シミュレートされた都市環境下での複数の状況における自動運転車のリアルタイム動作計画

高度な自動運転車は、自動車産業にとって革命的な意味を持っています。すでに多くの企業が独自の自動運転車の製造を開始していますが、実用的な自動運転車を市場に投入した企業はまだありません。彼らの車の重要な問題の1つは、都市環境向けの信頼性の高いアクティブなリアルタイムモーションプランニングシステムが不足していることです。リアルタイムの動作計画システムにより、自動車は都市環境下で安全かつ安定して運転できます。このプロジェクトの最終的な目標は、信頼性の高いリアルタイムの動作計画システムを設計および実装して、人間のドライバーではなく自動運転車の事故率を減らすことです。リアルタイムの動作計画システムには、車線維持、障害物回避、移動車回避、アダプティブクルーズコントロール、事故回避機能が含まれています。研究では、EGO車両が構築され、画像処理ユニット、LIDAR、および環境を検出するための2つの超音波センサーが装備されます。これらの環境データにより、リアルタイムモーションプランニングシステムに完全な制御プログラムを実装することが可能になります。制御プログラムは、縮小された都市環境を備えた縮小されたEGO車両で実装およびテストされます。このプロジェクトは、EGO車両の構築、リアルタイムモーションプランニングシステムの制御プログラムの実装、およびスケールダウンされた都市環境でのテストによる制御プログラムの改善の3つのフェーズに分かれています。最初のフェーズでは、各EGO車両は、EGO車両シャーシキット、Raspberry Pi、LIDAR、2つの超音波センサー、バッテリー、および電源ボードによって構築されます。第2段階では、リアルタイムモーションプランニングシステムの制御プログラムが、RaspberryPiのレーンキーピングプログラムの下で実装されます。 Pythonは、プログラムの実装に使用されるプログラム言語です。この制御プログラムには、車線維持、障害物回避、移動車回避、アダプティブクルーズコントロール機能が組み込まれています。最後のフェーズでは、テストと改善の作業が終了します。信頼性テストが設計され、実行されます。テストから取得するデータが多いほど、リアルタイムモーションプランニングシステムの安定性を高めることができます。最後に、1つの信頼できる動作計画システムが構築されます。これは

で使用されます。

都市環境下での事故率を大幅に削減する通常規模のEGO車両。

はじめに

市場にはすでに多くのレベル3の自動運転車が製造されており、コンピューターが運転タスクを引き継ぐことで、ドライバーが完全に手を離し、目を離すことができます。ただし、レベル3の自動運転車は人間から運転の仕事を完全に引き継ぐことができないため、消費者はレベル3の自動運転車を運転する際の安全上の懸念から、これらの機能を使用するためのアクセスが制限されています。したがって、ほとんどの国では、レベル3の車は完全に安全で信頼できるものではないと考えています。レベル3の車は技術的に自律的である可能性がありますが、コンピューターはまだ緊急事態の処理において成熟していません。ドライバーを肉体的にも精神的にも解放するには、より高いレベル（レベル4）の自動運転車が必要です。したがって、レベル4の自動運転車を製造して市場に提供することが、研究の優先事項です。これを日常生活で実用化するためには、多くのシステムを装備する必要があり、そのうちの1つがリアルタイム動作計画システムです。画像処理ユニット、LIDAR、超音波センサーから処理された信号を受信し、レベル4の自動車に役立つ多くの機能を実現します。信頼性の高い障害物回避機能など。しかし、問題は、車に搭載されるこれらの機能のほとんどが依然として受動的な機能であり、高速道路用にのみ設計されていることです。要するに、この研究では、都市環境のためのよりスマートで信頼性の高いリアルタイムモーションプランニングシステムを設計する必要があります。研究は、リアルタイムの動作計画システムでアルゴリズムを設計およびテストするために、縮小されたEGO車両を使用した縮小された都市環境に基づいています。車の制御ロジックと信頼性の高いアルゴリズムは、都市環境向けのスマートで信頼性の高いリアルタイムモーションプランニングシステムを設計するための重要なポイントです。プロジェクトの最初のフェーズでは、ハードウェアチームは、購入したハードウェアを使用してEGO車両を構築します。各EGO車両は、車両シャーシキット、Raspberry Pi、LIDAR、2つの超音波センサー、バッテリー、および電源ボードを使用して構築されます。ハードウェアの準備が完了すると、リアルタイムモーションプランニングシステムプロジェクトの第2フェーズが開始されます。制御チームは、画像処理チームから作成されたコードを使用して、最初にレーン維持アルゴリズムを作成します。車線維持アルゴリズムが構築された後、車両のリアルタイム動作計画システムが構築されます。リアルタイムモーションプランニングシステムでは、LIDARが車両のメインセンサーとして使用されます。適切な方法が見つかります。これにより、LIDARを使用して障害物を検出し、後でプログラミングするために使用可能な信号を送り返すことができます。リアルタイムモーションプランニングシステムプロジェクトには、3つの主要な機能が組み込まれます。最初の機能は障害物回避です。これにより、EGO車両の力を障害物の前で停止させることができます。 2番目の機能は、車の移動回避です。これにより、EGO車両は車線を変更して、自動車事故を回避し、元の車線に戻ることができます。最後の機能はアダプティブクルーズコントロールです。これにより、EGO車両は、前の車からの安全距離を維持するために独自の速度を調整できます。これらの3つの機能に基づいて、基本的な事故回避機能がリアルタイム動作計画システムに形成されます。プロジェクトの最後のフェーズでは、構築されたリアルタイムのモーションプランニングシステムが

