Successfully reported this slideshow.
Your SlideShare is downloading. ×

Optimal route planning of autonomous vehicles in dynamic environments.

Optimal route planning of autonomous vehicles in dynamic environments.

Download to read offline

Autonomous driving is developing and evolving rapidly in the recent years. In the industrial sector, there are many companies that want to establish themselves first in the market, and create the ”ideal” autonomous vehicle. Improving citizens’ safety, reducing travel time and smoothly operating traffic, drives the need for efficient and effective autonomous driving solutions. In an ideal scenario, people will be able to cross roads without paying attention to passing vehicles, car accidents will diminish and traffic lights and other road signs will no longer be necessary as cars will be able to exchange information with each other through a communication network. The development of such a technology though, is quite complex, as it requires having control of many random and unpredictable conditions. In order to develop such a solution, it is necessary for the autonomous vehicle to have an excellent perception of the surrounding space, adapt to it, and be able to respond instantly to any changes in the surrounding environment. The vehicle must navigate safely on the road and respond to static and dynamic obstacles. In addition, it should and evaluate decision scenarios and then, according to the circumstances, select the appropriate response. Thus, autonomous vehicles need to be equipped with special sensors that identify and map the surrounding area of the vehicle, are armed with complex control and decision making systems and appropriate behavioral prediction systems. This dissertation focuses on the design and development of such an autonomous driving system. The purpose of the system is to safely navigate the vehicle, from a starting point to a final destination, in a city filled with vehicles and pedestrians while at the same time it calculates the best and shortest road in compliance to traffic rules. The system has been developed in the form of a modular, ego-only system. The software is written in the Python programming language and the ROS middleware. The Carla simulator was selected, which offers cities, cars and the desired physics to conduct the results. The developed system consists of the individual systems of 1) construction of the global path, 2) perception, 3) behavior prediction, 4) construction of local paths, 5) behavior selection and 6) control of the kinematic behavior of the vehicle. These systems communicate accordingly with each other in order to achieve autonomous driving. In the global path construction system, a guided graph of the map is created and the algorithm A* is used to search for the optimal route. (continue in full text)

Autonomous driving is developing and evolving rapidly in the recent years. In the industrial sector, there are many companies that want to establish themselves first in the market, and create the ”ideal” autonomous vehicle. Improving citizens’ safety, reducing travel time and smoothly operating traffic, drives the need for efficient and effective autonomous driving solutions. In an ideal scenario, people will be able to cross roads without paying attention to passing vehicles, car accidents will diminish and traffic lights and other road signs will no longer be necessary as cars will be able to exchange information with each other through a communication network. The development of such a technology though, is quite complex, as it requires having control of many random and unpredictable conditions. In order to develop such a solution, it is necessary for the autonomous vehicle to have an excellent perception of the surrounding space, adapt to it, and be able to respond instantly to any changes in the surrounding environment. The vehicle must navigate safely on the road and respond to static and dynamic obstacles. In addition, it should and evaluate decision scenarios and then, according to the circumstances, select the appropriate response. Thus, autonomous vehicles need to be equipped with special sensors that identify and map the surrounding area of the vehicle, are armed with complex control and decision making systems and appropriate behavioral prediction systems. This dissertation focuses on the design and development of such an autonomous driving system. The purpose of the system is to safely navigate the vehicle, from a starting point to a final destination, in a city filled with vehicles and pedestrians while at the same time it calculates the best and shortest road in compliance to traffic rules. The system has been developed in the form of a modular, ego-only system. The software is written in the Python programming language and the ROS middleware. The Carla simulator was selected, which offers cities, cars and the desired physics to conduct the results. The developed system consists of the individual systems of 1) construction of the global path, 2) perception, 3) behavior prediction, 4) construction of local paths, 5) behavior selection and 6) control of the kinematic behavior of the vehicle. These systems communicate accordingly with each other in order to achieve autonomous driving. In the global path construction system, a guided graph of the map is created and the algorithm A* is used to search for the optimal route. (continue in full text)

More Related Content

More from ISSEL

Related Books

Free with a 30 day trial from Scribd

See all

Optimal route planning of autonomous vehicles in dynamic environments.

