【干货】车辆和车路协同的详细技术

发布时间:2020-08-26 18:30:39   来源:曙光健康网    
字号:

用手机扫描二维码在手机上继续观看

手机查看

文章综合整理自知乎@黄浴、 智驾最前沿

2020年8月27日,福斯将在苏州吴江举行“中国未来新能源汽车技术论坛”,邀请多位业内专家配合探讨未来新能源的生长趋势、政策和技术。此次论坛我们将开放实时线上直播,感兴趣的朋侪可扫描直播间二维码在线寓目。

网联自动车可以将自动驾驶汽车视为具有人工智能(AI)功效,能够自动驾驶、感知其周围情况、识别其四周的物体并执行推理和决议的功效行的3D视觉数据集。

从自动驾驶的的单车(single agent)智能过渡到车辆/车路协同的多智体(multi-agent)智能,也是车联网和智慧都会/交通的优势,下面列一些供阅读的有关文献。

网联自动车形成了所谓的汽车互联网(IOV),预计最早将在2021年改变世界规模内的交通运输方式,并改变都会生活,并在未来几十年中普及。

网联自动车经常被吹嘘为一项在不久的未来将在社会中普及的技术。人们可以将自动驾驶汽车视为具有人工智能(AI)功效,能够自动驾驶、感知其周围情况、识别其四周的物体并执行推理和决议的功效。

它不是单独运行,而是研究了自动驾驶汽车在其社会网络物理(socio-cyber-physical)情况中举行互助和交互的须要性,包罗互助将解决的问题以及议题和挑战。

它凭据选定的示例回首了当前在自动驾驶汽车方面的互助事情。其结论指出,除了感知直接情况和基础网络技术之外,作为自动驾驶汽车的社交人工智能(social-AI)功效的一种形式,还需要具有协作行动(behave cooperatively)的能力。

车辆需要通过专用短程距离联网(DSRC)或5G-V2X网络,接纳IoT服务(包罗通过路边单元),不仅与其他车辆而且还可能与摩托车、自行车、行人和其他门路用户举行交互。

通过这样的网络协议,车辆有时机交流应用层消息并举行互助以提高宁静性,并提高其有效性,从而在车辆网络层(vehicular network layer)之上建立一个协作层(cooperation layer)。

社交车辆(Social vehicles)构想了CAV的社交大脑(social brain),CAV被界说为一个软件模块,该软件模块确定车辆如何与其他车辆协作、车辆如何与车联网络上的行人和服务协作、车辆如何推理社交行为、车辆在收到特定消息时如何体现,以及在路况下如何使用车辆间的互助。

CAV的社交大脑可以针对门路上的其他车辆和行人推断出社会状况(social situations ),记着已往的互动以为未来的互助提供信息,在门路的社交规范内事情,并具有上下文觉察(context-aware)的关注(类似于人类的社会认知)。

社交大脑不仅在推理场景觉察(situation-awareness),而且还决议了车辆的行为-车辆在社交运动中相对其他车辆如何体现,以及车辆与其他实体的互动方式(例如,要发送哪些消息)。

CAV的社交大脑可以预测或建模其他车辆和人员将要做什么,相识其他车辆和人员的意图,并体现出对种种情况都能明白的方式。

车辆的社交大脑可以针对差别的路况实施多种互助协议,例如用于交织路口的碰撞警告协议、用于盘旋路(roundabouts)的移动协议、用于交通合并的协议、用于在高速公路通行的协议、用于超车的协议和用于交织路口的汽车让路协议等等,这些协议都集成到了车辆的社交大脑模块中。

同时,不仅需要规则政策和机械人执法来治理一般的门路交通,还需要确保CAV之间以及CAV与人之间的可信赖的和道德的互动。

车辆的“social-AI”是支持种种互助行为的主要组成部门。

车辆协同和推理的应用包罗:

Parking (泊车)and Routing(路径);

Swarm Behaviors (群行为)for Dynamic Traffic Flows;

Platooning(车队), Intersections (路口)and Safety(宁静);

Cooperative awareness(协同觉察);

Long Term Cooperation (恒久互助)- Social Networks and Social Memory;

挑战:

Scales (尺度规模);

Trusted communication and deception proofing (可信通信和欺诈确认);

Standards(尺度);

How Should Vehicles Talk to Each Other and with the Infrastructure(攀谈)?

