,只将感知资源分配给自动驾驶汽车周围与当前情境(例如,驾驶任务)相关的区域,而不是单纯的360°感知区域。这种方式可以节省计算资源,提高自动驾驶汽车的效率。」
当自动驾驶汽车的感知范围受到限制时,其安全性会大大下降。例如,如果一辆汽车只认为它周围的特定区域是「相关区域」,就可能无法检测到其他区域的潜在威胁物体。如果支持车辆该项功能的算法被编程为只考虑和处理道路上的特定区域,就可能发生这种情况。
亨宁解释道:「这就需要威胁区域识别方法发挥作用:在感知的早期阶段,可能潜在威胁的区域被标记为相关区域,这样就能可靠感知和评估这些区域内物体实际碰撞的风险。因此,我们的研究旨在设计一种完全基于在线信息的方法,即在没有先验信息的情况下,例如以地图的形式,来识别可能存在威胁的区域,这样它们就可以作为一种感知需求被发送。」
为了大规模应用,研究人员的框架应该尽可能轻量化。换句话说,它不需要大量计算资源来持续扫描环境中存在的威胁。
亨宁和他的同事提出的方法非常简单,因为它只需要执行有限的计算次数。此外,它的适应性强,因此可以针对特定的情况或车辆进行定制。
从本质上讲,该框架基于无模型方法描述环境,其中包括车辆周围所有移动物体的速度估计。这意味着,与其他方法相比,它不依赖于有限的、先前划定相关地区的地图。
亨宁说:「具体来说,我们利用笛卡尔动态占用网格地图(DOGMa),它为栅格化环境的每个单元提供速度估计。」「由此,我们使用标准的聚类算法来识别具有相似速度的足够大的单元簇(这一方法来自Gies等人的研究),然后假设所识别的簇速度恒定,评估这些簇是否会在设定的预测范围内与自动驾驶车辆的移动范围相交。」
如果团队用聚类算法识别的移动单元簇与车辆的移动相交,就可能发生与对应物体的碰撞。为了避免这种情况,该团队的模型将单元簇的位置标记为需要处理的相关区域,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。
亨宁和他的同事创建的框架与过去介绍的其他威胁识别方法的关键区别在于,该框架试图尽早识别威胁。他们的方法首先识别包含移动物体的区域,然后使用之前研究中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出现在附近之前,检测到它们的位置。一旦这些物体被识别出来,威胁评估模块将评估与这些物体碰撞的风险,规划器将规划行动来避免碰撞。该团队的论文只关注处理识别模型,因为威胁评估系统和规划器超出他们的研究范围。
亨宁说:「我们的研究是在区域资源分配到部分感知数据的背景下进行的,而不是在整个360°视野下进行的。」「我们简要介绍了保留对环境作出反应能力的重要性,而不受限于先验信息。在此背景下,我们展示了简单轻量级框架可以显著提高对潜在碰撞威胁的反应时间。」
亨宁和他的同事在一系列模拟中评估了他们的框架,发现它可以在不同的关键场景中改善自动驾驶汽车的操作。这些场景包括另一个交通参与者以不同方式接近自动驾驶汽车的车道。
亨宁表示:「我们得出的结论是,安全性并不一定通过全方位的360°多模态感知系统来实现。」「相反,安全也可以通过高效的感知系统来实现,该系统以智能的方式,并基于情境信息和在线信息(甚至可能是其他信息源)来适应自动驾驶。」
新的框架最终可能会在现实环境中实施和测试,以提高自动驾驶汽车在动态环境中导航的安全性。与此同时,亨宁和他的同事计划继续研究他们的方法,同时设计新的模型来提高自动驾驶和半自动驾驶的性能。
亨宁补充说:「未来,我们的目标是使用情境感知方法,来实现高效和安全的感知。早期阶段的威胁区域识别只是这种系统所需的组成部分,还有几个挑战有待解决。」
原文链接:
https://techxplore.com/news/2022-07-safety-autonomous-vehicles-critical-scenarios.html