Một giải pháp kỹ thuật thiết lập kế hoạch chuyển động cho xe tự hành

Trong bài viết này, để xử lý tính không chắc chắn trong dữ liệu tri giác và cấu trúc hệ thống xe, bài viết đề xuất một giải pháp lập kế hoạch chuyển động cho xe tự hành sử dụng cấu trúc cơ bản của bộ lọc phần tử với bốn bước cơ bản được thực hiện lặp lại cho đến khi tìm được quỹ đạo tối ưu, từ đó đánh giá giải pháp và định hướng nghiên cứu ứng dụng về bài toán xe tự hành trong thực tế.

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00038 MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH Quách Hải Thọ1, Huỳnh Công Pháp2, Phạm Anh Phương3 Tổ Cơ sở Ngành, Trường Đại học Nghệ thuật, Đại học Huế Khoa Công nghệ Thông tin Truyền thông, Đại học Đà Nẵng Khoa Tin học, Trường Đại học Sư phạm, Đại học Đà Nẵng haitho37@gmail.com,hcphap@gmail.com,paphuong@yahoo.com TÓM TẮT: Bằng phương pháp tiếp cận dựa mẫu, để tạo quỹ đạo tối ưu từ tập ứng viên quỹ đạo nhằm mục đích cải thiện hiệu suất tăng cường khả lập kế hoạch chuyển động dựa thông tin nhận từ hệ thống sở hạ tầng giao thông đối tượng khác đường thông qua hệ thống thiết bị cảm biến Trong báo này, để xử lý tính khơng chắn liệu tri giác cấu trúc hệ thống xe, đề xuất giải pháp lập kế hoạch chuyển động cho xe tự hành sử dụng cấu trúc lọc phần tử với bốn bước thực lặp lại tìm quỹ đạo tối ưu, từ đánh giá giải pháp định hướng nghiên cứu ứng dụng toán xe tự hành thực tế Từ khóa: Autonomous vehicle, particle filter, path planning, motion planning, intelligent transportation systems I GIỚI THIỆU Trong năm gần đây, nhiều nghiên cứu toán xe tự hành thực dựa thành phần như: hệ thống định vị, tri giác môi trường, lập kế hoạch điều khiển [1,11,20] Trong thành phần này, vấn đề lập kế hoạch chuyển động chức quan trọng để xác định trình di chuyển xe, cung cấp mục tiêu đến xe cách sử dụng thông tin thu nhận từ môi trường hệ thống định vị Do đó, thành phần lập kế hoạch không xét đến yếu tố xe mà phải xét đến thay đổi môi trường qua liệu tri giác thu nhận hệ thống nhằm đảm bảo độ tin cậy an toàn tham gia giao thơng Để tìm giải pháp xác định đường tối ưu điều kiện môi trường phức tạp, có nhiều nghiên cứu cho tốn kỹ thuật trường thế, kỹ thuật tìm kiếm đồ thị kỹ thuật dựa mẫu [5] Trong kỹ thuật này, kỹ thuật dựa mẫu sử dụng rộng rãi cho khơng gian đường có cấu trúc cách giảm bớt số giải pháp tính nhằm đạt hiệu suất thời gian thực xử lý; kỹ thuật dựa mẫu thực việc tạo xếp tập ứng cử viên quỹ đạo nên có khả khơng làm ảnh hưởng đến khơng gian tìm kiếm vùng quan tâm Do đó, kỹ thuật dựa mẫu trở thành giải pháp sử dụng phổ biến xây dựng kế hoạch chuyển động xe tự hành so với giải pháp kỹ thuật khác Tuy nhiên, thách thức giải pháp lập kế hoạch chuyển động dựa mẫu phải làm để lấy mẫu ứng viên không gian quỹ đạo cách hiệu Để giải vấn đề này, phương pháp tiếp cận khác dựa mẫu nghiên cứu lấy mẫu không gian đầu vào, lấy mẫu không gian trạng thái lấy mẫu mạng lưới trạng thái [14]; từ nghiên cứu này, thấy ràng buộc non-holonomic xe điều kiện biên môi trường giao thông xem có tác dụng hiệu việc lựa chọn mẫu ứng viên [5] Vì tất phương pháp dựa mẫu, đạt cận quỹ đạo mục tiêu cuối kỹ thuật tối ưu, phương pháp địi hỏi phải có lượng tài nguyên đủ lớn nhằm có số lượng lớn ứng viên để tìm quỹ đạo tối ưu toàn cục Ngoài