Context-Aware Decision-Making and Regulations(决议和规章);

Lawful interaction (正当的交互)。

Swarm-Based Dynamic Traffic Flow

传统上,门路或交通信号灯上的标志用于协调车辆,使它们有条不紊地行驶,但它们可能会导致延误或淘汰门路使用率。通过互助与协调,可以在没有物理信号的情况下协调交通流。车辆之间的互助也可形成灵活的团体车辆行为。例如,在高速公路上,车道在两侧均等地牢固(例如,每个偏向上有五个车道)-而在某些时候,一个偏向的交通可能会比另一偏向大。借助CAV,当一个偏向的交通流量很高时,车辆可以大规模协作并通知其他车辆,允许现在一个偏向有8条车道,而相反偏向有2条车道。然后,在其他时间重新平衡车道。另外,某些“车道”在某些时候可能会变窄(汽车相互靠近但速度较慢),而在其他时候,车道会变宽(汽车运动较快但相互相距较远)。这个想法被称为“交通整形(traffic shaping)”。

无人驾驶/无人驾驶是当前最新技术,有可能从基础上改变小我私家和货物的流动性。现在,大多数开发都针对独立自动驾驶汽车,这些汽车可以感知周围情况并基于这种感知来控制车辆,而驾驶员的干预很少或基础没有。

这里着重于自动驾驶汽车研究的下一步,即自动驾驶汽车之间的协作,主要是车辆编队控制(formation control)或车辆成排(vehicle platooning)。为了对这一领域有更深入的相识,该文对许多现有的揭晓论文举行了系统的综述。换句话说,其研究了许多漫衍式的和疏散的车辆编队控制方法,并讨论了它们的实现。最后,总结了编队控制的技术和实施面临的挑战。

Formation control approaches

为了实现编队控制,与其他机械人共享信息是多机械人系统中的关键任务。因此,在车辆组排中拓扑实现以解决信息共享问题。这些拓扑卖力信息交流流程,该流程形貌了组排中的车辆如何相互交流信息。

Leader–follower topologies

如上图,拓扑A是前继追随(PF,predecessor following)拓扑,拓扑B是前继-向导追随(PLF,predecessor–leader following)拓扑,拓扑C是双向(BD,bidirectional)拓扑,拓扑D是双向向导(BDL,bidirectional-leader)拓扑,拓扑E是双前继追随(TPF,two-predecessor following)拓扑,拓扑F是双前继-向导追随(TPFL,two-predecessor–leader following)拓扑。请注意,这些拓扑针对单个排而言。在组排操作期间,可能会发生多种情况,例如多个排之间的交互或现有拓扑下的通信中断。为了排的稳定性和移动性,应思量动态的或交流拓扑。动态或交流拓扑意味着随时间推移,排编队的拓扑会切换为差别拓扑。

在多机械人系统中,告竣共识(consensus)可以被认为是重要的要求之一,在这种情况下,自动驾驶汽车可以通过与其邻人车辆在当地共享信息告竣协议以形成阵型(formation)。

通常,收敛到一个配合的价值被称为共识,这取决于自动驾驶汽车之间的相同。

凭据一些设计的漫衍式协议,对与邻人共享信息的移动署理之间局部交互导致的共识行为(consensus behavior )分析,是一个关键问题。

共识可以以多种方式提供资助,例如:

Alignment 对齐(指向同一偏向);

Synchronization 同步(同一个时间);

Distributed Estimation 漫衍式预计(同一个预计/丈量分配量);