  1. 1. Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 1 Εκπόνηση: Κορκούτι Διονύς Α.Ε.Μ: 8748 Επίβλεψη: Κ. Συμεωνίδης Ανδρέας Αναπληρωτής Καθηγητής Α.Π.Θ. Δρ. Τσαρδούλιας Εμμανουήλ Μεταδιδακτορικός Ερευνητής Θεσσαλονίκη, Ιούνιος 2021
  2. 2. Διάρθρωση Παρουσίασης Εισαγωγή Κίνητρο Βαθμοί Αυτονομίας Γνώσεις που Αποκτήθηκαν 01 02 03 04 05 06 Τεχνολογίες Μεμονωμένα και Συνδεδεμένα Συστήματα Αρχιτεκτονική Σχεδίασης Μεθοδολογία Αλγοριθμικός Σχεδιασμός Ανάλυση Υποσυστημάτων Αποτελέσματα Μέθοδος Αξιολόγησης Στατιστικά Αποτελέσματα Σενάρια Χρήσης Συμπεράσματα Σχολιασμός Πειραμάτων Γενικά Συμπεράσματα Μελλοντική Έρευνα Βελτίωση και Εξέλιξη της Υλοποίησης Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 2
  3. 3. Εισαγωγή 01 3 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  4. 4. Κίνητρο Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 4 Ασφάλεια Τήρηση του Κ.Ο.Κ Βέλτιστος Χρόνος Αντίδρασης Ανεπηρέαστο από Ανθρώπινα Λάθη Περιβάλλον Χαμηλή Κατανάλωση Καυσίμων Μείωση Ρίπων Καλύτερη Ποιότητα Αέρα Εξέλιξη Μείωση Κυκλοφοριακού Μετακίνηση Ατόμων με Ειδικές Ανάγκες Δουλειά και Οδήγηση Κόστος Χαμηλότερο Κόστος Μετακίνησης Εξοικονόμηση Καυσίμων Μικρότερο Ασφαλιστικό Κόστος
  5. 5. Βαθμοί Αυτονομίας Level 0 Κανένας Αυτοματισμός Level 1 Υποβοηθούμενη Οδήγηση Level 2 Μερική Αυτονομία Level 3 Αυτονομία υπό Όρους Level 4 Υψηλό Επίπεδο Αυτονομίας Level 5 Πλήρης Αυτονομία Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 5
  6. 6. Γνώσεις που αποκτήθηκαν Linux ROS Bοηθά τους ερευνητές και τους προγραμματιστές να δημιουργούν και να επαναχρησιμοποιούν κώδικα μεταξύ εφαρμογών ρομποτικής. Python - Τεχνητή Νοημοσύνη και Μηχανική Μάθηση - Ανάπτυξη Ιστοσελίδων και Παιχνιδιών - Ανάλυση και Οπτικοποίηση Δεδομένων. - Χρηματοοικονομικά. - ..- Carla Yποστηρίζει την ανάπτυξη, την εκπαίδευση και την αξιολόγηση συστημάτων αυτόνομης οδήγησης Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 6 - Αυτόνομα οχήματα (Google, GM, VW) - Βάσεις Δεδομένων και Servers - Έξυπνες Συσκευές
  7. 7. Τεχνολογίες 02 7 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  8. 8. Μεμονωμένα και Συνδεδεμένα Συστήματα Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 8 Perception Prediction Behavior Control Συνδεδεμένα Συστήματα Μεμονωμένη Σχεδίαση Ενσωματώνει όλες τις απαραίτητες διαδικασίες της κίνησης σε ένα αυτοδύναμο όχημα το οποίο μπορεί να πλοηγείται υπό οποιεσδήποτε συνθήκες. Διαμοιρασμός των πληροφοριών σε ένα πλήθος πρακτόρων μέσα από ένα δίκτυο επικοινωνίας.
  9. 9. Μία σειρά από δομημένα εξαρτήματα διοχετεύουν τα δεδομένα από τους αισθητήρες στους ενεργοποιητές (actuators). ■ Σύστημα αισθητήρων ■ Σύστημα χαρτογράφησης και αναγνώρισης αντικειμένων ■ Σύστημα πρόβλεψης και επιλογής συμπεριφοράς ■ Σύστημα ελέγχου Οι εντολές κίνησης θα προκύψουν απευθείας από τα δεδομένα των αισθητήρων. ■ Supervised deep learning ■ Neuroevolution ■ Deep reinforcement learning Αρθρωτή και Διατερματική Σχεδίαση Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 9 Περιβαλλοντικές συνθήκες Οδήγηση End-to-End Αισθητήρες Καταστάσεις οχήματος Αρθρωτή Σχεδίαση Διατερματική Σχεδίαση
  10. 10. Μεθοδολογία 03 10 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  11. 11. Αρχιτεκτονική Σχεδίασης Behaviour Πρόβλεψη Σύγκρουσης Επιλογή Συμπεριφοράς Υποσύστημα Συλλογής και Διαμοιρασμού Δεδομένων Localisatio n Κατασκευή Βασικού Μονοπατιού Κατασκευή Τοπικών Μονοπατιών 11 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον Perception Lidar Obstacle Detector Vehicle Control PID Ελεγκτής Ταχύτητα – Επιτάχυνση - Προσανατολισμός
  12. 12. Υποσύστημα Κατασκευής Βασικού Μονοπατιού Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 12 1. Κατασκευή Πλήρη Γράφου ■ Το Carla API παρέχει δομή με όλες τις κεντρικές αρτηρίες του χάρτη. ■ Επέκταση αυτής της δομής σε κατευθυνόμενο γράφο. 2. Χρήση του Αλγορίθμου Α* ■ Ο αλγόριθμος Α* είναι ένας από τους πιο διαδεδομένους αλγόριθμους εύρεσης συντομότερου μονοπατιού. Ανήκει στην κατηγορία των best-first αλγορίθμων λόγω της άπληστης επιλογής του να ελέγξει πρώτα τους κόμβους με το μικρότερο κόστος.. 𝐟 𝐯 = 𝒉 𝒗 + 𝒈(𝒗) .. ■ Παρέχει καλή ταχύτητα εκτέλεσης και Αξιοπιστία
  13. 13. Υποσύστημα Αντίληψης Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 13 LIDAR • Εύρος εως 50m • 20 μετρήσεις/s με 3200 σημεία σε κάθε μέτρηση • + 5ο το άνω όριο και - 26ο το κάτω Obstacle Detector • Εύρος εως 30m και γωνία όρασης 90ο • Αναγνώριση Εμποδίου • Ταχύτητα Επιτάχυνση και Απόσταση Εμποδίου Εντοπισμών Αντικειμένων μέσω Lidar Για τον εντοπισμό κάποιου κινούμενου αντικειμένου επιλέγονται 2 διαδοχικές μετρήσεις. Λόγω θορύβου θωρείται ότι έχουμε κάποιο εμπόδιο όταν υπάρχει:  Διαφορά στις μετρήσεις.  Μεγάλο αριθμό σημείων  Πυκνότητα σημείων (να βρίσκονται κοντά μεταξύ τους)