縮小された都市環境下でEGO車両を実装してテストします。リアルタイムモーションプランニングシステムの信頼性をテストし、リアルタイムモーションプランニングシステムの将来の改善を要約するために、いくつかのテストが設計されます。

ハードウェア

図1の縮小されたEGO車両は、このプロジェクトのテストオブジェクトとして使用されます。これらのロボットは、DCモーターを備えたロボットシャーシキットに基づいて構築されています。 DCモーターを備えたロボットシャーシキットは、EGO車両用の使用可能なフレームとドライブシステムをもたらします。その拡張性に基づいて、Raspberry Pi、モーター回路、LIDAR、2つの超音波センサー、バッテリーバンクなど、他のコンポーネントをシャーシに追加できます。 Raspberry Piは成熟したプラットフォームであり、Pythonコードを実装できるため、このプロジェクトのコンピューティングプラットフォームとして選択されました。モーター回路は、制御ロジックからの指示により、DCモーターに適切な量の電力を分配し、ロボットを動かすために使用されます。 LIDARは、これらの縮小されたEGO車両に障害物検出能力（15cm以上）をもたらすことができるため、このリアルタイム動作計画システムのメインセンサーとして使用されます。障害物検出能力は、このリアルタイムの最も重要な基本機能です。このプロジェクトの動作計画システム。超音波センサーにより、EGO車両は、LIDARでは検出できない15cmの範囲内のより近い物体を検出できます。バッテリーバンクは、これらのEGO車両の電源として使用され、Raspberry Pi、LIDAR、およびモーターに電力を供給することができます。詳細なハードウェア接続のブロック図を下の図2に示します。

縮小されたEGO車両シャーシ：

Adafruit（PID 3244）ミニ3層ラウンドロボットシャーシキット–図3に示すDCモーター付き2WDは、このプロジェクトのシャーシとして使用されます。シャーシの拡張性により、コンポーネントを追加できます。また、シャーシキットには2つのモーターとホイールが含まれています。つまり、このキットには1つの電源システムも含まれています。この電源システムにより、ハードウェアチームは、ロボットシャーシに一致する電源システムを見つけるための余分な時間をかけずに、EGO車両を簡単に構築できます。

ラズベリーパイ：

このプロジェクトで使用できるRaspberryPiにはいくつかのモデルがあり、図4のRaspberry Pi 3B +がこのプロジェクトで使用するために選択されています。 Raspberry Pi 3B +を選択する主な理由は、このプロジェクトに十分なコンピューティングパワーを備えていることです。また、Wi-Fiを内蔵しており、Wi-Fiの伝送効率は前モデルよりも高速です。さらに、Raspberry Pi 3B +は5V / 1.5Aの電源入力のみを必要とし、市場では、この電力要件を満たすために多くのバッテリーバンクを選択できます。これは、Raspberry Pi4が選択されていないのと同じ理由でもあります。 Raspberry Pi4には9V / 2A電源入力が必要であり、市場では、バッテリーの出力は9V / 2Aであり、高価でまれです。それだけでなく、Raspberry Pi4はRaspberryPi 3B +よりも価格が高く、これら2つのモデルでさえ同様の計算能力を備えています。 Raspberry PiのGPIOピンは、2つの超音波センサーであるLIDARから信号を受信するための入力ピンとして使用されます。また、GPIOピンはモータードライバーに信号を送信するための出力ピンになります。

