A Review of Motion Planning for Highway Autonomous Driving

claussmann2019.pdf

Abstract/摘要

本文展示了近十年来高速场景下的运动规划技术，在本文的上下文中，运动规划表示路径生成和决策。在受约束的环境框架下，高速场景将问题限制在具有特定驾驶员规则的高速和小曲率道路上，车道变换、避障、汽车跟随和合并是本文中讨论的情况。在做过车辆自动驾驶的简单介绍之后，详述运功规划条件。然后评估主流算法，及其特点，以及在高速自动驾驶的应用，最后是当前和未来的挑战。

Instruction/介绍

前情提要略。
关于高速规划，主要辅助技术涉及巡航控制系统（CC）、智能速度自适应（ISA）、车道保持辅助（LKA）或车道偏离警告（LDW）的纵向和横向舒适性和安全性。在与障碍物交互时，防撞系统要么警告驾驶员即将发生碰撞，例如车道变换辅助系统（LCA），要么自动采取行动，帮助驾驶员保持安全，例如自适应巡航控制（ACC）或自动紧急制动（AEB）。
继2011年6月美国内华达州授权在公共道路上行驶的无人驾驶汽车之后，美国其他州尝试通过法律在交通中测试自动驾驶汽车，联合国欧洲经济委员会（欧洲经委会）修改《维也纳道路交通公约》[8]，允许自动驾驶系统，”前提是这些技术符合联合国车辆法规，或者可以被驾驶员接管或关闭”。随着汽车领域的这种演变，汽车工程师协会（SAE）发布了具有6级系统的自动驾驶汽车的标准分类，从0（无控制但主动安全系统）到5（驾驶无人干预）[10]，汽车制造商在技术上尚未达到4级和5级;2016年，国际大合作驾驶挑战赛（GCDC）[19]提出了并道，交叉和紧急交通场景。除了研究项目外，2016年，许多汽车公司还推出了与SAE分类2级相对应的半自动驾驶汽车。在谷歌汽车的演示之后，苹果宣布了Titan项目，百度开始使用Cloud ride进行公开道路测试。与此同时Uber和Lyft联合测试自动驾驶算法。
然而，以模仿逼真的现实车辆驾驶为原型的研究标准化引入了问题，例如功能安全，实时计算，系统方法或低成本开发，以及停车，交叉路口管理或高速公路驾驶的特定应用。高速驾驶由于简单的结构场景和驾驶行为限制，使其成为交通系统中最容易实现完全自主的模块。
本综述的目的是为高速公路驾驶建立运动规划算法的分类。文章结构如下：第二章阐述应用场景，涉及感知和控制约束，以及高速驾驶交通规则；第三章描述技术现状；第四章展示高速场景应用的对比列表；最后，第五部分讨论了下一代自动驾驶汽车在运动规划中需要填补的空白；第六章对本文工作做总结。

II高速场景运动规划

术语
几何状态空间被称为the configuration space.The configuration space-time被成为The evolution space。这两个空间有三个子空间：the collision space（有障碍），the uncertain space（不确定是否有障碍）,the free space（无障碍）。通用术语表征了状态随时间演变的运动特征。

III.技术现状

运动规划方法选择取决于运动规划问题建模。
1.问题建模根据输入数据（连续/离散，代数/解析，静态/动态）不同而不同，因此感知技术对运动规划算法影响很大。即使在运动规划领域不确定性考虑的越来越多，涉及传感器的架构和技术问题的运动规划的论文很少。文献[38]作为推荐阅读。
2.运动规划结合了五个不可避免的方面：1.状态估计，2.时间演变，3.行动规划，4.标准优化，5.遵守约束。如何处理这些问题会改变问题的前景。
3.现存运动规划方法分为两种：区分驾驶模式和不区分驾驶模式。第一种，驾驶模式和常规情况是分离的。例如[39]，作者只关注高速公路的车道变换和并道的具体操作。在本文中，我们只将该情况作为一套特殊的标准和约束，而非不同的算法类型。所以所有的算法可以被应用于不同的场景。
在本章，首先介绍算法分类，然后回顾了从2007年至今的流行算法在高速场景规划中算法的产生原理和发展现状。

A. Taxonomy Description 分类描述

我们按照图3对算法进行分类。遵循相同原则的算法被分为一类，他们通常有相同的输出，相同的属性和相同的数学领域。我们根据以下特征进行分类：
1.输出类型：空间，路径，轨迹，操作或符号表示。这些输出能够被用于图一中的Control和Driver模块。此外还要考虑规划算法仅返回分解的解还是参考运动，第一种情况称为集合算法（set-algorithm），需要添加互补算法以找到可行运动，第二种情况称为求解算法（solve-algorithm）。这些属性由[40]拓展而来，该作者定义了FindSpace和Findpath算法，来区分在进化空间中寻找安全位置，和在起点到终点找到一系列安全位置的算法。

2.算法的时空属性：预测或反应范围，在II-B中详述
3.所属数学范畴：几何，启发式，逻辑，认知，仿生学。这定义了方法的理念和求解器的理论框架。

• 几何领域基于空间属性，同时考虑环境和自车（动力学约束）的空间约束，需要处理大量的空间探索和优化问题。
• 启发式领域通常根据约束或数据正确性等相关知识，能高效地找到近似解，避免算法复杂性和延迟问题，但是不能处理复杂问题，不能保证找到最优解。
• 逻辑领域是指基于断言的演绎方法。这种断言通常是在环境演变的基本规则上做出的，主要优点是，很容易将影响与原因联系起来，但会受到组合爆炸的影响。
• 认知方法依赖于基于对既定情况的先验知识以及常识，接近于逻辑思维方式，例如遵守驾驶规则。优点是能用先验知识获取新的信息。在自动驾驶应用中，一个热点是使决策近似于人类行为。但是这些理论未被充分验证，因此我们不考虑依赖认知的算法。
• 许多基于驾驶员的理论都认为，驾驶员行为太复杂，太难，甚至不可能建模，因为它不合理。最后我们探索仿生学领域，描述了生理学上的方法。它们遵循物理定律，这些物理定律易于实现，但可能会陷入无限循环运动行为中，该系统的收敛性必须通过可行的解决方案来实现。

  B. Algorithm Classification 算法分类：

  1.Space Configuration:
  
  该类算法难点是找到正确的空间配置参数，以获得运动和环境的良好表现。如果离散化太粗糙，将会有较大的碰撞风险，并且控制量不连续;但是，如果离散化太精细，算法的实时性能将较差。我们将该算法分为三个小类：采样点，连接格，lattic。