ra, hầu hết kỹ thuật dựa mẫu trước thực cách sử dụng cách tiếp cận tất định, cách tiếp cận có độ phức tạp tính tốn để tìm quỹ đạo đáng tin cậy sử dụng để giải toán tránh va chạm giải pháp lập kế hoạch chuyển động [14,16] Nhưng cách tiếp cận tất định cần phải sử dụng hệ thống cảm biến có chất lượng cao với độ nhiễu ít, chúng khơng có mơ hình rõ ràng với liệu tri giác thu để ước lượng va chạm xác Để giải có hiệu khó khăn trên, cách tiếp cận xác suất giải pháp lập kế hoạch chuyển động nghiên cứu với thuật toán khác tiếp cận Bayes [2], phương pháp Monte Calor [4] quy trình Markov [7], thuật tốn xử lý mơ hình hệ thống khơng đầy đủ phép đo cảm biến với liệu tri giác không chắn Tuy nhiên, phương pháp tiếp cận xác suất gặp vấn đề trở ngại không thống giải pháp quy hoạch chuyển động kỹ thuật tối ưu tất định tri thức môi trường xác suất Chẳng hạn hệ thống cảm biến thu nhận liệu tri giác quy định hàm mật độ xác suất chướng ngại vật di động (như loại xe), thuật toán lập kế hoạch chuyển động dựa mẫu lại cần chuyển động bất định từ khu vực sang khu vực khác Trong báo này, đề xuất giải pháp lập kế hoạch chuyển động với mục tiêu đặt không cải thiệu hiệu tính tốn mà cịn xử lý tính bất định liệu tri giác mơi trường hệ thống phương tiện đề xuất 282 MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH Phần báo giới thiệu nguyên tắc để xây dựng kế hoạch chuyển động thuật tốn liên quan, từ chúng tơi đề xuất giải pháp lập kế hoạch chuyển động dựa cấu trúc lọc phần tử Tiếp theo phần thực nghiệm kết luận với số đề xuất cho toán xe tự hành II XÂY DỰNG GIẢI PHÁP LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH Trong toán lập kế hoạch chuyển động xe tự hành, yếu tố cần tính tốn xem xét hệ thống học vận hành xe, hạn chế môi trường hoạt động cấu trúc hệ thống đường giao thông, chướng ngại vật đường với mục tiêu toán lập kế hoạch tìm quỹ đạo có tính an tồn khả thi, tốn cần xét đến điều kiện biến thiên theo thời gian quỹ đạo tạo cuối tập chứa thơng tin cấu trúc đường hình học (gồm có vị trí ( ), góc ban đầu độ cong ) thông tin biến động chuyển động (thời gian , vận tốc , gia tốc độ lệch ) Hình Mơ hình lập kế hoạch chuyển động Để tìm quỹ đạo chuyển động (quỹ đạo tối ưu an tồn) độ xác hệ thống định vị liệu tri giác môi trường quan trọng Nhưng hạn chế thiết bị cảm biến vấn đề nhiễu mơi trường thu nhận; yếu tố không chắn hay sai lệch định vị liệu tri giác môi trường cần phải xét đến trình xây dựng kế hoạch chuyển động Các thuật toán lập kế hoạch chuyển động dựa mẫu thường tạo xếp tập chuyển động ứng viên quỹ đạo để tạo quỹ đạo tối ưu Trong hình 1, thấy phương tiện tự hành hoạt động giữ đường thay đổi đường tùy thuộc vào ứng viên chuyển động Để có ứng viên chuyển động hình 1, thuật tốn lập kế hoạch chuyển động dựa mẫu thực bước sau [10]: Bảng Minh họa phương án lập kế hoạch chuyển động dựa mẫu Algorithm: Lập kế hoạch chuyển động dựa lấy mẫu Input: tập ứng viên quỹ đạo Output: Xopt(t) quỹ đạo tối ưu Begin Khởi tạo mục tiêu chuyển động( ) (sg,ng); for i =1 to N Tạo ứng viên quỹ đạo(sg,ng) Xi(t); Tính chi phí quỹ đạo(Xi(t)) ci; end Chọn quỹ đạo tối ưu (X(t),c) Xopt(t); End - Khởi tạo tập mục tiêu chuyển động chọn không gian mẫu - Xây dựng quỹ đạo dựa mục tiêu chuyển động, cách kết nối từ vị trí xe đến mục tiêu chuyển động, kết