  14. 14. Υποσύστημα Πρόβλεψης Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 14 1. Πρόβλεψη Σύγκρουσης με Πεζό Γίνεται η παραδοχή ότι το αυτόνομο όχημα και ο πεζός κινούνται σε ευθύγραμμη ομαλή τροχιά. ■ Χρήση μοντέλου ευθύγραμμης ομαλής κίνησης για την πρόβλεψη της σύγκρουσης. Χ𝛼 𝑡 = 𝑋0𝑎 + 𝑡𝑉 𝑎 Χ𝑝 𝑡 = 𝑋0𝑝 + 𝑡𝑉 𝑝 ■ Η απόσταση των δυο όπως φαίνεται και από το σχήμα ορίζεται ως εξής: 𝐷0 = 𝑋0𝑎 2 − 𝑋0𝑝 2 2. Πρόβλεψη Σύγκρουσης με όχημα. Λόγω της ταχύτητας εκτέλεσης του αλγορίθμου θεωρείται ότι τα οχήματα εκτελούν ευθύγραμμη ομαλή μεταβαλλόμενη κίνηση. ■ Η θέσεις και οι ταχύτητες των 2 οχημάτων υπολογίζονται ως εξής: Χ𝛼 𝑡 = 𝑋0𝑎 + 𝑡𝑉𝑎0 + 1 2 𝛼𝛼𝑡2, 𝑉 𝑎 = 𝑉𝑎0 + 𝑎𝑎𝑡 Χ𝑐 𝑡 = 𝑋0𝑐 + 𝑡𝑉𝑐0 + 1 2 𝛼𝑐𝑡2, 𝑉 𝑐 = 𝑉𝑐0 + 𝑎𝑐𝑡 ■ Έτσι υπολογίζεται ο χρόνος σύγκρουσης και η επιτάχυνση: 𝑡1 = 2𝑑𝑠𝑎𝑓𝑒𝑡𝑦 𝑉𝑐0 − 𝑉𝑎0 , 𝑎𝑎 = 𝑉𝑐0 − 𝑉𝑎0 𝑡1 + 𝑎𝑐
  15. 15. Υποσύστημα κατασκευής τοπικών μονοπατιών Αξιολόγηση Τοπικών Μονοπατιών Κάθε σημείο waypoint της κεντρικής διαδρομής πρέπει να μετατραπεί στο καμπυλόγραμμο σύστημα συντεταγμένων. Καμπυλόγραμμο Σύστημα Συντεταγμένων Αξιολόγηση και επιλογή του μονοπατιού προσπέρασης σύμφωνα με την ομαλότητα της κίνησης, τη στατική και δυναμική ασφάλεια Κατασκευή Τοπικών Μονοπατιών Παράγεται ένας πεπερασμένος αριθμός διαδρομών το καθένα με διαφορετική απόσταση από το κεντρικό μονοπάτι. 15
  16. 16. Υποσύστημα κατασκευής τοπικών μονοπατιών Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 16 Καμπυλόγραμμο Σύστημα Συντεταγμένων Κάθε σημείο 𝑥0, 𝑦0 της κεντρικής διαδρομής μπορεί να εκφραστεί ως εξής: 𝑥0 = 𝑎𝑥𝑠3 + 𝑏𝑥𝑠2 + 𝑐𝑥𝑠 + 𝑑𝑥 𝑦0 = 𝑎𝑦𝑠3 + 𝑏𝑦𝑠2 + 𝑐𝑦𝑠 + 𝑑𝑦 Όπου s είναι το μήκος τόξου που διαγράφεται πάνω σε δύο σημεία του χάρτη. Έτσι κάθε σημείο μπορεί να εκφραστεί ως 𝑝0 = 𝑠, 𝜌 με ρ την απόσταση από τη κεντρική γραμμή, κατεύθυνση 𝜃0 και καμπυλότητα 𝜅0 𝜃0 = arctan 𝜕𝑦0 𝜕𝑥0 , 𝑘0 = 𝑥0 ′ 𝑦0 ′′ − 𝑥0 ′′ 𝑦0 ′ (𝑥0 ′ + 𝑦0 ′ )3 Κατασκευή Τοπικών Μονοπατιών Κάθε μονοπάτι να διαχωρίζεται ως προς την απόσταση του από την κεντρικό μονοπάτι και μπορεί να οριστεί από την παρακάτω εξίσωση: 𝑝 𝑠 = 𝑎(𝑠 − 𝑠𝑠𝑡𝑎𝑟𝑡)3 +𝑏(𝑠 − 𝑠𝑠𝑡𝑎𝑟𝑡)2 +𝑐 𝑠 − 𝑠𝑠𝑡𝑎𝑟𝑡 + 𝑝𝑠𝑡𝑎𝑟𝑡, 𝑠 ∈ [𝑠𝑠𝑡𝑎𝑟𝑡, 𝑠𝑒𝑛𝑑] 𝑝𝑒𝑛𝑑, 𝑜𝑡ℎ𝑒𝑟 Για να υπολογίσουμε τις σταθερές a, b, c θα λάβουμε υπόψιν τις οριακές συνθήκες 𝑝 𝑠𝑠𝑡𝑎𝑟𝑡 = 𝑝 𝑠𝑠𝑡𝑎𝑟𝑡 , 𝑝 𝑠𝑒𝑛𝑑 = 𝑝 𝑠𝑒𝑛𝑑 , 𝜕𝑝(𝑠𝑠𝑡𝑎𝑟𝑡) 𝜕𝑠 = 𝑡𝑎𝑛Δ𝜃𝑠𝑡𝑎𝑟𝑡, 𝜕𝑝(𝑠𝑒𝑛𝑑) 𝜕𝑠 = 0
  17. 17. Υποσύστημα κατασκευής τοπικών μονοπατιών Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 17 Αξιολόγηση τοπικών Μονοπατιών 1. Συνάρτηση κόστους για στατικά εμπόδια. Ορίζεται ένας πίνακας R που εκφράζει τους διάφορους βαθμούς επικινδυνότητας. Παίρνει τιμές από 0 αν το μονοπάτι διέρχεται από το κέντρο της λωρίδας κυκλοφορίας χωρίς να αποτελεί κίνδυνο και 1 αν το μονοπάτι διαπερνά κάποιο στατικό αντικείμενο ή αν βγαίνει εκτός δρόμου. f𝑠 𝑟𝑖 = 𝑘=−𝑁 𝑁 𝑔𝑖 𝑘 𝑅[𝑘 + 1] , 𝑔𝑖 𝑘 = 1 2𝜋𝜎 𝑒 − (𝑘−𝑖)2 2𝜎2 2. Συνάρτηση κόστους για δυναμική ασφάλεια. Υπολογίζεται ο χρόνος σύγκρουσης για κάθε μονοπάτι που διέρχεται από την τροχιά κίνησης κάποιου άλλου οχήματος και η επιβράδυνση για την αποφυγή του. 𝜐0 𝑡 = Δs 𝑟𝑖 − 𝐿𝑐, 𝑎 𝑟𝑖 = 2(𝐿𝑐 − 𝐿𝑓) 𝜐0 2 (Δs 𝑟𝑖 − 𝐿𝑐)2 𝑓𝑑 𝑟𝑖, 𝑎 𝑟𝑖 = 𝑎 𝑟𝑖 (Δs 𝑟𝑖 − 𝐿𝑓) 3. Συνάρτηση κόστους για ομαλότητα της κίνησης. Γίνεται αξιολόγηση της ομαλότητας της πορείας του οχήματος, καθώς επίσης και η συνέχεια των κινήσεων του. f𝑠𝑚 𝑟𝑖 = 𝑘𝑖 2 𝑠 𝑑𝑠 , 𝑓𝑐𝑜 𝑟𝑖 = 1 𝑠2 − 𝑠1 𝑠1 𝑠2 Δ𝜃𝜄 𝑠 𝑑𝑠
  18. 18. Υποσύστημα Επιλογής Συμπεριφοράς Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 18 Πίνακας Συμπεριφορών Η λίστα συμπεριφορών αποτελεί ένα σύνολο καταστάσεων σε ένα FSM. Το όχημα ανά πάσα στιγμή βρίσκεται σε μία κατάσταση και σε περίπτωση αλλαγών στο περιβάλλον μεταβαίνει σε μία άλλη προκειμένου να προσαρμοστεί σ αυτό. Αλλαγή στην Ταχύτητα Αντιμετώπιση Εμποδίου Κίνηση σε Διασταύρωση Μείωση ταχύτητας σε μεγάλη στροφή Ακολούθησε το όχημα Αξιολόγηση Διασταύρωσης Υπολογισμός νέας ταχύτητας και επιτάχυνσης Προσπέρασε το όχημα Δεξιά στροφή σε κόκκινο Επιστροφή στο κεντρικό μονοπάτι Στοπ σε ασφαλή απόσταση Έκτακτη διακοπή πορείας Αλλαγή λωρίδας Παράδειγμα Αντιμετώπισης Εμποδίου Κατά την αντιμετώπιση εμποδίου το όχημα ακολουθεί τα παρακάτω σενάρια μετά την αξιολόγηση της κατάστασης:  Ακολούθησε το μπροστινό όχημα αν δεν υπάρχει δυνατότητα προσπέρασης  Αν υπάρχει δυνατότητα προσπέρασης προσπέρασε ή πέρασε σε άλλη λωρίδα.  Σε περίπτωση κινδύνου έκτακτη διακοπή πορείας.
  19. 19. Υποσύστημα Κινηματικού Ελέγχου Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 19 Ackerman Steering Βασική ιδέα στο μοντέλο Ackermann Steering αποτελεί η ελαφρώς μεγαλύτερη στροφή του εσωτερικού τροχού του οχήματος προκειμένου να αποφευχθεί η ολίσθηση του οχήματος. Έλεγχος Ταχύτητας και Θέσης Γίνεται χρήση δύο PID ελεγκτών, έναν για τη θέση και έναν για την ταχύτητα του οχήματος. ■ Ο διαφορικός έλεγχος Kd αυξάνει τη σταθερότητα του συστήματος ■ Ο αναλογικός ελεγκτής Κp μειώνει τον χρόνο ανύψωσης ■ .Ολοκληρωτικός ελεγκτής Κi μειώνει το σφάλμα μόνιμης κατάστασης Στην έξοδο εφαρμόζεται ένα χαμηλοπερατό φίλτρο προκειμένου να αποκόψει τις απότομες μεταβολές στην ταχύτητα και στη θέση για να συμβάλει ακόμα περισσότερο στην ομαλή κίνηση του οχήματος.
