Utopi
a

不确定性对车辆轨迹预测的影响研究综述

by 王珂 1,2 王艳阳 1,2 邓修金 1,2 黄秋实 1,2 廖凯凯 1,
from 汽车技术 · Automobile Technology,

Abstract

对不确定性问题进行归纳，重点分析：

  • 车辆轨迹预测方法及其不确定性
  • 环境预测不确定性
  • 车辆模型不确定性
  • 环境感知不确定性
  • 驾驶行为不确定性
  • 多车间的交互与博弈对轨迹预测的影响

解决不确定性导致的车辆轨迹预测误差问题提出合理的解决思路。指出基于传感器融合、车辆模型运动特性和驾驶员模型将成为未来的研究方向。

Intro

预测的三个指标：安全性、稳定性和舒适性

车辆轨迹预测方法及其不确定性

轨迹预测方法的三个类别：

  1. 基于行为认知的轨迹预测：依据车辆加速、 减速、变道和跟踪等驾驶行为的认知结果来估计和预测，在长时间段内从抽象层面预测车辆的运动趋势。但是未考虑较低层次的车辆运动相关信息，如加速度、转向盘转角和路 面附着系数等，因此在短时间内预测精度较差。

    • 原型轨迹聚类法，e.g.基于轨迹分类和粒子滤波框架的长期预测方法（C. Hermes）

    • 高斯过程学习法，e.g.基于高斯过程的完整轨迹级概率运动模型 (T. Christopher)，隐马尔可夫模型构建驾驶行为模型，能够独立于状态空间表达未来的运动。

    • 解决短时间内预测精度问题：

      • 基于递归神经网络的车辆轨迹预测框架（B. D. Kim ），LSTM 学习车辆的复杂行为。
      • LSTM与社会亲和力映射图相结合进行轨迹预测（裴炤等人）
      • 基于LSTM的驾驶意图识别及车辆轨迹预测模型（季学武等人）

  2. 基于大数据驱动的轨迹预测：在较长时间内进行预测，但是没有考虑底层车辆运动信息，短时间内预测精度较差，数据库在数据精度、数据容量、数据实时性及人为主观因素等方面具有不确定性，会导致大数据驱动的轨迹预测的不确定性，进而增大车辆轨迹预测误差。

  3. 基于物理学模型的轨迹预测：依据运动学和动力学定律，采用数学语言描述车辆的物理运动，根据车辆加速度和转向盘转角，结合车辆结构参数和路面工况 等外在条件，预测车辆姿态及未来车辆轨迹。（短时间预测，误差随时间扩大，假设的固定参数会变化）

环境预测不确定性

两个类别：

  1. 非预期障碍物规避：非预期障碍物的出现造成车辆碰撞，导致车辆当前行驶轨 迹与环境信息直接丢失，直接导致车辆轨迹预测失效
    • 衍生状态格理论（PMF like?）（胡延平及其团队）
    • 基于直线道路工况和弯曲道路工况，利用奇次多项式确立了换道避障轨迹规划方法，并建立了前方障碍物与自车之间的安全距离模型（张锐陈）
    • 多目标优化，动态障碍物管理器 （Obstacle Avoidance using Multiobjective Optimization and a Dynamic Obstacle Manager）
    • 集成自适应巡航控制、 后转向控制和侧翻制动控制的主动安全协同控制系统（Research on Active Obstacle Avoidance Control Strategy for Intelligent Vehicle Based on Active Safety Collaborative Control）
  2. 复杂天气下物体高精度感知
    • 基于亮度通道引导滤波的视频图像去雾算法（王科，针对雾霾天气，这也行？）
    • 基于网状分类器与融合历史轨迹的多目标检测与跟踪算法（隗寒冰，等针对城市复杂动态环境下光照突变和识别精度低的问题）
    • 运用正交试验法确定各因素影响程度，对高速公路行车风险评价体系（邵东建 ，分析了车速、圆曲线半径、超高、纵坡、降雨和横风等影响因素）

车辆模型不确定性

车辆物理学模型

可分为动力学模型和运动学模型：

  1. 车辆动力学模型：

    主要考虑车辆运动的各种外力 (如 纵向和横向轮胎力) 或道路倾斜角度。

    不确定性主要包括模型误差及作用于车辆的各种外力。

  2. 车辆运动学模型：

    在不考虑车辆受力的情况下，根据车辆运动的各种参数来描述车辆的运动。

车辆模型不确定性处理：

主要有 5 种方法:

  1. 卡尔曼滤波(Kalman Filters，KF)

    卡尔曼滤波方法假设模型每一步迭代中，其先验概率都满足高斯分布，且所求解的方程为线性方程，所以 KF 不能有效求解非线性方程(如非线性 CTRV 模型)

  2. 扩展卡尔曼滤波(Extended Kalman Filters，EKF)

    将非线性问题线性化，实现了对非线性运动方程的概率估计，但是在强非线性条件下，EKF 会因为近似误差较大而出现较差的估计结果。

  3. 无迹卡尔曼滤波(Unscented Kalman Filters，UKF)

    KF + UT (Unscented Transform Theory）,对非线性问题进行概率分布估计

  4. 粒子滤波(Particle Filters，PF)

    通过产生大量的粒子，对非线性问题进行求解，但 大量粒子的仿真会产生实时性问题。

  5. 蒙特卡洛(Monte Carlo)

    通过构造概率模型，从已知概率模型进行随机抽样，产生随机变量，对目标变量进行数学估计，一般需要大量的试验。

环境感知不确定性

不确定性主要来源于传感器，主要包括两个方面：

  1. 传感器测量误差

    传感器的融合与降噪：

    • 激光雷达分辨率高、隐蔽性好和低空探测性能好，但受恶劣天气影响较大，抗环境变化能力差，且制造成本高。
    • 摄像头便宜，检测距离远，数据信息量大，但受环境影响大。
    • 毫米波雷达波束窄、隐蔽性好和抗环境变化能力强，加工难度大，制造成本高

    对于传感器降噪(不确定性)处理，同样采用KF、 EKF、UKF、PF 和蒙特卡洛这 5 种滤波算法。

  2. 传感器失效

​ 恶劣天气，遮挡。

驾驶行为不确定性

主要包括理论基础、模型建立和 驾驶辅助系统3个方面

多车间的交互与博弈

研究方法主要有 3 种:

  1. 势能场法：

    局部最优点问题，易陷入局部极小点，且在相似障碍物间找 不到路径，导致车辆轨迹预测误差增大。

  2. 机器学习法：

    样本不平衡&样本容量大

  3. 博弈论：

    把对象假设为 100%的经济人，而非自然人，无法考虑非理性情况。

存在的问题及发展趋势

  1. 环境不确定性对智能车辆轨迹预测的影响机理研究

    轨迹预测精度不仅受车辆自身产生的过程噪声 及传感器定位的观测噪声影响，也受驾驶员行为、非预 期障碍物和智能车辆间的博弈等不确定性因素影响。

  2. 环境感知不确定性控制方法对轨迹预测精度影响的研究

    多传感器之间建立相对坐标纠偏，但也带来冗余数据的生成，提高算力要求，且增加决策时传感器优先级设计工作。

  3. 车辆模型不确定性控制方法对轨迹预测影响的研究

    复杂动态环境具有非线性、传感器量测延迟或 信号丢失、传感器测量误差、外部未知干扰、噪声和非高斯等特性。这些特性可能出现共存和耦合，造成车辆模型不确定性。

  4. 驾驶行为不确定性控制方法对轨迹预测影响的研究

    采用滑模控制、预瞄控制和模糊控制等控制方法， 并结合驾驶员模型，减小驾驶行为不确定性的干扰，提 升轨迹预测精度，是提升智能车执行性能的发展趋势。