Hình 1.2 Các tính năng trên xe tự lái được hoàn thiện theo thời gian Ké tir nam 2016 đến nay, tính năng của xe tự lái đã dần trở nên tự chủ hơn như: giúp người lái xe đi đúng làn đường,
CHUONG II DIEU KHIEN QUY DAO CHUYEN BONG CUA O TO TY LAI TREN DUONG THUCTrong bài nghiên cứu này, nhóm SV sẽ nghiên cứu điều khiển quỹ đạo chuyển động của ô tô tự lái bám sát theo đường tham chiêu trên đường thực fê trong một sô trường hợp cụ thê như sau:
Trong trường hợp thứ nhất, xe tự lái có thể hoạt động hiệu quả trên đường cao tốc, di chuyển từ điểm A đến điểm B đã định trước với tốc độ ổn định là 30km/h Tuy nhiên, trong trường hợp thứ hai, khi xe tự lái di chuyển trên đường thực với tốc độ dưới 30km/h, nó có khả năng gặp phải người đi bộ qua đường cắt ngang, điều này đòi hỏi hệ thống phải có khả năng phản ứng nhanh nhạy để đảm bảo an toàn.
+ TH3: Xe tự lái đi chuyền từ điểm A đến điểm B trên đường cao tốc với tốc độ tăng dần đên 30km/h tránh xe phía trước
Trong các trường hợp nêu trên, dữ liệu về chướng ngại vật bao gồm khoảng cách, vận tốc, hướng chuyển động, bản đồ, tọa độ được cung cấp sẵn Bộ dữ liệu này nhằm tạo ra môi trường thử nghiệm lý tưởng để xe tự lái hoạt động hiệu quả.
Trong bài nghiên cứu này, mô hình ô tô là mô hình động học cơ bản, được xây dựng trên hệ tọa độ Frenet
Thành viên chính của nhóm nghiên cứu khoa học 2022 đồng thời là thành viên nghiên cứu của nhóm nghiên cửu khoa học 2021 Do đó phương pháp Stanley cũng được tác giả tham khảo và sử dụng từ bài báo cáo cáo nghiên cứu khoa học năm 2021 Tuy nhiên điều đáng chú ý ở đây là năm 2021, phương pháp Stanley đã được áp dụng đề điều khiên ô tô tự lái trong khu vực bãi đỗ xe Đề tạo sự đột phá và nâng cấp hơn nữa, năm 2022, tac gia chinh da str dung chinh phuong phap nay dé diéu khién ô tô tự lái trên đường thực tế
1 Xây dựng đường tham chiếu cho ô tô tự lái trên đường thực tế
1.1 Giới thiệu phương pháp Frenet
Một quỹ đạo được xây dựng dựa trên tập hợp các vector trạng thái theo thời gian
Thuật toán Frenet là một trong những thuật toán lập kê hoạch đường ởi tránh chướng ngại vật hiệu quả nhất cho xe tự lái trên bản đồ 2D Nó đặc biệt phù hợp với môi trường có câu trúc, chăng hạn như đường cao tốc, nơi mà có đường tham chiều được định sẵn
Phương pháp Frenet: Giả sử xe tự lái bám theo đường tham chiếu AB cho trước, thuật toán frenet giúp xe tự lái tìm được quỹ đạo mới tránh chướng ngại vật, đồng tìm quỹ đạo tiệm cận với đường tham chiêu ban đầu sau khi tránh chướng ngại vật.