モータードライバー回路（パワーボード）：

図3のDRV8833モータードライバーショーがこのプロジェクトに選ばれました。モータードライバーは、モーターに電力を分配し、Raspberrypiから制御コマンドを受け取ることができます。このプロジェクトでは、4つの入力ピン（AIN1,2; BIN1,2）、4つの出力ピン（AOUT1,2; BOUT1,2）、1つのグランドピン（GND）、1つのSLPピン、および1つのVMピンが使用されます（図5）。出力ピンは、これら2つのモーターに電力を分配し、これら2つのモーターを制御してEGO車両が移動できるようにするために使用されます。入力ピンは、Raspberry PiのGPIOピンから制御信号を受信し、オペレーターの必要に応じてこれら2つのモーターを回転させるために使用されます。 VMピンは、VCCと呼ばれるバッテリーバンクの「+」ピンから電力を受け取ります。 SLPピンはVMピンに接続します。これはモータードライバーのイネーブルピンです。それをVCCに接続して有効にするか、GPIOハイピンで制御します。 GNDピンは、RaspberryPiのバッテリーバンクの「-」ピンとアースピンの両方を接続します。図6に、電源ボードの詳細な接続をブロック図形式で示します。

PCBボードは、モータードライバーがパワーボードを作成するためのプラットフォームになります。モータードライバーは、これらのPCBボード回路に簡単に接続および接続できます。これにより、モータードライバーをPCBボードに直接はんだ付けすることを避けます。 PCBボードにはんだ付けされたモータードライバーの固定の進捗は、これらの回路でPCBボードを固定するよりも難しいため、この手順により、プロジェクトチームメンバーはモータードライバーをPCBボードに直接はんだ付けすることを回避できます。 （図7および図8）

LIDAR：

このプロジェクトでは、図9のLIDARが選択されています。 LIDARで周囲の環境を検出し、距離と角度のデータを生成します。これに基づいて、EGO車両は検出機能を備え、障害物回避、移動車回避、適応制御機能をリアルタイム動作計画システムに組み込むことができます。 LIDARにはマイクロUSBポートが1つあり、これをRaspberry Piに直接接続して、RaspberryPiにLIDARからデータを読み取らせることができます。また、LIDARは同じUSBポートを介してRaspberryPiから電力を受け取ります。

バッテリー：

バッテリーバンクのサイズは、このプロジェクトの重要な問題です。 EGO車両にはバッテリーを配置するスペースが限られているため、スリムなバッテリーを選択することを好みます。バッテリーバンクには、2つのモーター、2つのRaspberry Pi、1つのLIDARを各EGO車両で適切に動作させるために、少なくとも10000mAhの電力容量が必要です。バッテリーのサイズも、可能な限りEGO車両のサイズに合わせる必要があります。したがって、図10に示すAnker Power Core 13000ポータブル充電器は、EGO車両のサイズに適合するだけでなく、13000mAhの電力容量も備えているため、このプロジェクトに選択されています。

超音波センサー：

LIDARの最小検出距離は15cmであるため、図11の超音波センサーを使用して近距離を検出します。15cmより近い他の障害物はLIDARでは検出できません。超音波センサーは、5cm未満でも近距離を検出できます。このように、EGO車両の左側と右側に2つの超音波センサーが組み立てられており、後進車線の車両を検出します。 VCCピンはRaspberryPiのVCCピンであるピン2またはピン4に接続され、GNDはRaspberryPiのグランドピンに接続されます

ソフトウェア

このプロジェクトでは、EGO車両をワイヤレスで制御する必要があります。これを可能にするには、RaspberryPiのモニターとシェルをローカルPC / Macにワイヤレスで接続する必要があります。これを実現するには、ワイヤレスシェルコマンドとVNC接続ソフトウェア[7]を使用する必要があります。また、このプロジェクトでは、Python 3が成熟していて使いやすいため、プログラミング言語として選択されています。このプロジェクトで使用できるPythonにはかなりの数のパッケージがあります。たとえば、Pythonにはこのプロジェクトで使用されるLIDARの制御に使用できるLIDARパッケージ[6]があります。 LIDARパッケージは、Python3環境でのみ実装できます。すべてのソフトウェアは、RaspberryPiのRaspbianオペレーティングシステムで実行されます。

