無人運転システムは本当に理解しにくいです。この記事でその答えが分かります

現在、無人運転技術は通常、環境認識と位置決め、意思決定計画、動作制御の 3 つの部分に分かれています。

環境認識と位置決めは、車の周囲に車や歩行者がいるか、前方の信号が赤か緑かを判断する、つまり環境と車の状態を判断する役割を担っています。

意思決定計画は、車が何をすべきか、追従するか迂回するか、スピードを上げるか減速するか、そして安全で効率的かつ比較的快適なルートは何か、といったことを決定します。

動作制御には、従来の車両のアクチュエータの電子変換が必要です。決定指示と軌道がコントローラーに発行された後、モーター、ステアリング、ブレーキなどのアクチュエーターは、強力な体が脳の指示を完了できるように、計画された軌道にできるだけ速く、できるだけ偏差を少なく追従する必要があります。

環境認識は自動運転の「目」

無人運転車では、センサーが運転者の感覚器官に代わる知覚モジュールを形成します。障害物までの距離、前方の信号の表示、速度制限標識の数字、車両の位置、速度、その他の車両状態などの環境状態情報を迅速かつ正確に取得し、車両の安全運転を保証します。環境条件を検出するために一般的に使用されるセンサーには、カメラ、LIDAR、ミリ波レーダー、超音波センサーなどがあります。車両の状態を判断するためのセンサーには、GPS/慣性航法、車輪速度センサーなどがあります。

自動運転車には複数のセンサーが連携して動作する必要がある

カメラは物体の特性に応じて障害物を分類することができます。障害物の奥行き情報を取得する必要がある場合は、2 台のカメラが必要となり、一般的には両眼立体視と呼ばれます。双眼カメラの2台のカメラは人間の両眼視差と同じように一定の距離を保ち、三角測量の原理でピクセル間のオフセットを計算して、物体の3次元情報を取得します。双眼カメラの主な機能は、車が自らの位置と速度を判断するのを助けるだけでなく、道路上の信号や信号標識を識別して、自動運転が道路交通法規に従っていることを確認することです。しかし、双眼カメラは天候や照明条件の変化に大きく影響され、計算量も非常に大きいため、コンピューティングユニットに非常に高いパフォーマンスが要求されます。

無人車両で一般的に使用されるレーダーは、LIDAR とミリ波レーダーです。 LIDARは主にレーザー光線を照射して対象物の位置や速度などの特徴量を検出します。 LiDARは検出範囲が広く、距離や位置の検出精度も高いため、障害物検知、3次元環境情報の取得、車間距離維持、車両障害物回避などに広く利用されています。しかし、ライダーは天候の影響を受けやすく、雨天、雪天、霧天では性能が低下します。さらに、レーザー送信機のビーム数が多いほど、1 秒あたりに収集できる点群の数が増え、検出性能が強くなります。ただし、ワイヤーハーネスの数が増えるほど、LiDAR の価格が高くなります。 64 本のワイヤー ハーネスを備えた LiDAR のコストは、16 本のワイヤー ハーネスを備えた LiDAR の 10 倍になります。現在、百度とグーグルの無人運転車には64ラインのレーザーレーダーが搭載されている。

LiDARポイントクラウドの概略図

ミリ波レーダーは、ビームが狭く、解像度が高く、耐干渉性が強く、また、シーカーが霧、煙、ほこりを貫通する能力が強いという特徴があります。ライダーよりも環境適応性に優れており、雨、霧、夜間などの気象条件はミリ波伝送にほとんど影響を与えません。さらに、ガイドヘッドは小型、軽量、高空間分解能という特徴を備えています。モノリシックマイクロ波集積回路技術の発展により、ミリ波レーダーの価格とサイズは大幅に低下しました。しかし、検出距離は周波数帯域の損失によって直接制限され、歩行者を感知したり周囲の障害物をすべて正確にモデル化することもできません。

