[論文レビュー] Autonomous Electric Race Car Design

Niklas Funk, Nikhilesh Alatur+13 more|arXiv (Cornell University)|Nov 1, 2017

Robotic Path Planning Algorithms参考文献 7被引用数 9

ひとこと要約

本論文では、ステレオビジョンとインertリアルセンシングを用いた教示・再現型ビジョンナビゲーションシステムに基づく自律走行電気レーシングカーの設計および実世界での検証を提示する。本車両は、厳しい山岳道路でも強固な経路追従性（25 km/hで中央誤差約10 cm）と安全運転を達成し、最小限のインfra構築に依存する実環境下でのビジョンベースの局所化および制御分野における最先端の性能を示している。

ABSTRACT

Autonomous driving and electric vehicles are nowadays very active research and development areas. In this paper we present the conversion of a standard Kyburz eRod into an autonomous vehicle that can be operated in challenging environments such as Swiss mountain passes. The overall hardware and software architectures are described in detail with a special emphasis on the sensor requirements for autonomous vehicles operating in partially structured environments. Furthermore, the design process itself and the finalized system architecture are presented. The work shows state of the art results in localization and controls for self-driving high-performance electric vehicles. Test results of the overall system are presented, which show the importance of generalizable state estimation algorithms to handle a plethora of conditions.

研究の動機と目的

• 複雑で構造のない環境（例：山道）で動作可能な低コストかつ高性能な自律走行電気自動車プラットフォームの開発。
• GNSS、レーンマーク、事前マップに依存せずに、視覚およびインertリアルセンサのみで自律走行を可能にする。
• 二重制御システムとリアルタイムでのドライバーによる緊急オーバーライド機能により、安全性と信頼性を確保する。
• 特に照明条件の変化や動的障害物が存在する状況下で、システムの頑健性を実世界環境下で検証する。
• 高速かつ高性能な自律走行において、ビジョンベースの教示・再現ナビゲーションの実現可能性を示す。

提案手法

• 車両は11°のピッチで取り付けられたステレオビジョンインertリアルセンサ（VIセンサ）を用い、環境特徴を捉え、視覚オドメトリとSLAMにより運動を推定する。
• 教示フェーズでは、車両の経路を記録し、視覚的およびインエラリアルデータを用いた同時局所化と地図作成（SLAM）により視覚特徴マップを構築する。
• 再現フェーズでは、特徴マッチングを用いて事前に構築されたマップ内での局所化を行い、参照追従制御器により教示された経路に従う。
• リアルタイム障害物検出のため、Velodyne VLP-16 LiDARセンサを搭載し、特に動的または予期しない障害物に対応する。
• 車両制御はCANベースのステアリングおよびブレーキシステムにより実装され、物理ペダルによる緊急オーバーライドが可能である。
• エンコーダ、IMU、カメラからのセンサデータは、ROSベースのLinuxコンピュータ上で統合され、リアルタイムの状態推定と制御が実行される。

実験結果

リサーチクエスチョン

• RQ1 ビジョンベースの教示・再現システムは、山岳道路のような高速で現実的な環境でも信頼性の高い経路追従性を達成できるか？
• RQ2 日差しの強い日と曇りの日といった照明条件の変化に対して、視覚的局所化はどの程度頑健か？
• RQ3 低コストのカメラベースシステムは、LiDAR や GNSS といった高精度センサにどの程度置き換え可能か？
• RQ4 二重の安全対策が自律走行中の事故防止にどの程度効果的か？
• RQ5 1つの視覚マップが長時間にわたる自律走行をサポートできるか？また、局所化のずれや再局所化の限界は何か？

主な発見

• 25 km/hの速度で最大の経路追従誤差が約10 cmに達し、速度が上昇するにつれてカーブカット性能が向上した。
• 安定した照明条件下では約2.5時間の局所化を維持できたが、日差しの強い日と曇りの日との切り替え時には性能が著しく低下した。
• 再局所化に2秒以上失敗した場合、自動的に自律走行が終了した。
• 視覚的固定を失った後、最大2秒間はデッドレコニングモードで運転を継続し、横方向および方位の誤差はそれぞれ±2メートルおよび±20度以内に制限された。
• コントローラーからの命令で、緊急ブレーキシステムは20 ms以内に作動し、緊急時における迅速な反応を確保した。
• ドライバーによる物理的ステアリングおよびブレーキオーバーライドは、テスト中において最も効果的かつ信頼性の高い安全対策であった。