RaspberryPiのシェルをローカルPC / MACに接続します：

EGO車両はワイヤレスで制御する必要があり、RaspberryPiのシェルはローカルPC / MACシェルに接続する必要があります。シェルを接続するには、次のコマンドを入力する必要があります。
まず、Piシェルでコマンド「sudoraspi-config」を入力して、Piでsshサーバーを有効にします。次に、Piシェルでコマンド「ifconfig」を入力します。このコマンドの後にIPアドレス「192.168.xxx.xxx」が見つかります。ローカルPC / MACシェルで、コマンド「ssh [emailprotected]」を入力してPiシェルに接続します。 Raspberry Piのデフォルトのユーザー名は「pi」であり、RaspberryPiのデフォルトのパスワードは「raspberry」である必要があります。最後に、RaspberryPiシェルはローカルPC / MACシェルで制御できます。

Pythonバージョン：

Raspberry Pi 3B +バージョンのボードでは、Python 2がデフォルトのプログラム環境ですが、LIDARパッケージはPython3環境でのみ使用できます。次のコマンドを使用して、Python3をシェルのデフォルトのプログラム環境として設定します。

最初に「sudorm / usr / bin / python」と入力して、デフォルトのPythonリンクをシステムのデフォルトから削除します

リンク。次に、「sudo

」と入力します

-s /usr/bin/python3.X

新しい

を再割り当てするコマンド

PythonバージョンへのデフォルトのPythonリンクを使用する必要があります。このコマンドで、「X」はPython3を意味します

すでにインストールされているバージョン。この後、「Python」と入力して、デフォルトのPythonバージョンを再確認します。

LIDARパッケージ：

LIDARからの信号をプログラム可能にするには、LIDARパッケージをインストールする必要があります。 Python3環境では、シェルウィンドウで、次のコマンドを入力してLIDARパッケージをインストールします。「sudopip3 install LIDAR」と入力して、LIDARパッケージをインストールします。

VNC接続：

このプロジェクトで使用するVNCサーバーとVNC接続プログラムは、ローカルPC / MACがRaspberryPiをワイヤレスで監視できるようにするために選択されています。 VNCサーバーを有効にしてVNC接続をインストールするには、次のコマンドを入力する必要があります。
まず、「sudo raspi-config」コマンドを入力して、RaspberryPiの設定メニューを表示します。次に、「vncserver」コマンドを入力して、Raspberry PiでVNCサーバーを有効にします（Piを再起動した後、この設定を再度有効にする必要があります）。次に、VNC接続をダウンロードしてローカルPC / MACにインストールします。その後、VNC接続のアドレスバーに前に見つかったRaspberry PiIPアドレスを入力します。シェル部分ですでに述べたRaspberryPiのユーザー名とパスワードを入力します。最後に、ローカルPC / MACはRaspberryPiをワイヤレスで監視できます。

方法論

フェーズ1：

EGO車両は、Raspberry Pi、パワーボード、LIDAR、2つの超音波センサーおよびバッテリーバンクによって組み立てられます。組み立て後、ソフトウェアにはpython、LIDARパッケージ、VNC接続が含まれ、シェル接続がインストールされ、適切に設定されます。 LIDARを読み取り可能な生データから次のフェーズプログラミングのために使用可能な検出データに転送する方法が見つかります。 EGO車両は、前の3つのステップの後に準備され、プログラミングとテストの準備が整います。

フェーズ2：

障害物回避機能、移動車回避機能、アダプティブクルーズコントロール機能をテストする3つのシナリオを設計します。 3つのシナリオに従って、3つの機能の制御ロジックを設計し、3つの制御ロジックの3つのフローチャートをスケッチします。フローチャートが生成された後、制御ロジックが論理的に細心の注意を払うまで、フローチャートの改訂を複数回続行する必要があります。次に、別々の3つの機能のプログラムとアルゴリズムがフローチャートを介してプログラムされます。 EGO車両は、最後のフェーズで3つの機能をテストする準備が整います。

フェーズ3：

信頼できるテストの最初のグループは、3つの別々の機能を備えた3つの設計されたシナリオの下で実行されます。問題と将来の改善は、これらのテストによって発見されます。次に、これらの発見された問題と将来の改善に続いて、制御ロジック、3つの機能のプログラム、アルゴリズム、およびハードウェアが改善されます。問題は修正されます。このプロジェクトの1つの完全に機能するリアルタイムモーションプランニングシステムとして、3つの別々の機能がレーンキーピングプログラムと組み合わされます。信頼できるテストの2番目のグループは、このすでに組み合わされた機能を使用して、3つの設計されたシナリオの下で実行されます。信頼できるテストの2つのグループが終了した後、このプロジェクトのリアルタイムモーションプランニングシステムの最終バージョンが完成します。