超音波センサーのデータ処理はシンプルかつ高速です。主に近距離の障害物検知に使用されます。一般的な検知距離は1～5メートル程度ですが、詳細な位置情報は検知できません。さらに、車が高速で走行している場合、超音波測距では車間距離のリアルタイムの変化に追従できず、大きな誤差が生じます。一方、超音波は散乱角度が大きく、指向性が悪いという特徴があります。遠距離にあるターゲットを測定する場合、エコー信号は比較的弱くなり、測定精度に影響します。ただし、低速および短距離の測定では、超音波測距センサーには大きな利点があります。

超音波センサー

GPS/慣性航法および車輪速度センサーは主に車両自体の位置を決定するために使用され、通常、それらのデータは統合されて測位精度が向上します。

マルチセンサー融合は、環境認識モジュールで非常に一般的なアルゴリズムです。エラーを減らすことができます。たとえば、画像のエッジは、深度が不連続な場所に発生することがよくあります。カメラで取得した2次元画像のエッジを抽出し、コポイントマッピングを通じてLIDARから提供される深度情報と一致させることで、2次元透視画像内の道路の消失点を3次元レーダー情報と一致させることができます。これにより、路面の位置と周囲の建物の位置をより正確に区別できるようになります。

さらに、高精度な地図は自動運転の強力なサポートにもなります。非常に正確な地図情報があれば、地図を使用して車線を直接一度に計画できるため、車線を視覚的に識別する作業を軽減できます。

意思決定と計画は自動運転の「頭脳」

グラフィック カードの大手である NVIDA が自動運転の動作決定をどのように行っているかを見てみましょう。

現在主流となっている意思決定の枠組みは、専門家のアルゴリズムに基づく意思決定と機械学習に基づく意思決定の 2 種類のアルゴリズムに分かれており、後者はますます評価され、研究されています。たとえば、NVIDIA は畳み込みニューラル ネットワーク (CNN) を使用して、トレーニング済みの畳み込みニューラル ネットワークを通じて、車のフロント カメラでキャプチャされた元のピクセル画像から車の方向制御コマンドを出力します。同社の無人運転車は、山道や建設現場などの未整備の道路でも走行できる。これらの道路状況を列挙することは困難であるため、変化する状況を分割するために条件判断を使用する従来の専門家のアルゴリズムに頼るのは非現実的です。

NVIDIA の学習フレームワークは次のとおりです。

トレーニング データには、ビデオからサンプリングされた単一フレームのビデオと、対応する方向制御コマンドが含まれます。予測された方向制御コマンドは理想的な制御コマンドと比較され、予測値が可能な限り理想値に近づくように、バックプロパゲーション アルゴリズムを通じて CNN モデルの重みが調整されます。トレーニングされたモデルは、正面にあるカメラからのデータを使用して方向制御コマンドを生成できます。

最も重要な畳み込みニューラル ネットワーク (CNN) 構造は次のとおりです。

出力は回転半径の逆数であり、入力は画像です。

5 つの畳み込み層の後に、脳の神経的意思決定をシミュレートするために 3 つの完全接続層が追加されます。

畳み込み層 (畳み込み特徴マップ) は、特徴を抽出し、視覚神経をシミュレートしてさまざまなオブジェクトを区別するために使用されます。

ネットワークの最初のレイヤー (正規化された入力プレーン) は、入力画像を正規化します。ネットワークモデルにおける正規化では、ネットワーク構造に応じて正規化プロセスを調整することができ、処理プロセスを GPU によって高速化できます。

NVIDIA の技術ソリューションは、画像入力から制御 (ハンドル角度) 出力までのエンドツーエンドの意思決定方式がブラック ボックス システムです。問題が発生した場合、専門家のアルゴリズムのように誤った決定の原因を突き止めることは不可能です。