nối thực dựa mơ hình xe ràng buộc non-holonomic - Mỗi quỹ đạo đánh giá định lượng cách sử dụng liệu tri giác thu nhận từ môi trường hàm chi phí liên quan đến số hoạt động khác (độ an toàn, độ giật xe di chuyển vị trí trung tâm đường); q trình tính tốn định lượng quỹ đạo thực với tất quỹ đạo - Xác định quỹ đạo tối ưu có chi phí tối thiểu để thực kế hoạch chuyển động xe Bốn thao tác hoạt động lặp lại đến lúc tìm quỹ đạo tối ưu thuật toán lập kế hoạch dựa mẫu để xây dựng đường đảm bảo an toàn tối ưu Khi có nhiều mẫu q trình lặp tốn chúng cần bảo đảm bao qt khơng gian tìm kiếm lớn để tìm quỹ đạo, khối lượng tính tốn tăng lên nhanh chóng cách tăng số lượng mẫu N Vì vậy, mẫu nên quản lý không để tìm quỹ đạo tối ưu mà cịn để cải thiện hiệu suất tính tốn Lọc tốn đóng vai trị quan trọng lĩnh vực xử lý tín hiệu, toán giải triệt để vấn đề ước lượng trạng thái hệ thống tập quan sát hệ thống thu thập có hiệu lực Nhưng hệ Quách Hải Thọ, Huỳnh Công Pháp, Phạm Anh Phương 283 thống thu thập thực tế phi tuyến có nhiều loại nhiễu phép đo Để ước lượng trạng thái hệ thống ta sử dụng lọc phần tử hay phương pháp Sequential Monte Carlo (SMC) [19] Hiện giới, lọc phần tử áp dụng rộng rãi nhiều lĩnh vực khoa học công nghệ giao thơng, an ninh quốc phịng, thị giác robot, di động khơng dây Trong thuật toán lọc phần tử cải tiến liên tục nhằm đáp ứng yêu cầu thực tế có vài nghiên cứu lọc phần tử thực phần cứng 2.1 Bộ lọc phần tử Bộ lọc phần tử (hay có tên khác lọc chất điểm, lọc Boostrap, lọc Monte Carlo dựa tảng phương pháp Monte Carlo) [19] thuật toán dùng để ước lượng trực tiếp mật độ hậu nghiệm mơ hình khơng gian trạng thái cách triển khai thực phương trình đệ quy Bayes Mơ hình khơng gian trạng thái phi tuyến phân bố nhiễu hình thức nào, phương trình đệ quy Bayes sử dụng phương pháp tiếp cận dựa quần thể Các mẫu phân phối thể tập hợp phần tử, phần tử gán trọng lượng đại diện cho xác suất phần tử lấy mẫu từ hàm mật độ xác suất Sự chênh lệch trọng lượng dẫn đến thối hóa trọng lượng vấn đề thường gặp thuật tốn lọc Tuy nhiên, giảm thiểu phương pháp tái chọn mẫu; bước tái chọn mẫu phần tử có trọng lượng khơng đáng kể thay phần tử lân cận tạo từ phần tử có trọng lượng lớn Quá trình lọc phần tử gồm bước sau [15]: Khởi tạo: Trong xác định trạng thái sử dụng lọc phần tử, có phần tử [ ] ban đầu khởi tạo ngẫu nhiên dựa hàm mật độ xác suất trạng thái ban đầu ( ̂ ) (được giả định không biết) Số phần tử xem hệ số an toàn để xác định hiệu tính tốn độ xác việc xác định trạng thái Cập nhật thời gian: Sử dụng mơ hình hệ thống đặc trưng nhiễu trạng thái trước, phần tử ưu tiên tính sau: ( ) ( ) (1) Cập nhật theo giá trị đo lường: Trọng lượng phần tử cập nhật sở cảm biến đo lường Điều thực hàm hợp lý (likehood function) ( ) sở phương trình phi tuyến hàm mật độ xác suất nhiễu cảm biến Ngoài ra, trọng lượng thu chuẩn hóa sau: ∑ Xác định trạng thái: Sử dụng tập phần tử trọng lượng , phần tử sau tính xấp xỉ ∑ (2) Tái chọn mẫu: Để tạo tập gồm phần tử mẫu ngẫu nhiên chọn lựa sở trọng số Việc tái chọn mẫu nhằm ngăn tập trung xác suất rơi vào vài phần tử quản lý hiệu số lượng giới hạn phần tử để xác định trạng thái xác Điểm mấu chốt q trình lọc phần tử việc quản lý phần tử với hàm xác suất hợp lý, lọc phần tử giải vấn đề cách tạo tập mẫu để ước lượng Tập