LIDAR

LIDARから読み取ることができるデータは4種類あり、このプロジェクトでは角度と距離の2種類のデータのみが使用されます。角度の測定値は度単位[0,360）で、距離の測定値は15cmより大きくなります（15cm未満の距離の場合は、0の値が返されます）。直面していた問題は、LIDARから読み取ることができるのは距離と角度のデータだけですが、これらのデータを障害物の検出にどのように使用できるかということです。解決策は、LIDARの検出範囲を4つのセクションに分割し、障害物の距離の値を検出して、車両の次のステップの動きを制御することを決定することです。図12に示すように、315度から45度が前方セクションで、135度から225度が後方セクションです。 Lidarは15cmより遠いオブジェクトしか検出できないため、現時点では、これら2つのセクションのみが使用されます。左右のセクションでは、超音波センサーがこれら2つのセクションの検出ジョブを処理できます。

これは、これら2つの検出セクションが道路上でどのように機能するかを示す図です。

図13に示すように、EGO車両は右車線を走行し、車Bは後車線を走行しています。 EGO車両の周りの緑色の円は、前述の有効な検出範囲です。検出範囲は4分割され、検出距離は15cm以上になります。テストされたように、この前方検出セクションは、車Bが2つの車線間の点線を越えない限り、車Bの影響を受けません。

問題の定式化

障害物の回避：

3つのシナリオが検討されています。最初のシナリオは、図14に示す障害物回避機能をテストするためのものです。道路の真ん中に障害物が1つあり、EGO車両がその近くを移動しており、車BはEGO車両のすぐ横の反対側の車線を逆走しています。 。 EGO車両は、B号車に衝突するため、事故を避けるために車線を変更することはできません。A号車に残された唯一の選択肢は、直面している障害物の前で完全に停止します。

移動車の回避（別の障害物回避シナリオ）：

2番目のシナリオは、別の障害物回避シナリオに基づいて設計されており、図15では移動車回避機能と呼ばれています。B車は間違った方向に走行しており、EGO車両の同じ車線を走行しています。今回は、他の車線に車や障害物がないため、EGO車両は車Bを回避するために車線を変更することを選択でき、車Bを回避した後、EGO車両は正しい車線に戻ることができます。

最後のシナリオは、図16のアダプティブクルーズコントロール機能をテストするように設計されています。車Bは前進方向に移動しています。事故を防ぐために、EGO車は車Bから安全な距離を保つ必要があります。 EGO車両は、安全な距離を保つために独自の速度を調整します。

アダプティブクルーズコントロール：

制御ロジック

変数の定義：

障害物回避制御ロジック：

図17に示す障害物回避制御ロジックでは、距離検出が最も遠い距離にある場合、車は前進し続けます。距離検出が危険距離にあり、角度検出が障害物が前方検出セクションにあることを示している場合。その後、EGO車両が後進車線を検出し、後進車線に障害物や車があれば、EGO車両は完全に停止します。

移動車回避制御ロジック：

図18に示す移動中の車の回避制御ロジックでは、距離検出が最も遠い距離にある場合、車は前進し続けます。距離検出が危険距離にあり、角度検出が障害物が前方検出セクションにあることを示している場合。次に、EGO車両が後進車線を検出し、超音波センサーによって後進車線上に障害物や車が検出されない場合、EGO車両は車が間違った方向に進むのを避けるために後進車線に変更します。元の車線に障害物や車がなくなると、EGO車両は元の車線に戻ります。

アダプティブクルーズコントロール機能制御ロジック：

アダプティブクルーズコントロール機能のシナリオでは、2つの問題が発生します。1つはEGO車両の動きが速すぎること、もう1つはEGO車両の動きが遅すぎることです。図19は、アダプティブクルーズコントロール機能の完全な制御ロジックです。