したがって、より実現可能な解決策は、交通信号、人や車の姿勢、山道の走行可能エリアなどの識別などの環境知覚と認識にニューラルネットワークを使用し、処理された環境情報を意思決定者に送信して判断してもらうことです。環境情報の種類は、さまざまな障害物に関する情報を統合したマップの場合もあれば、運転状況マップ（つまり、すべての障害物に関する具体的な情報を提供せずに、どのエリアが比較的安全または危険であるかのみを示す）の場合もあります。試すことのできるオプションはたくさんあります。

どの道を選ぶべきでしょうか?ルート計画は重要です！

経路計画は、インテリジェントな車両のナビゲーションと制御の基礎です。これは軌道決定の観点から考えられ、ローカルパス計画とグローバルパス計画に分けられます。

グローバル パス プランニングのタスクは、グローバル マップ データベースの情報に基づいて、開始点から目標点までの衝突のない通行可能なパスを計画することですが、これは開始点から目標点までの大まかなパスにすぎません。無人車両の実際の走行過程では、経路の方向、幅、曲率、道路の交差点、障害物などの要因や、局所的な環境や車両の状態の不確実性などの影響を受け、さまざまな予測不可能な状況に遭遇します。局所的な環境情報や車両の状態情報に基づいて、衝突のない理想的な局所経路を計画する必要があります。これはローカルパス計画です。

ローカルパス計画は、無人車両の「頭脳」に相当します。知覚システムから道路や障害物などの環境情報を取得し、上位の意思決定によって与えられた出発点と目標点の位置情報を取得します。処理後、安全でスムーズな運転軌道をリアルタイムで生成します。車両の経路は時間属性を持つ軌道であるため、軌道計画は通常、経路計画と速度計画に分けられます。パス計画では、障害物回避、最大曲率、曲率連続性の制約を満たすためにスプライン曲線フィッティングがよく使用されますが、速度計画では、最大速度や最大加速度などの制約を満たすフィッティングされたパスに沿って速度分布が生成されます。最終計画はステアリング角度と車速データの形でシャーシ制御システムに送信され、車両は車線追従機能と障害物回避機能を実現できます。

すべてが決まったら、あとは車両を動かすだけです！

従来のコントローラーやアクチュエーターと比較して、無人車両では、ワイヤー制御ステアリング、ワイヤー制御ブレーキ、ワイヤー制御ドライブなどのワイヤー制御アクチュエーターを使用することを好み、正確な制御を実現できます。

ローカル経路計画では、自動運転車両が周囲の環境や車両の状態、その他の制約条件を総合的に考慮した上で理想的な車線変更経路を計画し、関係する実行機関に指示を伝えます。アクチュエータが車両の旋回角度の経路要件に対応できない場合、計画された経路から外れます。したがって、モーション制御アルゴリズムも重要です。

自動運転車の今後の開発動向は？

現在、無人車両には主に 2 つの技術的なルートがあります。 1つは、この記事で紹介した、車両のセンサーを利用してさまざまな情報を取得する方法です。もう1つは、作業場通信や路車間通信を通じて環境情報を取得する5G通信技術をベースにしたソリューションです。それに比べて前者は、インフラの変革や、市場に出回っている他の車がインテリジェントであるかどうかという前提に依存しないため、実現が容易です。自動運転は道路状況の 99% を比較的安全に処理できますが、残りの 1% を解決するにはエンジニアのエネルギーの 99% が必要です。 2020 年までに、スマートカーは ADAS の形で消費者に提供されるはずです。

今日頭条の青雲計画と百家曼の百+計画の受賞者、2019年百度デジタル著者オブザイヤー、百家曼テクノロジー分野最人気著者、2019年捜狗テクノロジー文化著者、2021年百家曼季刊影響力のあるクリエイターとして、2013年捜狐最優秀業界メディア人、2015年中国ニューメディア起業家コンテスト北京3位、2015年光芒体験賞、2015年中国ニューメディア起業家コンテスト決勝3位、2018年百度ダイナミック年間有力セレブなど、多数の賞を受賞しています。