Hình ảnh dưới đây mô tả một con đường cong với hệ tọa dé Descartes được đặt trên nó, cũng như một đường tham chiêu cong (cong liên tục) (ví dụ: giữa đường)
Hình 2.1 Biểu diễn đường dân tham chiếu (màu xanh lam) trong hệ tọa độ Descartes
Hình ảnh tiếp theo cho thấy cùng một đường tham chiếu cùng với tọa độ Frenet của nó
Hình 2.2 Biểu diễn một đường tham chiếu trong tọa độ [renet (s, đ) trên một đoạn đường
Tọa độ s đại diện cho độ dài chạy và bắt đầu bằng s = 0 ở đầu đường tham chiều Các vị trí bên so với đường tham chiêu được biêu diễn bằng tọa độ d Các vị trí trên đường tham chiếu được biểu diễn với d = 0 d là đương ở bên trái của đường tham chiều và âm ở bên phải của nó, mặc dù điều này phụ thuộc vào quy ước được sử dụng cho hệ quy chiếu cục bộ
LJ Hình ảnh trên cho thấy rằng các đường tham chiếu cong (chăng hạn như đường cong) được biểu diễn dưới dạng đường thăng trên trục x trong hệ tọa độ Descates Tuy nhiên, các chuyển động không đi theo đường tham chiếu chính xác dẫn đến chuyên động không chính xác như trên tọa độ Frenet Thay vào đó, các chuyền động như vậy dẫn đến một độ lệch so với đường tham chiếu và do đó trục s được hình thành và mô tả cùng với tọa độ d Hình anh sau đây cho thay hai đại diện khác nhau (Descartes vs Frenet)
Hình 2.3 So sánh quỹ đạo dự kiến trong toa dé Descartes (bên phải) và Frenet (bên trái) Để sử dụng tọa độ Frenet, cần phải có một đường dẫn tham chiếu trơn tru liên tục Đường dẫn tham chiếu
Tọa độ Frenet cung cấp một biểu diễn đơn giản hơn về mặt toán học của một đường tham chiếu, vì chiều dài đường chạy của nó được mô tả với trục s Đường tham chiều này cung cấp một tham chiếu sơ bộ đề di theo một hướng liên tục tùy ý nhưng có độ cong của đường Đề tránh va chạm, người lập kế hoạch phải quan tâm đến các đối tượng khác trong môi trường, cả tĩnh hoặc động Các đối tượng như vậy thường không bị tránh bởi đường dẫn tham chiếu
Một đường dẫn tham chiếu có thể được biểu diễn ở hai dạng khác nhau mặc dù đối với tât cả các biêu diện, thông tin về độ dài đường chạy, đại diện cho trục s, là bắt buộc đôi với phép biên đôi
1.2 Lập kế hoạch quỹ đạo
Bước 1: Xác định trạng thái ban dau
Các giá trị trạng thái ban đầu bao gồm:
- Dường dẫn tham chiều ban đầu [path]
- Téc độ ban đầu và tốc độ lớn nhất (km/h) - Gia tốc lớn nhất (m/s?
- Bán kính va chạm của ô tô (m) - Độ rộng mặt đường (m) - Đối tượng vật cản động (tọa độ, vận tốc, chiều chuyển động) Bước 2: Lập kế hoạch chuyên động bên và chuyền động dọc:
Đặt hệ tọa độ Frenet với trục s trùng với đường tham chiếu ban đầu và trục d song song với đường cong của đường tham chiếu.
Hình 2.4 Ô tô tự lái được sắn trên tọa độ Frenet
- Lấy các giá trị: vận tốc ban đầu, gia tốc, độ rộng mặt đường để lập kế hoạch chuyển động bên và chuyên động dọc Ta chia quãng đường s thành những quãng nhỏ đề dễ xử lý như cung cấp vận tốc V bao nhiêu, gia tốc bao nhiêu và góc xoay bao nhiêu
Hình 2.5 Các đặc trưng của ô tô tự lại được thể hiện trên đô thi Frenet
_" Từng bước tiếp theo ta sẽ xây dựng từng quãng đường nhỏ dựa theo quỹ đạo ban đầu và những vật thê xung quanh
Quỹ đạo của ô tô sẽ được xác định bởi 2 giá trị d và s:
CHƯƠNG III KET QUA MO PHONG VA DANH GIAỞ chương này ta sẽ nhận xét đánh gia thuat toan qua biéu đồ vận tốc và góc xoay thân xe theo thời gian thực
Trên các hình mô phỏng ta quy định như sau:
Xe tự lái là ô vuông màu xanh lục Đường tham chiếu ban đầu là đường xanh lam
Chướng ngại vật là các ô vuông màu đen Đường màu đỏ là đường dẫn mới mà thuật toán vẽ ra đề tránh chướng ngại vật
Các thông số trạng thái của xe tự lái sẽ được quy định như sau:
Vận tốc xe sẽ tăng dần từ 15km/h đến 30km/h Giới hạn tốc độ là 40 km/h Gia tốc tối đa là 2m/s?
Bán kính va chạm là 3m Độ rộng đường là 6m
Trên biểu đồ vận tốc: Trục ngang là trục thời gian thực (s); Trục dọc là trục vận tốc
(km/h) Đường màu đỏ là đường đồ thị vận tốc theo thời gian thực
Trên biểu đồ góc xoay thân xe: Trục ngang là trục thời gian thực (s); Trục dọc là trục góc xoay thân xe (rad) Đường màu đỏ là đường đô thị góc xoay thân xe theo thời gian thực
1 Trường hợp xe tự lái di chuyển theo quỹ đạo ngẫu nhiên vikm/h]:21.3
Hình 3.1 Mô phỏng xe tự lái đi theo quỹ đạo ngấu nhiênTrường hợp xe tự lái di chuyển tránh người đi bộ với tốc độ 30km/hHình 3.3 Mô phỏng xe tự lái tránh người đi bộ - Xe tự lái đã hoàn toàn tránh người đi bộ một cách an toàn và đưa ra dự đoán quỹ đạo tiếp theo đê bám theo đường tham chiêu ban đầu.
Hình 3.4 Biểu đồ vận tốc theo thời gian thực TH2
Trong trường hợp thứ hai, cả vận tốc và góc xoay thân xe đều thay đổi khi xe tự lái tránh chướng ngại vật, điều này được minh họa bằng biểu đồ góc xoay thân xe theo thời gian thực TH2.
