運動規劃，自動駕駛最難啃的「骨頭」「GGAI視角」

大約兩年前，杜克大學(Duke University)的一個研究項目將桌面機器人手臂的運動規劃速度提高了幾個數量級。

機器人依靠自定義處理器在幾毫秒內完成通常需要幾秒鐘的工作。杜克大學的研究人員基於這項技術成立了一家名為Realtime Robotics的公司，希望能把類似技術應用於自動駕駛汽車。

如果把自動駕駛想像成一個四層的活動堆棧，按照以下自頂向下的順序：路線規劃、行為規劃、運動規劃和物理控制。

路線規劃決定了從A點到B點的道路順序。

行為規劃是在計劃好的路線上確定具體的路線點的過程。這些目標可以根據道路條件、交通和道路標識等因素而變化。

運動規劃計算從車輛當前位置到由駕駛任務規劃器指定的路徑點的路徑。這條路應該是無碰撞的，並可能實現其他目標，如保持在車道邊界內。

物理控制是將期望的速度和方向轉換為車輛的實際轉向和加速度的過程。

所有四個層次都依賴於準確的感知，而這正是大多數解決方案不斷湧現的地方。然而，汽車的控制最終歸結為這四個控制層次，其中運動規劃是目前的技術瓶頸，也是自動駕駛系統的主要障礙。

自動駕駛汽車的快速運動規劃，包含了汽車決定下一步要做什麼的過程。讓這個過程更快並不僅僅意味著車輛可以更快地做出決定，還意味著它可以做出更好的決定——儘可能地保證你和你周圍的人的安全。

問題是，在一個本質上不可預測的道路上行駛，需要大量的計算來猜測周圍物體（包括車輛、行人、騎行者等等）下一步會做什麼。

計算機在這方面非常擅長，特別是在半結構化的環境中，比如在道路上。它們中的大多數使用所謂的概率模型來預測不確定性對象將做什麼。

例如，大多數模型可能會顯示，在高速公路上，你前面的車很有可能繼續以相同的速度行駛，它在沒有信號（換道提示燈）的情況下改變車道的可能性較低，而突然剎車的可能性更低。

而大多數自動駕駛系統都是根據模型中最可能出現的場景來規劃運動路線。這些模型可以提供一個置信水平和系統，如果不確定會發生什麼的情況降低車速。

大多數自動駕駛系統一次只能管理一個運動計劃，速度在3hz到10hz之間。與此不同，實時機器人可以運行數十個甚至數百個運動計劃，而每次計算時間不到1毫秒，即1000赫茲。

這使得系統可以在更短的時間內考慮更多的潛在結果，從而做出可能的最佳決策。運動規劃的速度顯然有利於安全，但它也提供了其他重要的好處。

當運動規劃較慢時，自動駕駛車輛不能對其環境中動態的、不確定的障礙物(包括行人、自行車和其他車輛)做出快速反應。當你不能快速反應的時候，你必須行動得更慢更謹慎。

過去，很多自動駕駛測試車輛在城市環境中行駛的視頻顯示，他們開得很慢，很猶豫，不得不彌補他們無法快速重新計劃的缺陷。

這種猶豫不決的駕駛讓乘客感到體驗不佳，也有可能激怒其他被困在自動駕駛汽車後面或等待的其他司機。

Realtime Robotics的車輛運動規劃系統從一個網格開始，網格是一個巨大的預先計算的圖形，包含了車輛在無障礙物環境中可以採取的所有不同軌跡。

它會在5到10秒的時間範圍內做出決策。網格由節點和邊緣組成，節點是特定的車輛配置(位置、速度、航向)，而邊緣連接節點並表示這些配置之間的軌跡，大約相當於車輛1秒的行駛時間。

網格中有數千萬條邊，反映了所覆蓋的整個時間範圍內構型狀態之間可能發生的所有不同轉變。每條邊都有一個代表燃料使用或乘客舒適度等方面的成本，而成本最低的邊意味著更高效、更平穩的移動。

在每一個規劃間隔(大約每10毫秒)，Realtime的系統使用以下步驟來進行運動規劃：

1、來自攝像機、雷達、激光雷達和其他感測器的感知數據被輸入系統，系統識別靜態障礙物(如建築物和樹木)、確定移動性障礙物(如足球)，以及更具挑戰性的非確定性移動障礙物，包括其他汽車、行人和自行車。

所有帶有靜態和確定性障礙物位置的感知數據(被建模為更大的靜態對象)都被放入網格中。與障礙物相交的邊緣代價很高，因為你肯定不希望車輛跟隨它們。

2、對於每一個不確定的障礙，系統必須對它們在規劃區間內可能遵循的軌跡進行有根據的推測。這是目前自動駕駛規劃的難題之一，而且有很多模型都在儘力預測汽車、行人和自行車可能會做什麼。

系統對此進行推測，將不確定性障礙物作為靜態對象進行建模，並利用這些新的成本對網格邊緣進行更新。

3、有了格子里所有的障礙物數據，就可以做實際的運動規劃，告訴車輛下一步應該去哪裡。

這背後就是基於實時機器人的自定義硬體，一個FPGA可重構的晶元，可以在硬體編碼點陣數據，然後通過網格(主要是平行)的邊緣找到成本最低的路徑。

這種硬體並行性使得運動規劃步驟非常快，只需不到一毫秒的時間就可以交付一個計劃，如果需要擴展，可以很容易地添加更多的硬體。

4、此時，從Realtime系統中得到的運動計劃與從其他系統中得到的運動計劃一樣好。不同之處在於，Realtime的系統更快地交付了1到2個數量級的計劃，這意味著它可以回到步驟3，再次運行整個程序，使用稍微不同的推測，即不確定的移動障礙物可能會做什麼。

由於模型只是對其他車輛、行人或其他物體下一步的行動進行概率性推測，最有可能的推測就是——最有可能，但可能不是實際發生的情況。

情況越複雜，就越難猜對。通過重複步驟3和步驟4，運行10到100倍，你可以考慮最可能出現的情況以及許多其他場景，然後選擇最好的運動計劃保證最高的安全在所有可能的結果下。

5、最後一步是執行運動計劃。或者，更具體地說，告訴車輛的自動駕駛系統接下來要選擇格子的哪條邊。

因為每個網格邊緣代表車輛1秒的時間，而每10毫秒會有一個新的運動計劃和執行計算。最好把這最後一步看作是執行幾個秒長的運動計劃的第一個動作，這個計劃每秒刷新100次。

你可能最終會遵循那個計劃，或者一些事情可能會改變，一個新的(完全不同的)計劃可能會更好——這是一個不可預測的世界，快速計劃意味著你的車可以儘可能快地做出最好的決定。

這不僅僅是一次能夠模擬出一大堆運動計劃，它還與絕對速度有關，因為當你在為一輛快速行駛的車輛做運動計劃時，花在計划上的時間等於車輛向前行駛的距離。

在60公里/小時的速度下，10ms規劃和100ms規劃之間的差距約為1.5米，這很容易成為成功避開障礙物的關鍵。

在更快的速度和更受限的環境中，比如在高速公路上，您可能想要考慮更少的計劃，以換取更快的規劃速度，從而為車輛提供更多的反應空間。

在更複雜的環境中，以更慢的速度，你可以花更長的時間進行規劃，這在城區道路可能是有效的，因為在那裡，概率模型必須跟上各種或多或少不可預測的事情。

目前，Realtime公司已經進行了大量的模擬測試，並正在為多家公司開發自動駕駛汽車原型。此外，Realtime的定製處理器的速度優勢在於它只專註於運動規劃。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！