撰文：朱 琳

編輯：張霖郁

設(shè)計：杜 凱

來源：TechXplore，作者：Ingrid Fadelli、Simon Le Cleac'h

盡管許多自動駕駛汽車在模擬或初始測試中取得了令人矚目的表現(xiàn)，但當(dāng)在真實街道上測試時，它們往往無法根據(jù)周圍其他車輛或行動者的軌跡或運動來調(diào)整自己的軌跡或運動。在需要一定程度協(xié)商的情況下更是如此，例如在十字路口或有多條車道的街道。

斯坦福大學(xué)的研究人員最近創(chuàng)建了LUCIDGames，這是一種計算技術(shù)，可以預(yù)測和規(guī)劃自動駕駛汽車的自適應(yīng)軌跡。他們在arXiv上發(fā)表的一篇論文中，提出了一種基于博弈論的算法和一種估算方法。

“隨著過去幾年自動駕駛技術(shù)的發(fā)展，我們注意到，某些駕駛操作，例如在無人保護的十字路口處左轉(zhuǎn)，改變車道或合并到擁擠的高速公路上，對于自動駕駛?cè)匀痪哂刑魬?zhàn)性，而人類卻可以很容易地執(zhí)行它們?！边M行這項研究的研究人員之一西蒙·勒克萊克（Simon Le Cleac'h）告訴TechXplore。“我們認(rèn)為，這些互動涉及自動駕駛汽車與其周圍汽車之間的重要交涉?！?/p>

人類通常能夠找出其他司機在他們周圍駕駛車輛的目標(biāo)，并進行決策，比如在給定的十字路口誰先走。在他們的研究中，勒克萊克和他的同事們試圖在自動駕駛汽車上復(fù)制這種能力，以及支持這種能力的復(fù)雜行為。他們的總體目標(biāo)是讓自動駕駛汽車識別周圍其他車輛的目標(biāo)，以便在涉及某種協(xié)商的情況下規(guī)劃出更合適的軌跡。

“我們的工作結(jié)合了兩種主要工具，一種是基于博弈論的算法，另一種是估算技術(shù)。”勒克萊克說?！盎诓┺恼摰慕M件允許自動駕駛汽車在目標(biāo)可能與自身目標(biāo)不完全一致時，對與其他行動者（車輛、行人、騎自行車者等）的互動進行推理。另一方面，估算技術(shù)是允許自動駕駛汽車在與其他行動者互動時迅速發(fā)現(xiàn)潛在目標(biāo)，例如，期望的速度、期望的車道或每輛車與自動駕駛汽車互動的攻擊性程度?！?/p>

參數(shù)估算：期望的速度、期望的車道、車輛攻擊性

LUCIDGames是由勒克萊克和他的同事們提出的技術(shù)，旨在讓自動駕駛汽車能夠快速識別附近車輛和行人的目標(biāo)。這使他們能夠預(yù)測這些行動者未來的行為，并在它們周圍安全操作，即使是在復(fù)雜的情況下也可以如此。

研究人員創(chuàng)建的系統(tǒng)由“評估者”和“決策者”組成?！霸u估者”是一種識別駕駛員目標(biāo)的技術(shù)，而“決策者”是一種控制自動駕駛汽車轉(zhuǎn)向角度和加速度的算法。決策者根據(jù)評估者收集的信息確定最適合車輛的軌跡。

“一開始，自動駕駛汽車并不知道旁邊車輛的目標(biāo)，因此評估者只能猜測車輛的目標(biāo)?！崩湛巳R克解釋道?！懊坎乱淮?，自動駕駛汽車就會預(yù)測汽車在接下來幾秒內(nèi)的軌跡，然后將預(yù)測結(jié)果與現(xiàn)實情況進行比較。在預(yù)測未來時最準(zhǔn)確的猜測被保留了下來?！?/p>

在最初的訓(xùn)練之后，LUCIDGames會對與保留猜測非常接近的其他行動者的軌跡進行新的猜測，并評估它們的預(yù)測表現(xiàn)。通過每秒重復(fù)幾次這個過程，它改進了自己的猜測，并最終預(yù)測出周圍其他行動者將如何移動。

如上圖所示，測試提供了一種場景的三條可視化路線，其中自動駕駛汽車（橙色）和人類駕駛的汽車（藍(lán)色）必須在底部車道上越過較大的障礙物（黃色）。自動駕駛汽車根據(jù)LUCIDGames的要求，開始時，速度會減慢以避免不確定性的碰撞（綠色），包括兩個可能性：要么是人類超車，要么是人類避讓。

然后，通過觀察人類司機的行為，自動駕駛汽車會更好地估算其目標(biāo)，并縮小碰撞避免區(qū)，選擇了第一個可能性。最后，自動駕駛車輛會在人類駕駛的汽車之前經(jīng)過障礙物。自動駕駛汽車的計劃軌跡由橙色圓點表示。

“通過我們的技術(shù)，自動駕駛汽車還能意識到什么時候它可以對自己的猜測有信心，什么時候有太多不確定性而降低信心?！崩湛巳R克說?！霸谶@種不確定的情況下，它會采取更加謹(jǐn)慎的行動，與其他車輛保持更大的安全距離。”

勒克萊克和他的同事們設(shè)計的這項技術(shù)的評估組件，還允許自動駕駛汽車根據(jù)在街道上遇到的司機類型調(diào)整決策。例如，它可以確定駕駛員是否特別具有攻擊性，從而允許決策組件相應(yīng)地調(diào)整自動駕駛汽車的軌跡和運動（例如，與具有攻擊性的駕駛員駕駛的車輛保持更大的安全距離）。

如果沒有這種估算技術(shù)，不管周圍的駕駛員是小心謹(jǐn)慎還是咄咄逼人，自動駕駛汽車都將以同樣的方式移動，執(zhí)行同樣的動作，這可能會增加事故的風(fēng)險。

勒克萊克表示：“我們已經(jīng)看到，在與其他司機互動和協(xié)商很關(guān)鍵的情況下，將博弈論和評估的概念結(jié)合起來，是為自動駕駛汽車生成復(fù)雜駕駛行為的有效方法。我們的算法能夠在現(xiàn)實的駕駛場景中，以足夠快的速度為自動駕駛汽車進行估算和做出決定，使其適用于實際?！?/p>

在未來，LUCIDGames可以幫助提高自動駕駛汽車的安全性和可靠性，通過預(yù)測周圍行動者的動作和行動，讓它們以適應(yīng)的方式移動。到目前為止，勒克萊克和他的同事們只在模擬中評估了這項技術(shù)，但他們現(xiàn)在計劃在真正的自動駕駛汽車上進行測試。

勒克萊克表示：“我們的研究得到了豐田研究所（TRI）的部分資助，我們計劃與TRI合作，在他們的汽車上測試LUCIDGames。我們的實驗室（斯坦福大學(xué)的多機器人系統(tǒng)實驗室）已經(jīng)通過與斯坦福大學(xué)汽車研究中心（CARS）合作，在小型模型汽車和全尺寸自動駕駛汽車上進行了博弈論交互實驗。”

返回第一電動網(wǎng)首頁 >