  20. 20. Αποτελέσματα 04 20 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  21. 21. Μέθοδοι Αξιολόγησης Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 21 Μετρικές Αξιολόγησης 1. Ορισμός ποινής παραβάσεων από τον πίνακα κόστους κάθε παράβασης. ■ Υπολογίζει τον αριθμό των παραβάσεων πολλαπλασιασμένο με το αντίστοιχο βάρος όπως ορίζεται στον πίνακα παραβάσεων. Ορίζεται ως εξής: 𝟏 𝑵 𝒊 𝑵 𝒋 𝒑𝒆𝒅,…,𝒔𝒕𝒐𝒑 (𝒑𝒊 𝒋 )𝒊𝒏𝒇𝒓𝒂𝒄𝒕𝒊𝒐𝒏𝒔 𝒋 2. Ορισμός μετρικής για ολοκλήρωση διαδρομής. ■ Αποτελεί το ποσοστό του μήκους της διαδρομής που ολοκληρώνει το αυτόνομο όχημα κατά μέσο όρο για Ν διαδρομές και ορίζεται ως εξής: 𝟏 𝜨 𝒊 𝑵 𝑹𝒊 3. Βαθμολογία οδήγησης. ■ Αποτελεί τον συνδυασμό των δύο προηγούμενων μετρικών και ορίζεται: 1 Ν 𝑖 𝑁 𝑅𝑖𝑃𝑖 Παράβαση Κόστος Παράβασης Σύγκρουση με πεζό 0,5 Σύγκρουση με όχημα 0,6 Σύγκρουση με στατικό εμπόδιο 0,65 Παραβίαση φωτεινού σηματοδότη 0,7 Παραβίαση stop 0,8 Παραβίαση ορίου ταχύτητας 0,9 Πίνακας Παραβάσεων
  22. 22. Μέθοδοι Αξιολόγησης Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 22 Επιπλέον Μετρικές 1. Απόκλιση Διαδρομής ■ Aν το όχημα αποκλίνει περισσότερο από 30 μέτρα από την καθορισμένη διαδρομή. 2. Χρονικό όριο διαδρομής. ■ Αυτό το χρονικό όριο ενεργοποιείται εάν η ολοκλήρωση μιας διαδρομής διαρκεί περισσότερο από 0.8 ∗ 𝑟𝑜𝑢𝑡𝑒_𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒_𝑖𝑛_𝑚𝑒𝑡𝑒𝑟𝑠 δευτερόλεπτα. 3. Μέσος όρος υπέρβασης ταχύτητας. ■ Ο μέσος όρος της υπέρβασης του ορίου ταχύτητας όταν παραβιάζεται. 4. Απότομες μεταβολές. ■ Αν το όχημα κάνει απότομες αλλαγές προσανατολισμού Πειράματα Εκτέλεση 10 διαδρομών σε 5 διαφορετικές πόλεις Διαφορετικό πλήθος δυναμικών εμποδίων (0, 10, 20, 40, 80) Συνολικά διένυσε 190km σε 250 διαφορετικές διαδρομές
  23. 23. Στατιστικά Αποτελέσματα 23 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  24. 24. Σενάριο 1 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 24 Απώλεια ελέγχου χωρίς προηγούμενη ενέργεια. Σε αυτό το σενάριο το όχημα θα πρέπει να ανακτήσει τον έλεγχο όσο πιο γρήγορα γίνεται, επιστρέφοντας στην αρχική του λωρίδα.
  25. 25. Σενάριο 2 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 25 Αποφυγή εμποδίων με προηγούμενη δράση. Το αυτόνομο όχημα βρίσκει ένα εμπόδιο στο δρόμο και πρέπει να εκτελέσει πέδηση έκτακτης ανάγκης ή έναν ελιγμό αποφυγής.
  26. 26. Σενάριο 3 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 26 Αλλαγή λωρίδας για να αποφευχθεί αργό προπορευόμενο όχημα. Το αυτόνομο όχημα πραγματοποιεί αλλαγή λωρίδας για να αποφύγει προπορευόμενο όχημα, το οποίο κινείται πολύ αργά.
  27. 27. Σενάριο 4 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 27 Διαπραγμάτευση διέλευσης σε μη σηματοδοτούμενη διασταύρωση. Το αυτόνομο όχημα θα πρέπει να διαπραγματευτεί με άλλα οχήματα για να διασχίσει μια μη σηματοδοτούμενη διασταύρωση. Σε αυτή την κατάσταση θεωρείται ότι το πρώτο όχημα που εισέρχεται στη διασταύρωση έχει προτεραιότητα
  28. 28. Συμπεράσματα 05 28 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  29. 29. Σχολιασμός Αποτελεσμάτων και Συμπεράσματα 29 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 1. Το ποσοστό ολοκλήρωσης της διαδρομής για κάθε πόλη είναι ίσο με 1. ■ Το όχημα μπορεί να ολοκληρώσει με επιτυχία μία διαδρομή χωρίς να κολλήσει κάπου ωστόσο μπορεί να χρειαστεί παραπάνω χρόνο για την ολοκλήρωση της διαδρομής. 2. Ο μεγαλύτερος αριθμός παραβάσεων είναι οι παραβάσεις ορίου ταχύτητας. ■ Ο μέσος όρος της παράβασης ήταν στα 3.5km/h πάνω από το όριο ταχύτητας το όποιο δεν αποτελεί σημαντικό παράπτωμα, ενώ παράλληλα θα μπορούσε εύκολα να δοθεί λύση στο παραπάνω πρόβλημα κάνοντας πιο απότομη την επιβράδυνση του οχήματος. 3. Οι περιπτώσεις σύγκρουσης κατά το μεγαλύτερο μέρος οφείλονται στο Carla. ■ Υπήρχαν περιπτώσεις όπου το αυτόνομο όχημα λόγω κάποιου εμποδίου να επιβραδύνει απότομα με αποτέλεσμα κάποιο όχημα από πίσω να συγκρουστεί πάνω του. ■ Οι λίγες φορές που οφείλονταν στο σύστημα αυτόνομης οδήγησης ήταν κατά την αλλαγή λωρίδας στο βασικό μονοπάτι. 4. Το όχημα έχει μεγαλύτερη επιτυχία σε μικρότερο αριθμό οχημάτων και πεζών. ■ Ο μεγαλύτερος αριθμός παραβάσεων οφείλεται κυρίως στο μποτιλιάρισμα που δημιουργείται στις μικρές πόλεις οι οποίες δεν μπορούν να ανταπεξέλθουν σε μεγαλύτερο αριθμό οχημάτων και πεζών
  30. 30. Μελλοντική Έρευνα 06 30 Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον
  31. 31. Μελλοντική Έρευνα Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 31 1. Σύστημα Αντίληψης ■ Χρήση μοντέλου τεχνητής νοημοσύνης για την αναγνώριση οχημάτων, πεζών και άλλων στοιχείων του περιβάλλοντος κίνησης. ■ Εισαγωγή διαφορετικών ειδών αισθητήρων και χρήση της τεχνολογίας sensor fusion. 2. Σύστημα Επιλογής Συμπεριφοράς ■ Χρήση μοντέλου αξιολόγησης και επιλογής από τον πίνακα συμπεριφορών του οχήματος. ■ Εκπαιδευτικό μοντέλο για πρόβλεψη τροχιάς άλλων οχημάτων και πεζών. 3. Σύστημα Κατασκευής Τοπικών Μονοπατιών ■ Επιπλέον προσθήκη της τεχνικής RRT και επιλογή κατάλληλου συστήματος κατασκευής ανάλογα τις συνθήκες κίνησης. 4. Σύστημα Κινηματικού Ελέγχου ■ Κατάλληλη ρύθμιση των βαρών του ελεγκτή με της χρήση κάποιου εκπαιδευτικού μοντέλου τεχνίτης νοημοσύνης.
  32. 32. Ευχαριστώ για τη προσοχή σας! Βέλτιστη Χάραξη Διαδρομής από Αυτόνομο Όχημα σε Δυναμικό Περιβάλλον 32