Rendezvous 汇合(在同一个点碰头)。

向导-追随者控制(leader–follower control)是一种广泛接纳的编队方法。在这种方法中,可以通过三种方式实现向导机械人:静态向导(向导机械人稳定),虚拟向导(使用软件向导)和动态向导(凭据情况而改变)。此外,卖力机械人之间信息交流的通信拓扑结构在向导-跟随者方法中起着至关重要的作用。对于控制器设计,大多数文献都讨论了纵向控制。然而,横向控制对于在结构化情况中的自动驾驶车辆导航同样重要。一旦编排形成,就使用弦稳定性分析(string stability analysis)来举行编排的稳定性分析。在向导-跟随者方法中,每个位置向量和车辆分散向量之和告竣共识,信息流(information flow)自己就是一个有向生成树(spanning tree)。

Distributed controllers in platoon framework

行为控制(Behavioral control)用于在未知或动态情况中实现多机械人系统的协调控制。当无法准确地建模或表征真实世界时,基于行为的方法最为有效。通过制止离线路径计划(offline path planning)并使用传感器来获取情况的即时信息,该方法为系统提供了在庞大或杂乱情况中导航的自主权。

自动驾驶汽车的情况充满不确定性,而且也是不行预测的、嘈杂的和动态的。基于行为的体系结构启用实时处置惩罚、严重依赖感知(sensing)和无需构建潜在错误的全局世界模型等提供克服这些难题的谜底。基于行为的机械人具有高度自治性和机械准确性,险些没有盘算资源,可以通过学习举行革新,可以通过软件重用(software re-use)编程并情况集成。

用于移念头器人的电机模式(Motor schemas )是完成目的导向行为(goal-directed behavior)的一系列行动。模式和运动单元不是代表机械人可用的最简朴的基本行动(例如,对机械人执行器的简朴下令),而是代表了机械人行动的更高条理的抽象,例如避开障碍物、避开机械人、保持编队并移向目的(goal)。这些模式和运动单元界说仅用少量参数编码的控制计谋,并用作机械人的基础集或运动词汇。这样的单元足以通过模式(schemas)或单元(primitive)的组合生成机械人的全部行动。通过实施几种运动模式,例如移动到目的(move-to-goal),避开静态障碍物,避开机械人和编排保持,思量了许多编排形状,例如直线、圆柱、菱形和楔形。

在人工势场(APF,artificial potential field)方法中,移念头器人在搜索空间中具有由目的和障碍物生成的两个场。这两个场是障碍物发生的排挤力场和目的发生的吸引力场。这些气力在靠近障碍物或目的时会更强,在远处的影响较小。在这种方法中,目的位置获得了吸引力,而障碍物则对机械人发生了排挤力。机械人上协力(所有力的总和)用于确定机械人的运动和速度以及行进偏向,同时制止碰撞。事实证明,APF是一种很好的避障算法,可用于编排问题。

聚合(Flocking)形貌了飞鸟的行为、鱼类的放养或昆虫的蜂群行为。聚合控制主要包罗三种行为:制止碰撞(也称为分散),速度匹配(也称为对齐)和聚合居中(也称为内聚)。速度匹配是矢量,是指航向和速度的组合。制止碰撞是一种分散行为,可以制止过分拥挤和相互碰撞,聚合居中使机械人位于聚合中心或四周聚合朋友四周。

聚合问题可以看作是编队控制问题的一个子案例,它要求机械人沿着聚合体的某些路径一起移动,但对特定机械人所接纳的路径要求却很小。与聚合相比,编队越发严格,要求机械人在情况中移动时保持一定的相对位置。因此,多个移念头器人系统同时思量聚合和编队控制。

一种虚拟结构(virtual structure )方法旨在解决协作机械人运动历程中维持几何设置(geometric configuration)的问题。虚拟结构是机械人元素的荟萃,这些元素相互之间以及与参照系之间保持(半)刚性几何关系。

虚拟结构方法的优点可以形貌如下:

实现高精度控制的能力;

通过保持编队,在机械人故障期间具有固有的容错能力;

无需选举向导机械人;

无需修改即可针对差别种类的虚拟结构举行重新设置;