mẫu lớn, việc ước lượng xác khối lượng tính tốn tăng cao Bộ lọc phần tử ước lượng trạng thái hệ thống cách lấy trạng thái trước đó, tạo Nmẫu phần tử, mẫu phần tử ước lượng (điều kiện không nhiễu) cách nhân phần tử với trọng số riêng tính tổng lại để trạng thái ước lượng Các trọng số riêng cập nhật cách sử dụng quan sát thời điểm theo xác suất Bayes Bộ lọc phần tử thiết kế cho hệ thống phi tuyến nên lược đồ tối ưu hóa xác suất mở rộng cho ứng dụng phi tuyến khác công cụ hữu ích việc ước lượng dự đốn trạng thái đối tượng 2.2 Giải pháp lập kế hoạch chuyển động Kiến trúc tổng thể hệ thống lái tự động cho xe tự hành, bao gồm module sau: Module đồ định vị cung cấp vị trí xe hệ thống tồn cục, liệu tri giác cung cấp thông tin chướng ngại vật phát được; dựa thông tin liệu tri giác định vị, module lập kế hoạch chuyển động tạo quỹ đạo mục tiêu sau module điều khiển chuyển lệnh để chuyển động thực điều khiển xe theo quỹ đạo tìm Hình Kiến trúc tổng thể hệ thống lái tự động cho xe tự hành MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH 284 Giải pháp lập kế hoạch chuyển động mà đề xuất thực dựa kỹ thuật lấy mẫu, nên ứng viên quỹ đạo quản lý lặp lặp lại để tạo quỹ đạo; để quản lý ứng viên hiệu quy trình lọc phần tử áp dụng quy hoạch chuyển động cần sử dụng bước chính: cập nhật thời gian ứng viên, cập nhật liệu tri giác, lựa chọn quỹ đạo tái lấy mẫu mục tiêu chuyển động Trong bước cập nhật thời gian ứng viên quỹ đạo cập nhật liệu tri giác thiết kế để xét tính khơng chắn liệu định vị liệu tri giác trình lập kế hoạch chuyển động Ngoài ra, bước tái lấy mẫu mục tiêu chuyển động nhằm cải thiện hiệu suất tính tốn cách quản lý mục tiêu chuyển động ứng viên quỹ đạo Giải pháp đề xuất hoạt động đệ quy dựa phương pháp lọc phần tử nên quỹ đạo cuối ứng viên chọn lược đồ tối ưu xác suất; bước cập nhật thời gian ứng viên quỹ đạo khởi tạo cập nhật mục tiêu chuyển động liệu định vị mơ hình xe, đồng thời khởi tạo tập ứng viên quỹ đạo Trong bước cập nhật liệu tri giác, trọng số quỹ đạo tính cách sử dụng liệu tri giác hàm hợp lý thích ứng; bước lựa chọn quỹ đạo chọn quỹ đạo tối ưu từ ứng viên dựa yếu tố trọng số; bước cuối tái lấy mẫu mục tiêu chuyển động thay đổi tập mục tiêu chuyển động dựa trọng số 2.2.1 Khởi tạo Khởi tạo mục tiêu chuyển động ban đầu ( ) trọng số ứng viên quỹ đạo thiết lập theo giá trị ứng viên quỹ đạo giá trị có yếu tố quan trọng tác động đến hiệu tính toán phương pháp lập kế hoạch dựa mẫu; Do đó, việc xem xét để đưa số ứng viên quỹ đạo thích hợp vấn đề mà giải pháp tính tốn lập kế hoạch chuyển động phải tính đến Với giá trị ứng viên quỹ đạo, mục tiêu chuyển động ban đầu ( ) thống chọn dọc ⁄ theo trục thẳng xe trọng số quỹ đạo khởi tạo sau: Hình Tập ứng viên quỹ đạo mục tiêu chuyển động 2.2.2 Cập nhật thời gian ứng viên quỹ đạo Thực tương tự cập nhật thời gian hoạt động lọc phần tử Tuy nhiên, cập nhật thời gian ứng viên quỹ đạo thực với mơ hình hệ thống thiết kế dành cho chuyển động xe là: [ ] [ ] [ ( ( ) ] ) (3) ] vị trí xe xác định hệ tọa độ Descartes, Trong đó: [ khoảng thời gian cập nhật hệ thống, vận tốc góc đảo lái thu từ hệ thống định vị Trên sở mơ hình hệ thống thiết kế, mục tiêu chuyển động cập nhật lại sau: [ ] [ ] ( )[ ( ( ) ] ) (4) ] vị trí mục tiêu chuyển động thứ i xác định hệ tọa độ Descartes, cảm biến Trong đó: [ nhiễu mục tiêu chuyển động cho góc đảo lái Do đó, việc phân phối mục tiêu chuyển động cập nhật thay đổi theo đặc tính cảm biến nhiễu hệ thống định vị Các ứng viên quỹ đạo tập bao gồm đường dẫn thông tin chuyển động cập nhật để kết nối từ vị trí xe ), góc độ cong ứng viên quỹ đạo đến mục tiêu chuyển động; thơng tin đường dẫn gồm vị trí ( biểu diễn chuyển động xe dọc theo đường Hình Minh họa cập nhật thời gian ứng viên quỹ đạo sử dụng thông tin định vị Quách Hải Thọ, Huỳnh Công Pháp, Phạm Anh Phương 285 ) tọa độ đường thẳng ( ) sử dụng đồng thời, mối quan Cả hệ thống tọa độ tọa độ Descartes ( ) ( ); hệ hệ thống tọa độ biểu diễn chuyển đổi qua tọa độ cong ánh xạ: ( tọa độ đường thẳng ( ), thông tin đường dẫn biểu diễn lại cách sử dụng hàm đa thức bậc sau: ( ) { (5) Trong khác biệt mục tiêu chuyển động vị trí xe theo chiều dọc; hệ số ứng viên quỹ đạo thứ i, xác định điều kiện biên sau: ( ) ( ) ( ) ( ) ( , ) , (6) (7) Thông tin chuyển động không cố định ứng viên quỹ đạo bao gồm liệu thời gian thời gian , vận tốc , gia tốc giá trị biến thiên độ cong xác định sở liệu giới hạn tốc độ tối thiểu từ nhiều nguồn khác (như giới hạn tốc độ hệ thống điều khiển hành trình, giới hạn tốc độ dựa gia tốc ngang đường cong giới hạn tốc độ tối đa hệ thống giao thơng) hình phương trình sau: ( ) ( ), √ ( ) (8) Hình Minh họa thơng tin giới hạn tốc độ kế hoạch chuyển động không cố định Dựa thông tin giới hạn tốc độ, hệ thống gia tốc dẫn xuất cách áp dụng mô hình gia tốc khơng đổi nút ứng viên quỹ đạo hình giá trị tính phương trình sau: ( ) ( ) khác khoảng cách nút ứng viên quỹ đạo Hình Mơ hình gia tốc khơng đổi Kết cuối cùng, thu ứng viên quỹ đạo bao gồm tập nút quỹ đạo cập nhật thông tin chuyển động không cố định 2.2.3 Cập nhật đo lường liệu tri giác Để xe tự hành chuyển động theo hướng tránh chướng ngại vật, liệu tri giác cấu trúc đường thực tế trạng thái chướng ngại vật phải xét đến lựa chọn quỹ đạo Tuy nhiên, nhiễu bất định phép đo cảm biến nên hầu hết thuật toán thị giác dựa kỹ thuật ước tính xác suất lọc Kalman Kalman mở rộng cung cấp sai số hiệp phương sai để biểu thị độ xác xác suất [3, 6, 9] Để ứng dụng thông tin xác suất lựa chọn quỹ đạo, trọng số quỹ đạo tính sở trường khả thích ứng [17]; trường khả thích ứng mơ tả phân bố thích ứng cho liệu đo lường không gian đo lường MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH 286 Về bản, xe tự hành di chuyển thực chức giữ đường thay đổi đường Để tăng trọng số cho ứng viên quỹ đạo nằm đường yếu tố hình học đường với khả thích ứng định nghĩa sau: ( ( ) | | ) | ( | | ) | | | { (9) | | vị trí bên nút quỹ đạo thứ j; vị trí bên đường đích; vị trí bên thứ khác; vị trí bên ranh giới đường, phân phối xác suất mục tiêu; phân phối xác suất thứ khác Để tránh chướng ngại vật cách an toàn, xe tự hành cần phải phát xác chướng ngại vật tĩnh động; để thực tốt vấn đề thiết bị cảm biến quét laze, radar lắp đặt đầy đủ xe [11] Trong báo này, giả định hệ thống tri giác cung cấp cho hệ thống xử lý đồ chướng ngại vật tĩnh danh sách chướng ngại vật động từ liệu đo lường thiết bị cảm biến Bản đồ lưới thể môi trường chia nhỏ thành mắt lưới sử dụng để xây dựng đồ chướng ngại vật tĩnh [18]; có xác suất ước tính có bị chiếm giữ hay khơng Bản đồ lưới chuyển đổi trực