• 距離検出が事前設定された安全距離内にある場合、EGO車両は前方車両を追跡し続けます。

• 距離検出が高速化距離にある場合、また、検出範囲が前方検出セクションの場合。現在の速度は現在の速度の約5％速くなります。再度検出します。距離検出が事前設定された安全距離内にある場合、EGO車両は前進を続けます。そうでない場合、現在の速度は現在の速度の約1％スピードアップし、距離検出が事前設定された安全距離に達するまでスキャンを続けます。その後、EGO車両はスピードアッププロセスを終了し、現在の速度を維持します。
• 距離検出が減速距離にある場合、また、検出範囲が前方検出セクションの場合。現在の速度は現在の速度の約5％遅くなります。再度検出します。距離検出が事前設定された安全距離内にある場合、EGO車両は前進を続けます。そうでない場合、現在の速度は現在の速度の約1％減速し、距離検出が事前設定された安全距離に達するまでスキャンを続けます。その後、EGO車両は減速プロセスを終了し、現在の速度を維持します。

複合制御ロジック：

前の3つの制御ロジックを組み合わせた制御ロジックの制御ロジックのフローチャートは次のとおりです。

組み合わせたロジックでは、車線維持、およびアダプティブクルーズコントロールプログラムは変更されません。ただし、障害物回避機能と移動車回避機能を1つの機能として統合します。以前は、障害物回避機能では、道路の真ん中にある障害物で車を完全に停止させることしかできませんでしたが、制御の次のステップは何を称賛するのでしょうか。この機能は、対向車を追い越して車線を切り替えることができる移動車回避機能と組み合わせることができます。障害物回避機能では、車は超音波センサーとLIDARを使用して環境を検出し、障害物の前で完全に停止した後、他の車線に他の車があるかどうかを確認できます。リバースレーンに車や障害物がない場合、車は障害物を通過して走行を続けることができます。

結果

以前の結果：

EGO車両は、使用するように選択されたハードウェアで正常に組み立てられます。車線維持チームは、カメラからの信号を使用する画像処理チームの作業に基づいて、使用可能な車線維持プログラムを正常に実装しています。 LIDAR生データは、前述のプログラミング方法によって使用可能なデータに適切に転送されます。車線維持プログラムに基づく3つの個別の制御プログラムとして、障害物回避、移動車回避、およびアダプティブクルーズコントロール機能を備えたリアルタイムモーションプランニングシステムが構築されています。以前のテストは、安定性をテストするためにこれら3つの個別の制御プログラムに基づいています。これは、これらを組み合わせて安定性をテストすることは、個別にテストするよりも難しいためです。障害物回避機能がうまく機能し、EGO車両は事前設定された障害物の前で強制的に停止することができます。ただし、EGO車両は重すぎて2つのRaspberry Piボードと1つのLIDARがあり、場合によってはEGO車両

その重い重量のためにひっくり返ります。移動中の車の回避機能では、車線変更ロジックはうまく機能しますが、回避のルートは正確には期待どおりではありません。 EGO車両が15cmより近い物体、特に左側と右側の障害物を検出できるように、2つの超音波センサーをEGO車両に追加する必要があります。アダプティブクルーズコントロール機能では、距離調整制御プログラムが機能していますが、距離調整中は、EGO車両の速度が期待通りに安定していません。その理由は、アダプティブクルーズコントロールの制御ロジックでは、同じ速度で車の速度を上げたり下げたりすることしかできないためです。アダプティブクルーズコントロール機能の制御ロジックには、よりスマートな距離調整アルゴリズムを追加する必要があります。

期待される結果：

以前のテストの結果をテストした後、制御プログラムとEGO車両にいくつかの改善が適用されました。まず、転倒のリスクを減らすために、EGO車両の重量と高さを減らしました。次に、移動車回避制御プログラムに2つの超音波センサーと付随するプログラムを追加しました。これにより、EGO車両はEGO車両までの左側と右側の物体距離をより正確に検出できます。次に、アダプティブクルーズコントロールパーツに、よりスマートな距離調整アルゴリズムが1つ追加されました。以前の制御ロジックとは異なり、1つのスピードアップおよびスローダウンアルゴリズムが追加されました。EGO車両は、必要に応じて現在の速度の1％または現在の速度の5％でスピードアップおよびスローダウンできます。最後に、これら3つの機能は、このプロジェクトのリアルタイムモーションプランニングシステムの最終バージョンとして、レーンキーピングプログラムと組み合わされます。

最初の改善点として、EGO車両の重量と高さが削減され、転倒のリスクが大幅に減少します。 EGO車両の軽量化により、フォースストッププロセス中のEGO車両の慣性力が減少します。ニュートンの第2運動法則によれば、慣性力は物体の質量に対する加速時間に等しくなります。なぜなら、以前と同じ加速率で、EGO車両の質量（重量）を減らすと、EGO車両が耐える慣性力が大幅に減るからです。これにより、強制停止プロセス中に直接フリップダウンするリスクが軽減されます。また、高さを下げると重心の位置が下がります