可以以漫衍式方式实施,而不会如集中式实施那样增加通信开销。

没有明确的功效剖析。

拥堵是驾驶员对种种滋扰的响应造成的。行动未便也会导致驾驶员沮丧、烦恼和压力,这可能会勉励激进的驾驶行为并减慢恢复自由交通流的历程。网联自动驾驶汽车(CAV)可以通过淘汰和减轻交通事故来提高宁静性。它们还可以通过改善交通流提供淘汰运输能耗和排放的时机。车辆与交通结构和交通信号灯之间的通信可以使单车优化其运行并应对不行预测的变化。本文总结了迄今为止文献中报道的CAV协调领域的生长和研究趋势,还讨论了其他挑战和潜在的未来研究偏向。

为了实现这些目的,即减轻拥堵、淘汰能源消耗和排放并提高宁静性,车辆需要能够相互通信并交流信息;也就是说,它们需要联接。解决交通拥堵问题的一种盛行的系统级方法是形成高速行驶、同时加速或制动的车辆编组排(Forming platoons)。多年来,CAV的需求已变得盛行。许多利益相关者直观地看到了多尺度车辆控制系统的利益,并已开始在各自领域开发业务案例,包罗汽车和保险业,政府和服务提供商。显然,车对车(V2V)通信有潜力使车辆能够更快地思量其相互情况的变化,淘汰交通事故并缓解交通拥堵。同样,车辆到基础设施(V2I)的通信,例如与交通结构、四周修建物和交通信号灯的通信,允许各个车辆控制系统思量到当地基础设施中不行预测的变化。

Vehicles able to communicate with each other and infrastructure, e.g., buildings and traffic lights.

使用集中式或疏散式协同方法的大量研究事情都集中在协调交织路口的CAV和在高速公路匝道上合并。如果系统中至少有一项任务是由单其中央控制器为所有车辆全局决议的,则它将方法分类为集中式。在疏散式方法中,将车辆视为自主署理,它们试图通过战略互动(strategic interaction)来最大化其协作效率。在这种框架下,每辆车都从其他车辆和路边基础设施获取信息,优化特定的性能尺度(例如,效率和行驶时间),同时满足运输系统的物理约束(例如,停车标志和交通信号)。匝道计表(Ramp metering)是用于调治汇聚入高速公路的车辆流量以淘汰交通拥堵的常用方法。只管已经讲明它可以资助改善高速公路的总体交通流量和宁静性,但由于匝道长度较短,可能会泛起一些问题,例如对相邻门路上的交通发生滋扰。以前已经探索相识决这些挑战的差别计谋,包罗反馈控制理论、最优控制和启发式算法。

鉴于最近的技术生长,一些努力思量解决汇聚门路而引起的交通拥堵的几种路径。在这些努力中,假设门路上的车辆已毗连并具有一定水平的自主权。该假设有助于设计谋略,以实现合并行动的宁静和有效协调,从而制止车辆不须要的走走停停(stop-and-go)操作。另一方面,对于十字路口,交通信号灯被认为是控制交通的最有效方法之一,而且仍在举行实验以提高其有效性。据报导,使用集中式和疏散式控制算法可通过交织路口实现宁静有效的交通自主控制的方法许多。请注意,交织路口控制问题和合并控制问题本质上很是相似,为交织路口控制提出的大多数方法都可以轻松地用于合并协调,反之亦然。

Intersection with CAVs

Merging road way scenario with CAVs

数字设备正变得越来越普遍而且相互联系。它们向数字生态系统智能部门的演进缔造了迄今为止尚未解决宁静问题的新颖应用。一个特定的例子是车辆,随着车辆从简朴的交通方式生长到具有新的感知和通讯功效的智能实体,它们成为智能都会的活跃成员。车联网(IoV)包罗通过V2V(车对车),V2I(车对基础设施)和V2P(车对行人)交互而与公共网络举行通信的车辆,其收集和实时共享有关路网状况的关键信息。社交物联网(SIoT)引入目的(objects)之间的社交关系,建立了一个到场者不是人类而是智能目的的社交网络。该文探讨了车辆社交网络(SIoV,Social Internet of Things)的观点,该网络使车辆之间和驾驶员之间的社交互动成为可能。本文还讨论了SIoV的技术和组件,可能的应用以及可能泛起的宁静性,隐私和信任问题。