Editor's Notes

  • Η παρουσίαση αποτελείται από 6 τμήματα.

    Στο 1 κεφάλαιο γίνεται μια εισαγωγή όπου θα αναφερθούν το κίνητρο οι βαθμοί αυτονομίας και οι γνώσεις που αποκτήθηκαν κατά την διεκπεραίωση της διπλωματικής.
    Στο 2 κεφάλαιο αναφέρονται οι Τεχνολογίες των Συστημάτων καθώς επίσης και η Αρχιτεκτονική Σχεδίασης
    Στο 3 κεφάλαιο γίνεται ανάλυση των Υποσυστημάτων.
    Στο 4 παρουσιάζονται τα αποτελέσματα καθώς επίσης και τις μεθόδους αξιολόγησης που χρησιμοποιήθηκαν
    Στο 5 Αναφέρονται τα Συμπεράσματα που προέκυψαν με την διεξαγωγή των πειραμάτων
    Και τέλος στο 6ο κεφάλαιο δίνονται μερικές ιδέες για βελτίωση και εξέλιξη της παρούσας υλοποίησης.
  • Το κίνητρο ανάπτυξης αυτόνομων οχημάτων είναι μεγάλο καθώς έχει πλεονεκτήματα σε πολλούς διαφορετικούς τομείς.
    Ως προς την Ασφάλεια: - Πλήρης τήρηση του Κώδικα Οδικής Κυκλοφορίας
    - Βέλτιστο χρόνος αντίδρασης σε μη αναμενόμενο συμβάν.
    - Η οδήγηση δεν επηρεάζεται από τη συμπεριφορά του οδηγού. (αλκοόλ, απόσπαση από κινητό)
    Ως προς το Κόστος:
    Χαμηλότερο κόστος μετακίνησης
    Εξοικονόμηση Καυσίμων
    Μικρότερο Ασφαλιστικό Κόστος

    Ως προς το Περιβάλλον:
    Χαμηλές εκπομπές ρύπων στο περιβάλλον
    Χαμηλή κατανάλωση καυσίμου
    Καλύτερη ποιότητα αέρα στις μεγάλες πόλεις

    Ως προς την Εξέλιξη:
    Θα έχουμε μείωση της κυκλοφοριακής συμφόρησης
    Δυνατότητα μετακίνησης ατόμων με ειδικές ανάγκες, μεγάλους σε ηλικία αλλά και παιδιά
    Κάνει δυνατή τη ταυτόχρονη οδήγηση και εργασία

  • Οι βαθμοί αυτονομίας είναι 6.

    Στο επίπεδο 0 δεν υπάρχει κανένας αυτοματισμός. Ο οδηγός έχει πλήρη έλεγχο του οχήματος και όλες οι λειτουργίες όπως επιτάχυνση, ο προσανατολισμός και η ταχύτητα ελέγχονται από αυτόν. Σε αυτό το επίπεδο ανήκουν τα συστήματα ηχητικής προειδοποίησης και το σύστημα ABS.

    Το επίπεδο 1 είναι το μικρότερο επίπεδο αυτονομίας. Το όχημα φέρει ένα μόνο αυτοματοποιημένο σύστημα για υποβοηθούμενη οδήγηση που ελέγχει είτε την ταχύτητα είτε την κατεύθυνση.

    Στο επίπεδο 2 υπάρχει μερική αυτονομία. Το όχημα μπορεί να ελέγχει ταυτόχρονα την κατεύθυνση και τον επιτάχυνση υπό περιορισμένες συνθήκες ενώ ο οδηγός θα πρέπει να βρίσκεται σε ετοιμότητα σε περίπτωση που χρειαστεί να αναλάβει τον πλήρη έλεγχο. Στο επίπεδο αυτό ανήκουν τα περισσότερα εμπορικά συστήματα αυτόνομης οδήγησης όπως για παράδειγμα το Tesla Autopilot.