tiếp thành chướng ngại vật tĩnh với trường khả thích ứng sử dụng phép tích chập Gauss sau: ( ( ) ) ( ) ( ) ( ) (10) với giá trị đại diện cho mức độ an toàn ô giá trị thấp có nghĩa có chướng ngại vật ơ; đặc tính nhiễu cảm biến phản ánh cách áp dụng phép biến đổi Gauss với đồ lưới Cũng giống chướng ngại vật tĩnh, chướng ngại vật động tính với trường khả thích ứng đại diện cho xác suất liên quan đến mức độ an tồn đường Tuy nhiên, vị trí chướng ngại vật động thay đổi theo thời gian, nên dự đốn chuyển động sử dụng thơng tin trạng thái danh sách chướng ngại vật động để ước lượng tránh va chạm đảm bảo an toàn ( với ( ) ( ) ( phép tích chập Gauss; ) ( ) ( ) (11) ) giá trị đại diện cho trạng thái dự đoán chướng ngại vật động So với ngồi việc xét đến đặc tính nhiễu cảm biến mà cịn tính đến lỗi mơ hình dự đốn chuyển động tương lai Giá trị hiệp phương sai thay đổi theo thời gian dự đoán t vận tốc tương đối , hiệp phương sai cảm biến sở Vì phép đo lường tri giác độc lập nhau, nên việc tích hợp trường khả thích ứng thực sau: ( ) ∏ ( ) ( ) ( ) ( ) (12) Trên sở này, trọng số ứng viên quỹ đạo cập nhật; trọng số nút khác ứng viên quỹ đạo độc lập, trọng số ứng viên quỹ đạo thứ i bước thời gian xác định cách nhân trọng số tất nút q trình chuẩn hóa: ∏ ( ) ̂ ∑ (13) 2.2.4 Lựa chọn quỹ đạo Việc lựa chọn quỹ đạo thực dựa trọng số cập nhật ứng viên quỹ đạo, quỹ đạo cuối bước thời gian k chọn bước lựa chọn quỹ đạo Để chọn quỹ đạo tối ưu, tìm giá trị cực đại phương pháp đánh giá quy nạp: [ ̂ ( )] (14) arg max hàm để tìm ứng viên quỹ đạo miền ̂ mà giá trị đạt cực đại 2.2.5 Tái lấy mẫu mục tiêu chuyển động Với mục đích ngăn tập trung trình cập nhật trọng số rơi vào vài ứng viên quỹ đạo quản lý hiệu số lượng ứng viên hạn chế để tìm quỹ đạo tối ưu, việc tái lấy mẫu mục tiêu chuyển động nhằm tái tạo tập mục tiêu chuyển động cho ứng viên quỹ đạo sở trọng số cần thiết Quách Hải Thọ, Huỳnh Công Pháp, Phạm Anh Phương 287 Bước tái lấy mẫu mục tiêu chuyển động thực thỏa mãn điều kiện [32]; số ứng viên hiệu dụng, đại diện cho mức độ tập trung trọng số; yếu tố thiết kế để sử dụng cho việc xác định tần suất hoạt động tái lấy mẫu ∑ ( ) tỷ lệ ngưỡng Nếu việc tái lấy mẫu xác định, có loại mục tiêu chuyển động tái tạo: mục tiêu chuyển động cố định mục tiêu chuyển động ngẫu nhiên Để kiểm tra độ an toàn tất đường, mục tiêu chuyển động cố định tạo trung tâm đường có mục tiêu chuyển động tái tạo thành mục tiêu chuyển động cố định; mà hầu hết mục tiêu chuyển động tái tạo cách áp dụng kỹ thuật lấy mẫu có phương sai thấp dựa trọng số ứng viên quỹ đạo, kỹ thuật có độ phức tạp tính tốn thấp độ phủ khơng gian tốt không gian mẫu [19] III ĐÁNH GIÁ VÀ KẾT LUẬN Giải pháp lập kế hoạch chuyển động đề xuất dựa thiết kế lọc phần tử toán xe tự hành thực nghiệm mơ với nhiều tình giao thơng khác Quá trình quy hoạch chuyển động thực dựa kỹ thuật lấy mẫu ngẫu nhiên, trường hợp thực nghiệm giống cho kết khác Để đánh giá hiệu suất giải pháp này, áp dụng phương pháp mô Monte Carlo [34] với kịch thử nghiệm lặp lại nhiều lần; thực đồng thời với phương pháp lập kế hoạch chuyển động kỹ thuật RRT; kịch thử nghiệm áp dụng giống cho phương pháp Trong mô phỏng, giải pháp đề xuất sử dụng 60 ứng viên quỹ đạo phương pháp sử dụng kỹ thuật RRT sử dụng 200 ứng viên quỹ đạo để tìm