基于深度学习的道路检测、粒子滤波和MPC相结合的方法

有一项非常有趣的研究表明，驾驶习惯偏激进的司机期待着与自动驾驶汽车共享道路，因为他们相信自己可以轻松地在前面开道。

调查显示，“好斗”的司机往往“认为自动驾驶汽车在路上比人类更容易对付”，因为他们认为自己能够“欺负”它们。这项研究是关于国际社会对自动驾驶技术态度的最全面的研究之一，来自11个国家的1.2万名司机接受了调查。

“我会一直超车，因为他们会遵守规则，”一名英国司机表示，利用无人驾驶汽车内置的安全功能，这些功能将限制他们的速度，并使他们在路口更加谨慎。

由于自动驾驶汽车大多数被设定为避免事故，它们很可能会在谨慎方面犯错误。此前，Waymo的一辆自动驾驶汽车撞上了一辆巴士的一侧。事故发生后，Waymo表示将对车辆预测路上其他司机的行驶方式做出一些改变。

近日，佐治亚理工学院机器人与智能机器研究所(IRIM)的研究人员最近提出了一种新的框架，用于只使用单目摄像机、IMU传感器和车轮速度传感器的激进驾驶。

他们在arXiv上发表的一篇论文中提出了一种基于深度学习的道路检测、粒子滤波和模型预测控制(MPC)相结合的方法。

开展这项研究的研究人员之一保罗·德鲁斯表示:“了解自动驾驶的前沿案例变得非常重要。我们选择了激进驾驶（aggressive driving），因为这是自动驾驶汽车所需的避碰或减震的一个很好的指标。”

“激进驾驶”一词指的是地面车辆在接近操纵速度极限时，如拉力赛所要求的那样，通常具有较高的侧滑角。在他们之前的工作中，研究人员使用高质量的GPS来进行全球定位评估。这种方法有几个限制，例如，它需要昂贵的传感器，并且排除了gps不允许的区域。

研究人员先前使用基于视觉(非gps)的驱动解决方案取得了有希望的结果，该解决方案基于单目摄像机图像的局部地图，并将这些信息用于基于mpc的控制。

然而，由于安装在地面车辆上的摄像机视野有限，制高点较低，单独处理每个输入帧导致了关键的学习挑战，这使得很难生成高速有效的地图。

德鲁斯说:“我们这项工作的主要目标是了解视觉如何被用作主动驾驶的主要传感器。”

这带来了有趣的挑战，因为视觉处理必须满足严格的时间要求，这让我们能够探索在感知和控制之间紧密耦合的算法。研究人员解决他们以前工作的局限性，引入另一种方法—自动高速驾驶的本地地图映射生成器的形式，基于视频的深层神经网络模型(例如LSTM)，用于粒子滤波状态估计器的测量过程。

本质上，粒子滤波器使用这种动态观察模型在示意图中定位，而MPC则在这种状态估计的基础上积极驱动。该框架使他们无需使用GPS技术就能获得地图的全球位置估计，同时也提高了地图预测的准确性。

通过直接从单目图像中输出Costmap（代价地图），我们采用了一种直接的方法来实现自动驾驶赛车。这种方法可以直接用于模型预测控制，也可以被粒子滤波器用于接近GPS状态的性能。”

研究人员在AutoRally上使用1:5的测试车辆评估了他们的框架，这是一个开源平台用于测试激进的自动驾驶。通过他们的方法，他们发现车辆可以可靠地在复杂的泥土摩擦极限下运行，达到27英里每小时(12米/秒)以上的速度。

德鲁斯说:“我认为我们在这项研究中已经证明了两件事。一是通过从图像中直接输出Costmap（代价地图），我们既可以直接使用它，也可以使用它进行本地化，从而在处理的极限上实现自动驾驶。

其次，在这种艰难的驾驶环境中，时间信息非常重要。研究证明了MPC与状态估计和学习感知相结合的优点。未来，他们的框架可能会为在复杂道路上实现更强劲、成本更低的自动驾驶。

德鲁斯说:“我们现在想进一步加强这一方法，并将其应用于障碍物和未知环境。”