    Το επίπεδο 3 περιέχει αυτονομία υπό Όρους. Σε αυτό το επίπεδο το όχημα έχει επίγνωση του περιβάλλοντος και μπορεί να παίρνει αποφάσεις. Ο οδηγός ωστόσο θα πρέπει να βρίσκεται σε επιφυλακή και να πάρει τον πλήρη έλεγχο σε περίπτωση που το όχημα το ζητήσει και δεν μπορεί να φέρει εις πέρας κάποια διαδικασία.

    Το 4 αποτελεί ένα υψηλό επίπεδο αυτονομίας. Αυτό το επίπεδο βρίσκεται αρκετά κοντά με το επίπεδο 3. Η κύρια διαφορά με το προηγούμενο επίπεδο είναι ότι σε περίπτωση που ο οδηγός δεν αναλάβει τον έλεγχο όταν του ζητηθεί, τότε το όχημα είναι ικανό να σταθμεύσει με ασφάλεια και να μη φέρει σε κίνδυνο τους επιβάτες.

    Στο 5 επίπεδο υπάρχει πλήρης αυτονομία. Το όχημα ούτε χρειάζεται ούτε ζητά την βοήθεια του οδηγού καθώς μπορεί να κινηθεί αυτόνομα σε οποιοδήποτε γεωγραφικό χώρο.
  • Οι γνώσεις πού αποκτήθηκαν έχουν να κάνουν με την εξοικείωση με τις παρακάτω τεχνολογίες.

    Το λειτουργικό σύστημα Linux.
    Τη γλώσσα προγραμματισμού python όπου έχει μεγάλο εύρος εφαρμογών.
    Το Μεσολογισμικό ROS που βοηθά ερευνητές και προγραμματιστές να δημιουργούν και να επαναχρησιμοποιούν κώδικα μεταξύ εφαρμογών ρομποτικής.
    Και τον προσομοιωτή Carla όπου υποστηρίζει την ανάπτυξη, την εκπαίδευση και την αξιολόγηση συστημάτων αυτόνομης οδήγησης.


  • Υπάρχουν 2 διαφορετικών ειδών συστημάτων τα μεμονωμένα συστήματα και τα Συνδεδεμένα.

    Τα μεμονωμένα ενσωματώνουν όλες τις απαραίτητες διαδικασίες της κίνησης σε ένα αυτοδύναμο όχημα το οποίο μπορεί να πλοηγείται υπό οποιεσδήποτε συνθήκες.

    Ενώ στα συνδεδεμένα γίνεται διαμοιρασμός πληροφοριών σε ένα πλήθος πρακτόρων μέσα από ένα δίκτυο επικοινωνίας.


  • Ως προς την αρχιτεκτονική σχεδίασης χωρίζονται σε Αρθρωτή και Διατερματική Σχεδίαση

    Στην αρθρωτή, μία σειρά από δομημένα εξαρτήματα διοχετεύουν τα δεδομένα από τους αισθητήρες στους ενεργοποιητές. Περιέχουν συστήματα αισθητήρων, Σύστηματα χαρτογράφησης και αναγνώρισης αντικειμένων, Σύστηματα πρόβλεψης και επιλογής συμπεριφοράς και Σύστηματα ελέγχου

    Στην Διατερματική σχεδίαση όλες οι εντολές κίνησης θα προκύψουν απευθείας από τα δεδομένα των αισθητήρων. Εδώ ανήκουν οι τεχνολογίες για supervised deep learning, Neuroevolution και Deep reinforcement learning.


  • Η αρχιτεκτονική σχεδίασης που επιλέχθηκε είναι η Αρθρωτή σε μεμονωμένο σύστημα.
    Έτσι έχει υλοποιηθεί σύστημα Αντίληψης με αισθητήρες για την αναγνώριση αντικειμένων, υποσυστήματα για την κατασκευή του βασικού και των τοπικών μονοπατιών, σύστημα για τον κινηματικό έλεγχο και σύστημα για πρόβλεψη σύγκρουσης και επιλογή συμπεριφοράς.
  • Στο υποσύστημα Κατασκευής Βασικού μονοπατιού, αρχικά γίνεται η κατασκευή του πλήρη κατευθυνόμενου γράφου.

    Το Carla API μας παρέχει μια δομή γράφου που ενώνει όλες τις κεντρικές αρτηρίες του χάρτη. Στη συνέχεια γίνεται η επέκταση αυτής της δομής για να εμπεριέχει κάθε ενδιάμεσο σημείο του δρόμου που έχει απόσταση 0.5 μέτρα από το προηγούμενο του.

    Στη συνέχεια γίνεται η χρήστη του αλγορίθμου αναζήτησης Α* για την εύρεση του βέλτιστου μονοπατιού. Ο αλγόριθμος Α* προσφέρει πολύ καλή ταχύτητα εκτέλεσης και αξιοπιστία και είναι ένας από τους πιο διαδεδομένους αλγόριθμους εύρεσης συντομότερου μονοπατιού. Ανήκει στην κατηγορία των best-first αλγορίθμων λόγω της άπληστης επιλογής του να ελέγξει πρώτα τους κόμβους με το μικρότερο κόστος. Η ευρετική συνάρτηση που χρησιμοποιήθηκε είναι η απόσταση από το σημείο του στόχου.


  • Στο υποσύστημα αντίληψης ενσωματώνονται 1 αισθητήρας Lidar Ο οποίος έχει εύρος έως 50m απόσταση, παίρνει 20 μετρήσεις το δευτερόλεπτο όπου σε κάθε μέτρηση μετά από δειγματοληψία 1/10 έχουμε 3200 σημεία.

    Επιπλέον υπάρχουν 4 αισθητήρες Obstacle Detector όπου έχουν εύρος 30m και γωνία όρασης 90 μοιρών. Ο αισθητήρας αυτός δεν είναι πραγματικός αλλά παρέχεται από το Carla για την διευκόλυνση της αναγνώρισης αντικειμένων. Επιπλέων μας επιστρέφει την ταχύτητα την επιτάχυνση αλλά και την απόσταση του κάθε εμποδίου.

    Ο εντοπισμός αντικειμένων μέσω Lidar γίνεται παίρνοντας 2 διαδοχικές μετρήσεις. Αν υπάρχει μεγάλη διαφορά σε μεγάλο πλήθος σημείων τα οποία είναι κοντά μεταξύ τους τότε υπάρχει κινούμενο αντικείμενο στην κατεύθυνση των σημείων.

  • Στο υποσύστημα πρόβλεψης υλοποιούνται προβλέψεις σύγκρουσης με πεζό και με όχημα.

