自动驾驶中激光雷达感知和运动规划的实时联合仿真

摘要

本文介绍了自动驾驶中激光雷达感知和运动规划的实时联合仿真。实时感知和运动规划是自动驾驶的两项关键任务。尽管很多研究工作着重于单独提高感知和运动规划的性能，但是仍然不清楚感知误差如何对运动规划结果产生不利影响。在本工作中，我们提出一种基于激光雷达感知和运动规划的联合仿真框架，用于实时自动驾驶。利用来自CARLA仿真器的传感器输入和附加噪声，设计一种激光雷达感知系统来检测和跟踪附近的所有车辆，并且提供精确的姿态和速度信息。然后，我们引入一种新的碰撞约束表示，其降低了感知模块和运动规划器之间的通信代价。与传统的占用栅格方法相比，使用线段相交的检查方式实现了一种新型的碰撞检测算法，该算法对于长距离范围更为高效。我们评估了CARLA中城市驾驶场景下的联合仿真框架。实验表明，本文所提出的自动驾驶系统能够以25Hz的频率运行，这满足实时性要求。当使用真值评估时，激光雷达感知系统在20米范围内具有很高的精度。当在CARLA城市驾驶场景下测试时，运动规划可以保持一致的安全距离。

主要贡献

与现有的工作相比，本文所提出的框架验证了感知和运动规划在实时自动驾驶仿真中的集成。本文的主要贡献概述如下：

1）本文使用点云聚类和检测跟踪来构建一个实时的激光雷达感知系统，设计了一种优化的非迭代L形方法来精确估计车辆位置和姿态。此外，我们基于UKF-GNN跟踪模型，通过动态观测实现了车辆速度估计；

2）本文引入一种新型且高效的碰撞约束表示，其降低了感知模块和运动规划器之间的通信代价。基于实例的碰撞检测可以在没有栅格地图表示的情况下独立工作；

3）本文在CARLA中进行实时实验，以验证联合仿真方法。使用激光雷达感知和运动规划的集成系统满足城市驾驶性能要求。

论文图片和表格

总结

在本文中，我们提出了一种自动驾驶车辆联合仿真系统，该系统部署了激光雷达感知和规划模块。首先，采用传统的检测跟踪框架来处理基于激光雷达的目标检测。我们优化了L形检测算法，并且简化了感知流程。接着，我们介绍一种新的碰撞检测算法，该算法允许放宽障碍物表示，同时还提高了长距离碰撞检测效率。我们通过在CARLA仿真器中模拟城市驾驶场景来评估本文系统的性能。与使用真值车辆数据的仿真类似，我们的激光雷达感知系统可以在平均20Hz的频率下运行，这满足实时要求。最后，在20米的范围内，感知系统给出了精确的车辆位置，其召回率高于0.83，mIOU高于0.62。基于动态速度估计，姿态的平均误差小于3.08度，平均速度估计误差小于0.59m/s。

文章转载自公众号：自动驾驶专栏