[論文レビュー] Baidu Apollo EM Motion Planner

Haoyang Fan, Fan Zhu+8 more|arXiv (Cornell University)|Jul 20, 2018

Autonomous Vehicle Technology and Safety参考文献 12被引用数 242

ひとこと要約

この論文は、Baidu Apollo向けのリアルタイムでオープンソースのモーションプランニングシステム（EMプランナー）を提案します。多車線・経路速度の反復アプローチを用い、Frenet空間でDPとスプラインQPを組み合わせて、安全性、快適性、都市と高速道路の走行に対するスケーラビリティを確保します。

ABSTRACT

In this manuscript, we introduce a real-time motion planning system based on the Baidu Apollo (open source) autonomous driving platform. The developed system aims to address the industrial level-4 motion planning problem while considering safety, comfort and scalability. The system covers multilane and single-lane autonomous driving in a hierarchical manner: (1) The top layer of the system is a multilane strategy that handles lane-change scenarios by comparing lane-level trajectories computed in parallel. (2) Inside the lane-level trajectory generator, it iteratively solves path and speed optimization based on a Frenet frame. (3) For path and speed optimization, a combination of dynamic programming and spline-based quadratic programming is proposed to construct a scalable and easy-to-tune framework to handle traffic rules, obstacle decisions and smoothness simultaneously. The planner is scalable to both highway and lower-speed city driving scenarios. We also demonstrate the algorithm through scenario illustrations and on-road test results. The system described in this manuscript has been deployed to dozens of Baidu Apollo autonomous driving vehicles since Apollo v1.5 was announced in September 2017. As of May 16th, 2018, the system has been tested under 3,380 hours and approximately 68,000 kilometers (42,253 miles) of closed-loop autonomous driving under various urban scenarios. The algorithm described in this manuscript is available at https://github.com/ApolloAuto/apollo/tree/master/modules/planning.

研究の動機と目的

• リアルタイムシステムにおいて、安全性、快適性、スケーラビリティを備えた産業レベル4のモーションプランニング問題に取り組む。
• 並列の車線レベル最適化器と横断車線決定機構を用いて車線変更を処理する、多車線フレームワークを開発する。
• Frenet座標系で動的計画法とスプライン二次計画法（QP）のハイブリッドを用いて、交通ルールと障害物の判断を尊重するため、経路と速度を反復的に最適化する。
• 高速道路と都市走行へのスケーラビリティを示し、路上検証とシステム展開指標を提供する。
• モジュラーで安全第一の自動運転計画を実現するために、Apolloオープンソースプラットフォームを活用する。

提案手法

• 候補車線軌道を並列に生成し、横断車線決定機がコストと安全性に基づいて最良のものを選択する、多車線フレームワークを導入する。
• Frenetフレームを用いて、車線レベル最適化をSL（station-lateral）およびST（station-time）問題として定式化する。Eステップ（障害物投影）とMステップ（経路と速度最適化）を実行する。
• 2段階の経路最適化を採用：粗いトンネルと障害物決定を生成する動的計画法（DP）経路ステップと、そのトンネル内でのスプラインベースの二次計画法（QP）経路リファインメント。
• 車両ダイナミクスと交通規制に制約された、DPベースのSTグラフ探索による速度プロファイルを計算し、スプラインQP速度最適化で精査する。
• 前のサイクルからのホットスタートでQP問題を効率的に解き、問題あたり数ミリ秒程度の時間を達成し、リアルタイム計画を可能にする（平均で100 ms未満）。
• DP（全体寄りの探索）とQP（凸最適化）を結合して、非凸性を抑制し、頑健な経路・速度解を得る。

実験結果

リサーチクエスチョン

• RQ1 リアルタイム自律モーションプランナーは、交通法規を守りつつ動的障害物を伴う多車線シナリオを安全に扱えるか。
• RQ2 Frenet空間での2段階DP＋スプラインQP最適化は、 highwayとurban走行の両方に対してスケーラブルで滑らか、かつ安全な経路と速度プロファイルを提供できるか。
• RQ3 提案されたEMプランナーの計算効率はどの程度で、車載ハードウェアでのリアルタイム展開に適しているか。
• RQ4 parallelな車線フレームワーク内での車線変更決定（受動的 vs 非受動的）をどのように管理し、安全性と乗り心地を維持するか。
• RQ5 Baidu Apolloプラットフォーム内でのEMプランナーの実運用指標と路上検証結果はどうであるか。

主な発見

• EMプランナーはリアルタイム性能を達成し、DP+QP経路と速度最適化を2次元凸領域内で解き、経路と速度問題の平均QP解決時間を約3 msと報告する。
• 3Dの station-lateral-speed問題を2つの2D問題に変換し、計算量を削減して実務的には<100 msの計画サイクルを実現する。
• 複数のApollo車両への展開と大規模なクローズループ検証を実施し、2018年5月16日時点で総計3,380時間、約68,000 kmに達する。
• プランナーは複雑で多障害物の都市シナリオを処理し、重量級のルールベース計画を回避しつつ安全性と通過性を維持する軽量な意思決定ベースのアプローチを示す。
• DP＋QPの組み合わせは非凸最適化問題を緩和し、DPで実現可能な領域を探索し、凸包内で最適軌道を精査する。