    Στη πρώτη περίπτωση γίνεται η παραδοχή ότι το αυτόνομο όχημα και ο πεζός κινούνται σε ευθύγραμμη ομαλή τροχιά. Στο μοντέλο κίνησης με Xa ορίζεται η θέση του αυτόνομου οχήματος και Xp η θέση του πεζού. Αν D η απόσταση τους ανά χρονική στιγμή τότε μας ενδιαφέρει η χρονική στιγμή όπου D = απόσταση ασφαλείας. Έτσι υπολογίζεται η ταχύτητα και η επιβράδυνση που θα πρέπει να έχει το όχημα προκειμένου να αποφύγει τη σύγκρουση.

    Για τη πρόβλεψη σύγκρουσης με όχημα, γίνεται χρήση των μοντέλων για ευθύγραμμη ομαλά μεταβαλλόμενη κίνηση. Οι θέσεις και οι ταχύτητες των 2 οχημάτων υπολογίζονται από τις εξισώσεις κίνησης. Έτσι υπολογίζεται ο χρόνος σύγκρουσης και η επιβράδυνση του οχήματος για να σταματήσει σε ασφαλή απόσταση.


  • Το υποσύστημα κατασκευής τοπικών μονοπατιών αποτελείται από τρία διαφορετικά τμήματα.

    Αρχικά κάθε σημείο waypoint της κεντρικής διαδρομής πρέπει να μετατραπεί στο καμπυλόγραμμο σύστημα συντεταγμένων.

    Στη συνέχεια παράγεται ένας πεπερασμένος αριθμός διάδρομών το καθένα με διαφορετική απόσταση από το κεντρικό μονοπάτι.

    και τέλος γίνεται η Αξιολόγηση και επιλογή του τελικού μονοπατιού λαμβάνοντας υπόψιν την ομαλότητα της κίνησης, τη στατική και τη δυναμική ασφάλεια.


  • Κάθε σημείο της κεντρικής διαδρομής μπορεί να εκφραστεί με τριτοβάθμιες εξισώσεις. Όπου s είναι το μήκος τόξου που διαγράφεται πάνω σε δυο σημεία της κεντρικής γραμμής. Έτσι κάθε σημείο p0 μπορεί να εκφραστεί ως συνάρτηση της απόστασης από τη κεντρική γραμμή και του μήκους τόξου s. Επιπλέον υπολογίζεται η καμπυλότητα και η κατεύθυνση του κάθε σημείου.

    Στη συνέχεια για την κατασκευή των τοπικών μονοπατιών, κάθε μονοπάτι διαχωρίζεται ως προς την απόσταση από το κεντρικό μονοπάτι και μπορεί να οριστεί με τη παρακάτω εξίσωση: Όπου Pstart και Pend είναι η αρχική απόσταση και η τελική απόσταση από τη κεντρική γραμμή . Προκειμένου να υπολογίσουμε τα a, b, c που ορίζουν ένα τοπικό μονοπάτι, θέτουμε την τελική απόσταση p_end και με τις οριακές συνθήκες μπορούμε να υπολογίσουμε το νέο μονοπάτι.

    Έπειτα γίνεται πάλι μετατροπή στο καρτεσιανό σύστημα συντεταγμένων.


  • Για την αξιολόγηση των τοπικών μονοπατιών αρχικά ορίζεται μία συνάρτηση κόστους για στατικά εμπόδια.

    Ορίζεται ένας πίνακας R που έχει τιμές που αντιστοιχούν σε κάποιο βαθμό επικινδυνότητας ανάλογα τη περίπτωση. Αν το μονοπάτι διέρχεται από κάποιο εμπόδιο ή βγαίνει εκτός δρόμου τότε είναι 1 αν το μονοπάτι διέρχεται από αντίθετη λωρίδα τότε ο βαθμός είναι 0.5 αν διέρχεται από άλλη λωρίδα κυκλοφορίας ίδιας κατεύθυνσης τότε είναι 0.2 και αν διέρχεται από την ίδια λωρίδα κυκλοφορίας τότε είναι 0. Επίσης γίνεται χρήση της γκαουσιανής συνάρτησης για να υπάρχει μια ομαλή συνέχεια στην συνάρτηση κόστους.

    Όσο για την δυναμική ασφάλεια υπολογίζεται ο χρόνος σύγκρουσης για κάθε μονοπάτι που διέρχεται από την τροχιά κίνησης κάποιου άλλου οχήματος και η επιβράδυνση του οχήματος για την αποφυγή της σύγκρουσης. U0 η ταχύτητα του οχήματος, ΔS το μήκος της διαδρομής που θα διανύσει το όχημα, Lc η απόσταση σύγκρουσης και Lf είναι η απόσταση ασφαλείας.

    Τέλος για την ομαλότητα της κίνησης λαμβάνεται υπόψιν η κυρτότητα του κάθε μονοπατιού. Δηλαδή προτιμάται κάποιο μονοπάτι με μικρότερη κυρτότητα από κάποιο άλλο. Επίσης λαμβάνεται υπόψιν η συνέχεια στον προσανατολισμό του οχήματος. Θα προτιμηθεί κάποιο μονοπάτι για το οποίο το όχημα θα έχει την μικρότερη αλλαγή στον προσανατολισμό.

  • Στο υποσύστημα Επιλογής συμπεριφοράς, δημιουργήθηκε ένας πίνακας με όλες τις πιθανές καταστάσεις που μπορεί να επιλέξει ένα όχημα ανάλογα τις συνθήκες. Το όχημα ανά πάσα στιγμή βρίσκεται σε μία κατάσταση και σε περίπτωση αλλαγών στο περιβάλλον μεταβαίνει σε μία άλλη προκειμένου να προσαρμοστεί σ αυτό.

    Για παράδειγμα κατά την αντιμετώπιση εμποδίου το όχημα ακολουθεί τα παρακάτω σενάρια μετά την αξιολόγηση της κατάστασης:
    Ακολούθησε το μπροστινό όχημα αν δεν υπάρχει δυνατότητα προσπέρασης
    Αν υπάρχει δυνατότητα προσπέρασης προσπέρασε ή πέρασε σε άλλη λωρίδα.
    Σε περίπτωση κινδύνου φρενάρει προκειμένου να ακινητοποιηθεί.

  • Στο υποσύστημα κινηματικού ελέγχου γίνεται χρήση του μοντέλου Ackerman Steering του οποίου η βασική ιδέα είναι σε μία στροφή ο τροχός που βρίσκεται εσωτερικά της στροφής να έχει ελαφρώς μεγαλύτερη κλίση από ότι ο εξωτερικός τροχός προκειμένου να αποφευχθεί η ολίσθηση του οχήματος.

