Utopi
a

A Novel Path Planning Algorithm for Truck Platooning Using V2V Communication

Lee Y, Ahn T, Lee C, et al. A novel path planning algorithm for truck platooning using V2V communication[J]. Sensors, 2020, 20(24): 7022.

Abstract

  • background

    卡车编队（articulated cargo trucks）行驶中，前车（leading vehicle）由人工驾驶，后车（following vehicles）由自主驾驶行驶，卡车之间的车距较短。每辆卡车都必须保持动态稳定性，此外，整个系统必须保持串稳定性（string stability）。

  • challenge

    1. 后车的前视范围（front-view range）较短，路径规划能力受损，容易在弯道跑偏（off-tracking phenomenon）
    2. 在不了解全局坐标系的情况下, 很难关联每个车的局部坐标系 it is difficult to correlate the local coordinate systems ( that each truck relies on for sensing environment and dynamic signals )

  • solution

    开发了一种用于铰接式货车列队行驶的路径规划算法：

    使用卡尔曼滤波器、V2V（车对车）通信和一种新颖的更新和转换方法，每个跟随车辆都可以计算出领先车辆前部的轨迹，并将其用作目标路径。

intro

Sensors 20 07022 g001 550

后车使用雷达、摄像头等环境传感器感知前方车辆和车道，通过车辆纵向和横向控制进行自动驾驶。

不用GPS：稳定性，隧道遮挡。

大型车队长度可达100m，但是一个编队限定在3~4 辆车保证灵活性和安全性。

后车纵向（longitudinal）控制：

使用较为成熟的ACC 算法，保持纵向控制较短的距离（空气动力学考量，节油）

  • 摄像机的前视范围受到前面卡车的严重限制

后车横向（lateral）控制：

使用摄像头，旨在跟随前车的行驶路径，同时保持在自己的车道上。

  • 直接跟车（direct vehicle-following）：

    后车用与前车相对纵向和横向距离进行操作，基于几何原理计算转向角。主车（subject vehicle）重心（CG）和前车后部中心（rear center）之间的相对位置和相对角度，可以用来计算其到前车后部的虚拟弯曲路径。

    缺陷：

    • 用的是前车后方的相对位置信息，而不是前车方向盘的轨迹，所以在转弯时可能会出现在前车实际轨迹内行驶（inside the actual trajectory of the preceding vehicle）的问题。
    • 在小曲率高速公路行驶时，由于与前车的相对横摆角（yaw angle）很小，如果感知精度低/测量分辨率小，则无法保证跟随前车虚拟弯曲路径的可靠性。

  • 车辆路径跟随（path-following）：

    前车的轨迹：本车的运动参数+存储前车后部位置坐标。

    缺陷：

    • 由于编队行驶时车辆间距离较短，因此存在无法在高速获得足够前视距离的问题。
    • 如果是半挂卡车（semi-trailer truck），在转向过程中，跑偏（Off-tracking）现象，即牵引车的转向轴和拖车后部保险杠之间的路径不同，会导致在跟随前车时出现跟踪错误。

Sensors 20 07022 g003 550

克服跑偏问题：后车需要用前车的牵引车而不是拖车的轨迹来确定自己的目标路径。

使用摄像头/雷达融合数据、IVN（车载网络）底盘信号和 V2V 通信，计算出 LV 拖车头（tractor）位置的轨迹，用作自己的目标路径。

System Architecture

车的各种参数：

……

Overall architecture of truck platooning lateral controller.

Sensors 20 07022 g006 550

All vehicles participating in the fleet perform V2V communication among each other using DSRC/802.11p WAVE (Wireless Access in Vehicular Environment) protocol

前车创建其驱动轨迹，通过V2V 通信传给后车，后车执行路径规划。

需要估计无法测量的横向速度（卡尔曼滤波器）+ 本地坐标系转换 （点匹配，point matching）

Vehicle State Estimation by Kalman Filter

在以往的研究中，由于无法测量车辆的横向速度，因此仅考虑横向速度较小的一般高速公路行驶场景，并假设横向速度为零。

运动学方程……

卡尔曼滤波器，设计为每 10 ms 估计一次状态.

路径规划算法中，前车必须生成自己的驾驶轨迹，使后车可以创建其目标路径。该轨迹分别由前后两个部分组成，各自保存300样本在FIFO 的pipline 缓存中。

Sensors 20 07022 g010 550

Proposed Path Planning Algorithm

后车路径规划框架：

Sensors 20 07022 g011 550

挑战在于没有全局坐标概念的情况下将LV viewpoint 的坐标系统转换成 FV 的。

两个数据集P和Q之间的点匹配方法：

首先，分别从P和Q中选择一个参考点。 它们必须代表相同二维形状中的相同点。 根据它们位置的不同，可以找到一个平移向量，并相应地平移 Q 中的所有点。 最后找到使P和Q重合的旋转矩阵。

Sensors 20 07022 g014 550

Sensors 20 07022 g015 550

后车能看到后保险杠，前车发送tractor 中心坐标，由此计算（Kabsch算法）转移坐标。

Results of Simulation and Road Test Experiments

整个实验包括仿真和实际测试两部分，其中仿真基于TruckSim和Matlab/Simulink，实际部分在高速进行，长度7.7公里。

模拟的结果是越往后的车辆由于卡尔曼滤波器的误差，其规划值逐渐偏离真值。

真实路测的结果显示，卡车对小坡度非常敏感，会导致横向位移偏差。本框架对于前车的随机扰动也有良好的修正能力。