EGO車両の、これはまた、フリップダウンのリスクを減らします。以前は、EGO車両の上部に別のRaspberry Piボードがあり、それを削除すると、EGO車両の重心の位置が小さくなります。理由は簡単です。EGO車両の重心の位置が安定性に影響します。重心位置が低いほど、EGO車両はより安定します。したがって、最初の改善は、物体回避機能が適用される過程でのフリップダウンのリスクを減らすことに成功します。
2番目の改善では、左側と右側を検出する2つの超音波センサーがEGO車両に追加されました。 -EGO車両までの側面オブジェクトの距離。以前のテストでは、LIDARはEGO車両から15cm未満の物体を検出できないため、EGO車両はEGO車両までの左側と右側の物体距離を検出できません。 EGO車両に2つの超音波センサーが追加され、移動車回避機能の制御ロジックが追加された後、EGO車両は、後進車線への変更中にはるかに正確なルートを走行し、元の車線に戻ることができます。以前は、LIDARは移動車回避機能に使用できる環境検出装置のみであり、移動車回避のルートは事前に設定されています。オンのEGO車両は、その前にオブジェクト（車）があれば、事前設定されたルートに従って運転できます。これが、回避ルートが改善前に正確にできない理由です。改善後、EGO車両はEGO車両までの左側と右側の物体距離を検出します。 EGO車両は、LIDARによって検出された物体が前方にあると、車線を変更する回避プロセスを開始します。その後、超音波センサーが両側の物体距離の検出を開始します。超音波センサーがEGO車両から10cm以内に物体がないことを検出すると、EGO車両はドライブバックプロセスを開始して元の車線に戻ることができます。つまり、2番目の改善により、EGO車両は、移動中の車の回避プロセス中により正確にルートを設定できるようになります。
最後の改善では、よりスマートな距離調整アルゴリズムが1つ追加されます。このアルゴリズムにより、EGO車両の速度の増減プロセスが以前のアルゴリズムよりもスムーズになります。設定速度は固定値ではなくなったため、動的な値になります。以前のテストでは、アルゴリズムが十分にスマートではないため、車は事前設定された固定速度値の速度を上げたり下げたりすることしかできません。アダプティブクルーズコントロールプロセスは十分にスムーズではなく、EGO車両は、距離調整プロセス中にフロントカーに配線されているように見えます。アダプティブクルーズコントロールの制御プログラムに追加されたよりスマートなアルゴリズムの後、EGO車両は現在の速度の1％または現在の速度の5％で速度を上げたり下げたりすることができ、プロセスは以前よりスムーズになります。その理由は、速度は動的に調整するために現在の速度に基づいており、速度は連続的で変動が少ないため、EGO車両はよりスムーズに速度を上げたり下げたりします。つまり、最後の改善により、アダプティブクルーズコントロール機能の下での距離調整プロセス中のEGO車両の運転がスムーズになります。

リアルタイムモーションプランニングシステムの3つの機能の3つの別々の制御プログラムで3つの改善を行った後、これらの3つの個別のコントロールプログラムをレーンキーピングプログラムと組み合わせて、最終的なリアルタイムモーションプランニングシステムを生成します。これらの3つの別々の制御プログラムは、これらの改善に続いてうまく機能するため、車線維持プログラムはそれらと簡単に組み合わせることができます。車線維持プログラムが追加された後、EGO車両は車線をちょうど走行し、ラインを越えないようにします。これにより、EGO車両は、縮小された都市環境下で以前よりも安定して運転できるようになります。

将来の改善

このプロジェクトから想像できる多くの将来の改善の側面があります。まず、リアルタイムの動作計画の機能だけでは不十分です。将来的には、これら3つの機能を組み合わせて改善し、EGO車両にますます多くの機能を持たせて、完全に機能するリアルタイムの動作計画システムを生成する方法がたくさんあります。第二に、車線維持、アダプティブクルーズコントロール、および移動中の車の回避のアルゴリズムは十分に賢くありません。これらの3つの関数を見つける必要があるためのより高度なアルゴリズムが存在します。たとえば、アダプティブクルーズコントロールの距離検出アルゴリズムもすでに改善されていますが、アルゴリズムを改善する可能性はまだあります。現在、速度調整は5パーセントに基づいています