quỹ đạo tối ưu Để đánh giá định lượng cho giải pháp đề xuất, phân tích thời gian tính tốn tỷ lệ thất bại bảng 2; phân tích này, chúng tơi thực kịch thử nghiệm áp dụng chướng ngại vật khác nhau, kịch thử nghiệm 50 lần cho mơ phịng Monte Carlo, quỹ đạo chọn gây va chạm q trình mơ phịng trường hợp thử nghiệm đánh dấu trường hợp lỗi Bảng So sánh thời gian xử lý tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo Giải pháp đề xuất Giải pháp dùng để đánh giá Số lượng ứng viên 10 50 100 200 500 10 50 100 200 500 Thời gian xử lý (ms) 22.85 27.40 40.20 60.28 145.20 21.00 25.80 38.40 58.70 120.10 Tỷ lệ thất bại (%) 10.8 1.0 0 40.2 15.4 2.6 0.8 Như bảng 2, thời gian thực giải pháp đề xuất lớn so với giải pháp sử dụng RRT cho số lượng ứng viên; lý phương pháp cần cập nhật thời gian lập kế hoạch quỹ đạo tái lấy mẫu chuyển động cục Tuy nhiên, hiệu suất an toàn giải pháp cao hơn, đồng thời giải pháp có tỉ lệ thất bại thấp số lượng ứng viên nhỏ giải pháp lặp lặp lại trình thay đổi mục tiêu chuyển động có sử dụng trọng số Kết đánh giá điều kiện an tồn giải pháp đề xuất đạt hiệu phương pháp lập kế hoạch chuyển động tạo quỹ đạo tối ưu cho phép xe tự hành lái dọc theo đường tránh chướng ngại vật an toàn Để nâng cao hiệu tính tốn xem xét xác suất khơng chắn liệu tri giác định vị quỹ đạo tổng quát; hiệu suất giải pháp đề xuất cịn phụ thuộc vào mơ hình xác suất hệ thống để tạo trường khả thích ứng Do đó, phân tích xác suất phương pháp biểu diễn tình lái xe cần tích hợp nhiều việc áp dụng vào xe thực tế IV TÀI LIỆU THAM KHẢO [1] Bevan, Gollee and O’Reilly Trajectory generation for road vehicle obstacle avoidance using convex optimization Proc IMechE Part D: J Automobile Engineering, pp.455-473, 2010 [2] Brannstrom M., Sandblom F and Hammarstrand L A probabilistic framework for decision-making in collision avoidance systems IEEE Trans Intell Transpn Systems, pp.637-648, 2013 [3] Dongchul K, Jaehyun H and Myoungho S Multiple vehicle tracking in urban environment using integrated probabilistic data association filter with single laser scanner Trans KSAE, pp.33-42, 2013 288 MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH [4] Eidehall A and Petersson L Statistical threat assessment for general road scenes using Monte Carlo sampling IEEE Trans Intell Transpn Systems, pp.137-147, 2008 [5] Fraichard and Howard Iterative motion planning and safety issue In: Eskandarian A (ed) Handbook of intelligent vehicles London: Springer, pp 1433-1458, 2012 [6] Han J., Kim D., Lee M and Sunwoo M Enhanced road boundary and obstacle detection using a downward looking LIDAR sensor IEEE Trans Veh Technol, pp.971-985, 2012 [7] Laugier C., Paromtchik I E., Perrollaz M et al Probabilistic analysis of dynamic scenes and collision risks assessment to improve driving safety IEEE Intell Transpn Systems Mag, pp.4-19, 2011 [8] Ibanez-Guzman, Laugier and Thrun S Autonomous driving: context and state-of-the-art, In:Eskandarian A (ed) Handbook of intelligent vehicles London: Springer, pp.1271-1310, 2012 [9] Jo K., Chu K and Sunwoo M Interacting multiple model filter-based sensor fusion of GPS with in-vehicle sensors for real-time vehicle positioning IEEE Trans Intell Transpn Systems, pp.329-343, 2012 [10] Jo K and Sunwoo M Generation of a precise