    Όσον αφορά τον έλεγχο ταχύτητας και προσανατολισμού, χρησιμοποιούνται 2 PID ελεγκτές. έναν για την ταχύτητα και έναν για τον προσανατολισμό.
    Επιπλέον στην έξοδο εφαρμόζεται ένα χαμηλοπερατό φίλτρο προκειμένου να αποκόψει τις απότομες μεταβολές στην ταχύτητα και στη θέση για να συμβάλει ακόμα περισσότερο στην ομαλή κίνηση του οχήματος
  • Οι μετρικές που χρησιμοποιήθηκαν για την αξιολόγηση των πειραμάτων ήταν:

    Η ποινή παραβάσεων όπου υπολογίζει τον αριθμό και το κόστος της κάθε παράβασης που ορίζεται από τον πίνακα παραβάσεων. Όσο πιο μεγάλο το κόστος τόσο πιο μικρή είναι η παράβαση.

    Μετρική για ολοκλήρωση διαδρομής που αποτελεί το ποσοστό του του μήκους της διαδρομής που ολοκληρώνει το αυτόνομο όχημα κατά μέσο όρο για Ν διαδρομές.

    Και η βαθμολογία της οδήγησης που είναι η κύρια μετρική αποτελεί τον συνδυασμό των δύο προηγουμένων μετρικών.
  • Επιπλέον χρησιμοποιήθηκε μετρική για την απόκλιση διαδρομής. Αν το όχημα δηλαδή αποκλίνει περισσότερο από 30m από τη καθορισμένη διαδρομή.

    Χρονικό όριο για τη διαδρομή. Εάν δηλαδή η ολοκλήρωση μιας διαδρομής διαρκεί περισσότερο από 0.8 ∗ μήκος διαδρομής σε μέτρα.

    Μέσο όρο υπέρβασης ταχύτητας όταν παραβιάζεται το όριο ταχύτητας.

    Απότομες μεταβολές, αν το όχημα κάνει απότομες αλλαγές προσανατολισμού.

    Όσον αφορά τα πειράματα, η εκτέλεση των πειραμάτων έγινε σε 5 διαφορετικές πόλεις και 10 διαδρομές για κάθε διαφορετικό πλήθος δυναμικών εμποδίων. (0 , 10, 20, 40, και 80 οχήματα και πεζούς)

    Συνολικά το αυτόνομο όχημα διένυσε 190km σε 250 διαφορετικές διαδρομές.

  • Στο αριστερό γράφημα απεικονίζεται η βαθμολογία της οδήγησης. Στον οριζόντιο άξονα έχουμε το πλήθος των δυναμικών εμποδίων. Όσο αυξάνονται τα δυναμικά εμπόδια πέφτει η βαθμολογία της οδήγησης. Η πόλη 5 αποτελούσε τη μεγαλύτερη σε έκταση με πολλές λωρίδες κυκλοφορίας επομένως δεν δημιουργούταν μποτιλιάρισμα και δεν επηρέασε την βαθμολογία της οδήγησης. Ενώ η πόλη 1 και 2 ήταν οι πιο μικρές με αποτέλεσμα να έχουμε μικρότερη βαθμολογία.

    Στο γράφημα δεξιά εικονίζεται ο αριθμός συγκρούσεων, οι φορές που το όχημα ήταν πάνω από το όριο ταχύτητας, η παραβίαση φωτεινού σηματοδότη και τις φορές που το όχημα βγήκε εκτός χρόνου. Όσο αυξάνεται ο αριθμός των δυναμικών εμποδίων οι συγκρούσεις και οι φορές που το όχημα βγήκε εκτός χρόνου αυξάνονται. Οι παραβάσεις του ορίου ταχύτητας όμως δεν επηρεάζονται από το πλήθος δυναμικών εμποδίων.

  • Σε αυτό το σενάριο παρομοιάζεται δρόμος με βροχή η πάγο όπου το όχημα θα πρέπει να ανακτήσει τον έλεγχο όσο πιο γρήγορα γίνεται επιστρέφοντας στην αρχική του λωρίδα.

    Παρατηρείται ότι το όχημα με το που βγει έκτος του κεντρικού μονοπατιού το όχημα επιβραδύνει και επιστρέφει στο κεντρικό μονοπάτι.
  • Σε αυτό το σενάριο το όχημα βρίσκει ένα εμπόδιο στο δρόμο το οποίο εισέρχεται απότομα στην τροχεία κίνησης του οχήματος. Παρατηρούμε ότι το όχημα θα σταματά μπροστά από το πεζό και συνεχίζει μόνο αφότου έχει απομακρυνθεί ο πεζός. Οι κόκκινες κουκίδες αποτελούν τις ενδείξεις του Lidar για την αναγνώριση κινούμενου αντικειμένου.
  • Σε αυτό το σενάριο το αυτόνομο όχημα θα πρέπει να περάσει σε άλλη λωρίδα κυκλοφορίας για να αποφύγει κάποιο αργά κινούμενο όχημα. Με πράσινο χρώμα αποτελεί το κεντρικό μονοπάτι και με μπλε χρώμα το τοπικό. Αφού το όχημα προσπεράσει με επιτυχία στη συνέχεια θα επιστρέψει στο κεντρικό μονοπάτι.

  • Το αυτόνομο όχημα θα πρέπει να διαπραγματευτεί με άλλα οχήματα για να διασχίσει μια μη σηματοδοτούμενη διασταύρωση. Σε αυτή την κατάσταση θεωρείται ότι το πρώτο όχημα που εισέρχεται στη διασταύρωση έχει προτεραιότητα. Παρατηρούμε ότι το αυτόνομο όχημα θα σταματήσει στη διασταύρωση με stop, θα ελέγξει τη κυκλοφορία και στη συνέχεια θα προχωρήσει μόνο αφού απομακρυνθεί το όχημα.

  • Καταλήγουμε στα εξής συμπεράσματα:
  • Για μελλοντική έρευνα προτείνεται η χρήση κάποιου μοντέλου τεχνίτης νοημοσύνης για την αναγνώριση οχημάτων, πεζών και άλλων στοιχείων του περιβάλλοντος. Καθώς επίθσης και η εισαγωγή διαφορετικών ειδών αισθητήρων ώστε να γίνει χρήση της τεχνολογίας sensor fusion.

    Στο σύστημα επιλογής συμπεριφοράς θα πρέπει να γίνει χρήση κάποιου μοντέλου αξιολόγησης και επιλογής συμπεριφορών. Ίσως και κάποιο μοντέλο για πρόβλεψη τροχιάς άλλων οχημάτων και πεζών.

    Στο σύστημα κατασκευής τοπικών μονοπατιών προτείνεται η προσθήκη της τεχνικής RRT για κατασκευή μονοπατιών, και η εναλλαγή τεχνικής ανάλογα το περιβάλλον κίνησης.

    Τέλος στο σύστημα κινηματικού ελέγχου θα πρέπει να γίνει κατάλληλη ρύθμιση των βαρών του ελεγκτή ίσως μέσω κάποιου μοντέλου τεχνίτης νοημοσύνης.

  • Ευχαριστώ για τη προσοχή σας!

×