ただし、現在の速度または現在の速度の1パーセントの場合、速度調整は動的ではありません。現在の速度を保存するためのメモリのアルゴリズムがある場合、または距離と時間に基づく速度計算を追加できる場合は、アダプティブクルーズコントロールが最適です。また、同じ縮小された都市環境で複数のEGO車両を運転し、交通を管理するためにEGO車両通信システムをリアルタイム動作計画システムに追加する必要があります。要するに、リアルタイムモーションプランニングシステムには多くの側面があり、将来の作業で改善する必要があります。

結論

このプロジェクトでは、ハードウェアとソフトウェアが適切に組み立てられ、設定されています。 LIDAR生データは、前述のプログラミング方法によって使用可能なデータに適切に転送されます。障害物回避機能、移動車回避機能、およびアダプティブクルーズ機能をテストするために、3つの異なるシナリオが設計されています。障害物回避シナリオ、移動車回避シナリオ、およびアダプティブクルーズコントロールシナリオに基づく制御ロジックが設計およびプログラムされています。テスト結果が期待どおりであれば、リアルタイムモーションプランニングシステムが実装されており、これら3つのシナリオで完璧に機能します。ただし、現在のリアルタイムモーションプランニングシステムはまだ完全ではなく、改善するにはさらに多くの作業と時間が必要です。これらの3つの機能は、リアルタイムモーションプランニングシステムの最も基本的な機能です。最終的な目標は、このEGO車両に事故回避機能を持たせることです。ただし、これら3つの機能では、EGO車両に完全に機能する事故回避機能を持たせることはできません。これらの3つの基本機能の順列と組み合わせを適用すると、より多くの可能性が生まれ、リアルタイムモーションプランニングシステムにさまざまな新しい機能がもたらされます。

謝辞

何よりもまず、プロジェクトのあらゆる段階とこの論文の執筆において貴重なガイダンスを提供してくれた私の研究顧問であるリサ・フィオレンティーニ博士に心からの感謝を表したいと思います。彼女の指示、優しさ、そして忍耐がなければ、私は論文を完成させることができなかったでしょう。お母さんの励ましと精神的な助けに感謝します。大学院に進学するための面倒なコース、個別の研究、書面による仕事があるので、最後の2学期の仕事は私を疲れさせました。彼女の励ましと精神的な助けがなければ、私は今に固執することはできません。最後に、友達の励ましとサポートに感謝します。

リファレンス

1. Aqib、「ラズベリーパイとは何ですか？ Raspberry Pi 3入門」、Electronics Hobbyists、2019年1月18日。 [オンライン]。利用可能：https：//electronicshobbyists.com/tutorial-1-what-is-raspberry-pi-getting-started-with-raspberry-pi-3/。 [アクセス日：2020年4月25日]。
2. Adafruit Industries、「ミニ3層丸型ロボットシャーシキット– DCモーター付き2WD」、adafruitIndustriesのブログRSS。 [オンライン]。利用可能：https：//www.adafruit.com/product/3244。 [アクセス日：2020年4月25日]。
3. Adafruit Industries、「Adafruit DRV8833 DC / Stepper Motor Driver Breakout Board」、adafruitIndustriesのブログRSS。 [オンライン]。利用可能：https：//www.adafruit.com/product/3297。 [アクセス日：2020年4月25日]。
4. T。 Huang、「RPLIDAR-A1360°レーザー距離スキャナー_国内レーザー距離スキャナー」、SLAMTEC。 [オンライン]。利用可能：https：//www.slamtec.com/en/Lidar/A1。 [アクセス日：2020年4月25日]。
5. 「PowerCore13000」、Anker。 [オンライン]。利用可能：https：//www.anker.com/store/powercore-13000 / A1215011。 [アクセス日：2020年4月25日]。
6. 「LIDARのドキュメントへようこそ！ ¶、」LIDARのドキュメントへようこそ！ –LIDARドキュメント。 [オンライン]。利用可能：https：//lidar.readthedocs.io/en/latest/。 [アクセス日：2020年4月25日]。
7. 「RealVNC」、macOS用のVNCビューアをダウンロード| VNC®コネクト。 [オンライン]。利用可能：https：//www.realvnc.com/en/connect/download/viewer/macos/。 [アクセス日：2020年4月25日]。
8. Adafruit Industries、「HC-SR04超音速ソナー距離センサー2 x 10K抵抗器」、adafruitIndustriesのブログRSS。 [オンライン]。利用可能：https：//www.adafruit.com/product/3942。 [アクセス日：2020年4月25日]。