SDS++: Online Situation-Aware Drivable Space Estimation for Automated Driving

📄 arXiv: 2406.01941v1 📥 PDF

作者: Manuel Muñoz Sánchez, Gijs Trots, Robin Smit, Pedro Vieira Oliveira, Emilia Silvas, Jos Elfring, René van de Molengraft

分类: cs.RO

发布日期: 2024-06-04

💡 一句话要点

提出SDS++，用于自动驾驶中在线感知环境的可行驶区域估计，提升规划鲁棒性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 可行驶区域估计 环境感知 数据融合 轨迹规划

📋 核心要点

  1. 传统自动驾驶方法依赖离线地图，难以适应动态环境和定位误差，限制了其在真实场景中的应用。
  2. SDS++通过在线整合多源数据，实时估计可行驶区域，并采用更灵活的几何表示，增强环境感知能力。
  3. 实验表明，SDS++提高了轨迹规划的鲁棒性，能够更好地适应驾驶环境，提升了自动驾驶系统的安全性。

📝 摘要（中文）

自动驾驶车辆（AVs）需要精确且最新的环境表示以确保安全导航。传统方法通常依赖于离线构建的详细环境表示，在动态变化的环境或过时的地图中表现不佳。因此，迫切需要能够整合多样数据源并适应当前情况的实时解决方案。SDS（情境感知可行驶空间）框架旨在解决这些挑战。然而，SDS存在一些局限性，包括使用非标准输出表示，将对象编码为点从而限制了对车道等复杂几何形状的表示，以及仅使用模拟或经过大量后处理的数据进行验证。本研究在SDS的基础上提出了SDS++，旨在克服SDS的缺点并保留其优点。SDS++不仅在模拟中进行了严格验证，还在未经处理的车辆数据上进行了验证，并与基于模型预测控制（MPC）的规划器集成，以验证其对规划任务的优势。结果表明，SDS++显著增强了轨迹规划能力，提高了对定位噪声的鲁棒性，并能够规划适应当前驾驶环境的轨迹。

🔬 方法详解

问题定义：现有自动驾驶系统在动态环境下的可行驶区域估计存在挑战。传统方法依赖于预先构建的静态地图，无法有效应对环境变化和定位误差。SDS方法虽然尝试解决这个问题，但其输出表示不够标准，且将环境中的物体简化为点，无法表示复杂的几何结构，限制了其应用范围。

核心思路：SDS++的核心思路是在SDS的基础上，改进其环境表示方法，使其能够更准确地描述复杂的道路结构和动态环境。同时，通过在线数据融合和实时更新，提高系统对环境变化的适应能力，并增强对定位噪声的鲁棒性。

技术框架：SDS++的整体框架包括数据采集、数据融合、可行驶区域估计和轨迹规划四个主要模块。首先，系统从车载传感器（如激光雷达、摄像头）获取环境数据。然后，通过数据融合模块将多源数据整合在一起，形成统一的环境表示。接下来，可行驶区域估计模块基于融合后的数据，生成当前环境下的可行驶区域。最后，轨迹规划模块利用估计的可行驶区域，生成安全、舒适的行驶轨迹。

关键创新：SDS++的关键创新在于其改进的环境表示方法和在线数据融合策略。与SDS将物体表示为点不同，SDS++采用更灵活的几何表示方法，能够描述车道线、交通标志等复杂的道路结构。此外，SDS++还采用在线数据融合策略，能够实时更新环境模型，提高系统对环境变化的适应能力。

关键设计：SDS++的关键设计包括：1) 采用栅格地图表示可行驶区域，每个栅格单元表示该区域是否可行驶；2) 使用卡尔曼滤波等方法融合多源传感器数据，提高环境感知的准确性；3) 设计损失函数，鼓励生成的轨迹位于可行驶区域内，并避免碰撞；4) 与模型预测控制（MPC）规划器集成，实现端到端的自动驾驶。

📊 实验亮点

SDS++在仿真和真实车辆数据上进行了验证。实验结果表明，SDS++显著提高了轨迹规划的鲁棒性，能够更好地适应定位噪声和环境变化。与SDS相比，SDS++能够生成更安全、更舒适的行驶轨迹，并提高了自动驾驶系统的整体性能。具体性能数据未知。

🎯 应用场景

SDS++可应用于各种自动驾驶场景，包括城市道路、高速公路和封闭园区等。该技术能够提高自动驾驶系统在复杂环境下的安全性和可靠性，降低事故风险。此外，SDS++还可用于辅助驾驶系统，为驾驶员提供更准确的环境感知信息，提高驾驶舒适性和安全性。

📄 摘要（原文）

Autonomous Vehicles (AVs) need an accurate and up-to-date representation of the environment for safe navigation. Traditional methods, which often rely on detailed environmental representations constructed offline, struggle in dynamically changing environments or when dealing with outdated maps. Consequently, there is a pressing need for real-time solutions that can integrate diverse data sources and adapt to the current situation. An existing framework that addresses these challenges is SDS (situation-aware drivable space). However, SDS faces several limitations, including its use of a non-standard output representation, its choice of encoding objects as points, restricting representation of more complex geometries like road lanes, and the fact that its methodology has been validated only with simulated or heavily post-processed data. This work builds upon SDS and introduces SDS++, designed to overcome SDS's shortcomings while preserving its benefits. SDS++ has been rigorously validated not only in simulations but also with unrefined vehicle data, and it is integrated with a model predictive control (MPC)-based planner to verify its advantages for the planning task. The results demonstrate that SDS++ significantly enhances trajectory planning capabilities, providing increased robustness against localization noise, and enabling the planning of trajectories that adapt to the current driving context.