roadway map for autonomous cars IEEE Trans Intell Transpn Systems, pp.925-937, 2014 [11] Jo K., Kim J., Kim D et al Development of autonomous car - Part I: distributed system architecture and development process IEEE Trans Ind Electron, pp.7131-7140, 2014 [12] Kim J., Jo K., Chu K and Sunwoo M Road-modelbased and graph-structure-based hierarchical path planning approach for autonomous vehicles Proc IMechE Part D: J Automobile Engineering, pp.909-228, 2014 [13] Kim J., Jo K., Lim W et al Curvilinear-coordinate-based object and situation assessment for highly automated vehicles IEEE Trans Intell Transpn Systems, pp.1559-1575, 2015 [14] Shim T., Adireddy G and Yuan H Autonomous vehicle collision avoidance system using path planning and model-predictive-control-based active front steering and wheel torque control Proc IMechE Part D: J Automobile Engineering, pp.767-778, 2012 [15] Simon D Optimal state estimation: Kalman, HN, and nonlinear approaches New York: John Wiley, 2006 [16] Su J L and Ordys A.W Collision avoidance manoeuvre for a vehicle - a practical approach Proc IMechE Part D: J Automobile Engineering, pp.299-312, 2010 [17] Schubert R and Wanielik G A unified Bayesian approach for object and situation assessment IEEE Intell Transpn Systems Mag, pp.6-19, 2011 [18] Suganuma N and Matsui T Robust environment perception based on occupancy grid maps for autonomous vehicle In: 2010 SICE annual conference, Taipei, Republic of China, pp 2354-2357, 2010 [19] Thrun S., Burgard W and Fox D Probabilistic robotics Cambridge, Massachusetts: MIT Press, 2005 [20] Zhang D., Li K and Wang J Radar-based target identification and tracking on a curved road Proc IMechE Part D: J Automobile Engineering, pp.39-47, 2012 A TECHNICAL SOLUTION CREATING MOTION PLANNING FOR AUTONOMOUS VEHICLES Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong ABSTRACT: Using a sampling-based approach, to create the optimal trajectory from the set of trajectory candidates aiming at improving performance and enhancing motion planning capabilities based on the information received fromthe transport infrastructure system and other objects on the road through the sensor system, in this paper, to handle the uncertainty in the sensory data and vehicle system structure, we propose a motion planning solution for autonomous vehicles that uses the basic structure of the particle filter with four basic steps repeated until the optimal trajectory is found, then we evaluate the solution and apply the problem of autonomous vehicles in real life Keywords: Autonomous vehicle, particle filter, path planning, motion planning, intelligent transportation systems  ...282 MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH Phần báo giới thiệu nguyên tắc để xây dựng kế hoạch chuyển động thuật tốn liên quan, từ chúng tơi đề xuất giải pháp lập kế. .. thống lái tự động cho xe tự hành MỘT GIẢI PHÁP KỸ THUẬT THIẾT LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH 284 Giải pháp lập kế hoạch chuyển động mà đề xuất thực dựa kỹ thuật lấy mẫu, nên ứng viên quỹ... kế hoạch chuyển động dựa cấu trúc lọc phần tử Tiếp theo phần thực nghiệm kết luận với số đề xuất cho toán xe tự hành II XÂY DỰNG GIẢI PHÁP LẬP KẾ HOẠCH CHUYỂN ĐỘNG CHO XE TỰ HÀNH Trong toán lập