本文經(jīng)自動駕駛之心公眾號授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

論文題目《An Improved Model Predictive Control-Based Trajectory Planning Method for Automated Driving Vehicles Under Uncertainty Environments》

發(fā)表期刊：IEEE Transactions on Intelligent Transportation Systems

發(fā)表時間：2023.04

以下是我自己的論文閱讀筆記，主要是我自己覺得重點的部分，非全文翻譯，該文章接著前一篇文章，梳理了本論文的實驗驗證部分。前一篇文章如下：

fhwim：一種針對不確定環(huán)境下自動駕駛車輛的基于改進(jìn)的模型預(yù)測控制的軌跡規(guī)劃方法
https://zhuanlan.zhihu.com/p/658708080

1. 仿真驗證

（1）仿真環(huán)境

聯(lián)合仿真工具包括Prescan、PyCharm、Matlab/Simulink，其中Prescan用于搭建仿真的交通場景，PyCharm（有神經(jīng)網(wǎng)絡(luò)還是用pytorch輕松）用來寫融合預(yù)測模塊，Matlab/Simulink（有MPC工具箱）用來搭建軌跡規(guī)劃模塊以及實現(xiàn)車輛控制，整體工具的選擇思路還是比較自然合理?？刂七@一部分橫向控制用的是LQR，縱向控制用的是PID，也是比較常用的控制方法。融合預(yù)測模塊中的LSTM encoder-decoder采用的是開源代碼，作者說來自參考文獻(xiàn)[31]Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances這篇文章，但是我看這篇文章發(fā)表于2011年，有點久遠(yuǎn)（2011就有LSTM encoder-decode呢？），不知道作者有沒有在此基礎(chǔ)上改代碼。

圖1 仿真環(huán)境搭建

（2）MRPI集的求取

圖2 子系統(tǒng)的MRPI集

（3）case1：靜態(tài)避障場景

靜態(tài)避障場景指一輛障礙車靜止不動，軌跡規(guī)劃結(jié)果如下圖：

圖3 一般MPC方法和tube-based MPC方法的對比

這里我懷疑他圖例有問題，按照前文，最終參考軌跡reference trajectory由期望軌跡desired trajectory 和調(diào)整軌跡adjustment trajectory相加得到，同時他在分析結(jié)果的時候也說tube-based MPC在圖3（b）區(qū)域  和  的誤差較大，由于adjustment trajectory減小了誤差，那應(yīng)該是把圖3（b）的desired trajectory和reference trajectory兩個圖例交換一下才符合他這個文章的邏輯，也就是綠線是最終的reference trajectory，藍(lán)線是中間結(jié)果desired trajectory。包括下面的速度曲線、橫縱向誤差曲線也是，不過大概懂作者意思就行，tube-based MPC中綠色曲線是最終的結(jié)果，藍(lán)色曲線是未加adjustment trajectory的結(jié)果。

圖4 一般MPC方法和tube-based MPC方法速度變化對比

圖5 橫向位置對比

圖6 橫縱向誤差對比

作者還比較了方向盤角度變化的平穩(wěn)程度，這里就不贅述了，反正是有所提升。同時作者給出了加adjustment trajectory效果好的理論理由，加了之后軌跡的誤差總是在MRPI集合內(nèi)，就是說tube-based MPC的跟蹤偏差始終在MRPI集中，而一般的MPC的跟蹤偏差在不確定環(huán)境下沒有一個邊界，可能會很大。

（4）case2：動態(tài)避障場景

和上一個場景相比就是障礙車動起來了，還是比較整體軌跡、速度變化、橫縱向誤差、方向盤變化平穩(wěn)性這些東西，不再贅述，這里只放一個整體軌跡的圖。

圖7 一般MPC方法和tube-based MPC方法的整體軌跡對比

（5）case3：真實駕駛場景

作者在這里選擇使用NGSIM數(shù)據(jù)集來驗證自己的方法，首先是驗證融合預(yù)測方法，NGSIM數(shù)據(jù)集中有車輛的軌跡數(shù)據(jù)，拆分成歷史軌跡和未來軌跡構(gòu)成訓(xùn)練集讓LSTM encoder-decoder去學(xué)習(xí)，作者選了10000條軌跡，其中7500條作為訓(xùn)練集，2500條作為驗證集，優(yōu)化器用的Adam，學(xué)習(xí)率設(shè)置為0.01。預(yù)測效果如下圖：