3 Trường hợp xe tự lái di chuyển vượt xe cùng chiều, xe chuyển động tăng tốc đến
Hình 3.6 Mô phóng xe tự lái tránh ô tô phía trước
Hinh 3.6 Biéu dé van téc theo thoi gian thực
Hinh 3.7 Biéu d6 goc xoay than xe theo thời gian thực
Mô phỏng trường hợp 3 cho ta thấy thuật toán đã đưa ra quỹ đạo chuyên động và tự tránh được 2 ô tô đang di chuyên trên đường Biéu đỗ vận tốc và góc xoay thân xe đã thay đôi nhiều hơn so với trường hợp 2 Vận tốc vẫn đảm bảo tăng dần đến 30 km/h Góc xoay thân xe đạt đến độ an toàn cho phép Ta có thê kết luận thuật toán và phương pháp điều khiển hoạt động ồn định.
Kết luận Trong đề tài nghiên cứu này, nhóm nghiên cứu đã xây dựng thuật toán Frenet tìm đường tham chiếu tránh chướng ngại vật tôi ưu, sau đó áp dụng thuật toán điều khiển Stanley đề điều khiển ô tô tự lái trong môi trường đường thực tế Kết quả mô phỏng đã cho thấy ô tô tự lái trang bị bộ điều khiên dựa trên phương pháp Stanley đã đảm bảo độ định của xe khi góc đánh lái luôn nằm trong ngưỡng cho phép và đặc biệt hơn nữa quỹ đạo của xe tự lái luôn bám sát quỹ đạo đường tham chiều
Hướng nghiên cứu tiếp theo nhóm sinh viên định hướng là:
+ Áp dụng Reinforcement Learning dé dao tao mé hinh ô tô tự lái tránh chướng ngại vật trong trường hợp khân cấp
+ Sử dụng trí tuệ nhận tạo trong việc bám sát đường tham chiếu dựa trên bộ dữ liệu từ thuật toán Stanley
+ Xây dựng môi trường cho xe tự lái hoạt động dựa trên dữ liệu các cảm biến
+ Thực nghiệm thuật toán và phương pháp điều khiển
[1] Moritz Werling, Julius Ziegler Soren Kammel, and Sebastian Thrun; Optimal Trajectory Generation for Dynamic Street Scenarios in a Frenet Frame; 2010 IEEE International Conference on Robotics and Automation Anchorage Convention District - May 3-8, 2010, Anchorage, Alaska, USA
[2] Moritz Werling, Séren Kammel, Julius Ziegler4 and Lutz Gréll, Optimal trajectories for time-critical street scenarios using discretized terminal manifolds; The International Journal of Robotics Research - March 2012
[3] Yuchen Sun, Dongchun Ren, Shigi Lian, Mingyu Fan; An Efficient Generation Method based on Dynamic Curvature of the Reference Curve for Robust Trajectory Planning;
Section of Self-driving VehicleMeituan Group, Beying, China 100102
[4] Nam Dinh Van, Muhammad Sualeh, Dohyeong Kim and Gon-Woo Kim; A Hierarchical Control System for Autonomous Driving towards Urban Challenges
[5] C Urmson, J Anhalt, D Bagnell, C Baker, R Bittner, MN Clark, J Dolan, D Duggins, T Galatali, C Geyer et al; Autonomous driving in urban environments: Boss and the Urban Challenge; Journal of Field Robotics, 25(8), 2008
[6] / Ziegler and C Stiller; Spatiotemporal state lattices for fast trajectory planning in dynamic on-road driving scenarios; In IEEE/RSJ International Conference on Intelligent Robots and Systems, 2009
[7] Keisuke Yoneda, Toshiki lida, TaeHyon Kim, Ryo Yanase, Mohammad Aldibaja & Naoki Suganuma; Trajectory optimization and state selection for urban automated driving;
Artificial Life and Robotics 23, pages474—480 (2018)
[8] Althoff M and Mergel A (2011); Comparison of markov chain abstraction and monte carlo simulation for the safety assessment of autonomous cars IEEE Transactions on Intelligent Transportation Systems To appear
/9] Bùi Đức Tiến, Vũ Văn Tấn,, Trần Văn Đà; Kết hợp phương pháp rrt va stanley cho 6 té tự lái vào bãi đậu xe; Journdl of SCIENCE & TECHNOLOGY
[10] Afontemerlo M, Becker J, Bhat S, Dahlkamp H, Dolgov D, Ettinger S, et al (2008);
Junior: The Stanford entry in the Urban Challenge; Journal of Field Robotics 25(9): 569- 597
[11] Pivtoraiko M and Kelly A (2005); Efficient constrained path planning via search in state lattices In: International Symposium on Artificial Intelligence, Robotics, and Automation in Space.