上下文觉察技术和无线车辆通信技术,例如专用短距离通信(DSRC)、恒久演进(LTE)、IEEE 802.11p和用于微波会见(WiMax)的全球互操作性,其最新生长推动了车辆网络的设计、开发和部署。越来越多提议想把社交网络应用用于车载网络,这导致传统车载网络向SIoV的转变。

本文着重于三个主要方面:(1)下一代车辆; (2)车辆上下文觉察 (3)SIoV上下文觉察应用。车辆自组织网络(VANET)是一种移动自组织网络,已被提出来提高交通宁静性并为驾驶员提供舒适的应用法式。VANET的奇特功效包罗遵循预定路径(即门路)的快速行驶的车辆和具有差别优先级的消息。

使用车载单元,车辆可以相互(V2V)和与路边单元(V2I)举行通信。这可以实现多种其他形式的通信,例如车对宽带云(V2B)(其中车与监视数据中心举行通信),车对人(V2H)这种懦弱的门路使用者即行人或自行车,举行通信,或者车辆对传感器(V2S)、车辆与情况中嵌入的传感器举行通信。

On-street parking system scenario

IoV的一个关键方面是使车辆具有上下文觉察能力,即相识周围的情况,尤其是与之特别相关的情况。上下文觉察系统是那些能够使其行为适应其当前上下文情况的系统。车辆的上下文感知可以通过三个主要子系统提供:感知,推理和行动。

感知子系统从与车辆OBU集成的差别传感器收集上下文信息。这些传感器的类型凭据车辆的要求而有所差别,例如位置、红外或超声波。换句话说,此表现是收集上下文数据的方式。

推理子系统处置惩罚原始数据以提取高级上下文信息,例如驾驶员的情况。可以从界说特定上下文信息的单个传感器中提取上下文信息,也可以从界说不确定上下文信息的多个传感器中提取上下文信息。

执行子系统代表应用法式执行者,该执行者为用户或其他驱动法式提供服务、流传警告消息、车载警报和智能停车辅助系统是部署高级应用法式的示例,这些应用法式可防止发生事故并淘汰门路拥堵。

Clustering of vehicles

A platoon of vehicles

出行(Mobility)是都会生活的支柱,也是世界生长的重要经济因素。快速的都会化历程和特大都会的生长正在带来车辆能力的变化。自主性、电气化和毗连性等创新解决方案即将泛起。那么,我们如何才气提供与传统和自动驾驶汽车的普遍毗连?

本文试图通过联合网络虚拟化方面的最新创新飞跃与无线通信的壮举往返答这个问题。为此,它提出了一种称为自动驾驶汽车互联网(IoAV)的规范。通过讨论IoAV的显着特征和应用,它开始绘制IoAV这幅画,然后详细讨论关键的启用技术。接下来,本文形貌了IoAV的分层体系结构并展现了每一层的关键功效。然后是IoAV的性能评估,该评估讲明了所建议架构在传输时间和能耗方面的显着优势。最后,为了最好地掌握IoAV的优势,该文枚举了一些社会和技术挑战,并解释了一些未解决的问题如何在未来扰乱自动驾驶汽车的广泛使用。

TABLE I: Classification of different attributes of IoV and IoAV

Prospective time-line of evolution of autonomous vehicles.

TABLE II: Classification of different contextual factors

Intelligent sensing technology stabilizing the movement of autonomous vehicle in closed spaces.

Three layers of IoAV:The physical layer,Virtual layer performs network,Management layer

文章综合整理自知乎@黄浴、 智驾最前沿

图说天下

分享到微信朋友圈

×

打开微信,点击底部的“发现”,

使用“扫一扫”即可将网页分享至朋友圈。

时尚女人
育儿知识
生活百科
减肥方法