圖8 橫縱向上軌跡預(yù)測和不確定性的結(jié)果

不過作者并沒有用軌跡預(yù)測領(lǐng)域一些常用的指標(biāo)比如ADE、FDE之類的我感覺說服力不是那么強(qiáng)，不過也可以理解本文的重心還是在基于tube-based MPC的軌跡規(guī)劃上。

在驗證完軌跡預(yù)測后又進(jìn)行了軌跡規(guī)劃進(jìn)一步驗證軌跡預(yù)測模塊的作用，這里是比較了三種情況：

（a）在我已經(jīng)知道障礙車未來真實軌跡的情況下，我去進(jìn)行軌跡規(guī)劃，這個作為對照組

（b）在我不知道障礙車未來軌跡的情況下，我先進(jìn)行軌跡預(yù)測（但是不計算不確定性），再進(jìn)行軌跡規(guī)劃

（c）在我不知道障礙車未來軌跡的情況下，我先進(jìn)行軌跡預(yù)測（計算不確定性），再進(jìn)行軌跡規(guī)劃

結(jié)果如圖9，（a）、（b）、（c）的結(jié)果分別對應(yīng)True Position， Prediction Results， Proposed Method

Proposed Method 也就是本文的方法得出的結(jié)果，可以看到Proposed Method更接近True Position，說明這個融合預(yù)測方法（尤其是不確定性的計算）是有作用的。

圖9 三種方法對比驗證軌跡預(yù)測模塊

這里可以發(fā)現(xiàn)case1和case2驗證的是軌跡規(guī)劃部分，一般的MPC和tube-based MPC前面的軌跡預(yù)測部分是一樣的，比較說明tube-based MPC的作用，case3則是驗證軌跡預(yù)測模塊，可以看到做了兩類驗證，第一類：直接比較預(yù)測軌跡和真實軌跡，第二類：先已知未來軌跡/預(yù)測未來軌跡（不計算不確定性）/預(yù)測未來軌跡（計算不確定性），再進(jìn)行軌跡規(guī)劃，以True Position為標(biāo)準(zhǔn)，去對比有不確定性計算的軌跡預(yù)測方法和沒有有不確定性計算的軌跡預(yù)測方法的效果。對兩個模塊驗證的思路還是很清晰的。

2. 實車實驗驗證

實驗所用車輛如下圖所示：

圖10 實驗所用車輛

作者還給出了實驗車輛的參數(shù)和實驗所用電腦、傳感器的參數(shù)：

圖11 電腦、傳感器的參數(shù)

圖12 實驗車輛的參數(shù)

為了安全著想，作者設(shè)置的實驗場景和仿真實驗case1一樣，都是一個靜態(tài)避障場景，還是比較整體軌跡、速度變化、橫縱向誤差、方向盤變化平穩(wěn)性這些東西，不再贅述。

3. 閱讀總結(jié)

首先是論文的思路，文章的主要內(nèi)容就是帶不確定性計算的軌跡預(yù)測模塊和基于tube-based MPC的軌跡規(guī)劃模塊，主要還是軌跡規(guī)劃模塊，讓我比較有收獲的其實是他把軌跡預(yù)測真的用到軌跡規(guī)劃上了，而且是這種模塊化的形式，預(yù)測的輸出作為規(guī)劃的輸入，規(guī)劃這一部分僅僅只是確定一個安全閾值給到預(yù)測模塊，兩個模塊的耦合性較弱，其實換句話講這個預(yù)測模塊完全可以換成別的方法，只要給出的結(jié)果是預(yù)測的障礙車的軌跡和不確定性就行了，未來完全可以換成一個更高級的神經(jīng)網(wǎng)絡(luò)來做預(yù)測直接給出軌跡和不確定性，這個融合預(yù)測算法感覺流程還是有點復(fù)雜。但是文章整體的思路我感覺還是很好，仿真和實車試驗的思路和工作量都令人滿意。

其次是文章閱讀時發(fā)現(xiàn)的一些低級的錯誤。比如在LSTM encoder-decoder那一部分，LSTM輸出的是未來  步的軌跡點，公式里寫的也是，但是文字里這寫成了  。

圖13 LSTM encoder-decoder部分的一些錯誤

然后是在仿真實驗部分，計算MRPI Set時說system（21）也就是 error system分成了子系統(tǒng)（32）和（34），但是實際上是子系統(tǒng)（30）和（32），這些小錯誤不影響整體方法但是也會影響讀者的閱讀體驗。

圖14 仿真實驗部分MRPI Set原文

圖15 error system分成了子系統(tǒng)（30）和（32）

原文鏈接：https://mp.weixin.qq.com/s/0DymvaPmiCc_tf3pUArRiA