[论文解读] A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge

Luis Alberto Rosero, Iago Pachêco Gomes+6 more|arXiv (Cornell University)|Oct 23, 2020

Autonomous Vehicle Technology and Safety参考文献 84被引用 11

一句话总结

本论文介绍了由Team LRM-B为CARLA自动驾驶挑战赛开发的模块化、鲁棒的自动驾驶车辆软件架构，集成了三维障碍物检测、基于卷积神经网络（CNN）的交通标志识别、基于短期运动预测的风险评估、用于决策的马尔可夫决策过程（MDP）以及用于控制的模型预测控制（MPC）。该系统在三个赛道中获得第一名，在一个赛道中获得第二名，展示了在复杂城市场景中极高的可靠性，且交通违规极少。

ABSTRACT

The objective of the first CARLA autonomous driving challenge was to deploy autonomous driving systems to lead with complex traffic scenarios where all participants faced the same challenging traffic situations. According to the organizers, this competition emerges as a way to democratize and to accelerate the research and development of autonomous vehicles around the world using the CARLA simulator contributing to the development of the autonomous vehicle area. Therefore, this paper presents the architecture design for the navigation of an autonomous vehicle in a simulated urban environment that attempts to commit the least number of traffic infractions, which used as the baseline the original architecture of the platform for autonomous navigation CaRINA 2. Our agent traveled in simulated scenarios for several hours, demonstrating his capabilities, winning three out of the four tracks of the challenge, and being ranked second in the remaining track. Our architecture was made towards meeting the requirements of CARLA Autonomous Driving Challenge and has components for obstacle detection using 3D point clouds, traffic signs detection and classification which employs Convolutional Neural Networks (CNN) and depth information, risk assessment with collision detection using short-term motion prediction, decision-making with Markov Decision Process (MDP), and control using Model Predictive Control (MPC).

研究动机与目标

• 通过仿真设计一种可扩展且鲁棒的自动驾驶导航软件架构，适用于复杂城市交通场景。
• 通过确保在各种驾驶情境下遵守交通法规，最大限度减少交通违规行为。
• 实现在传感器配置和环境条件各异的多个赛道中实现自动驾驶。
• 在CaRINA 2平台基础上，增强感知、风险评估和决策组件，以支持真实世界仿真。
• 在大规模、多场景的仿真环境中，利用CARLA仿真器验证该架构的性能。

提出的方法

• 采用基于CaRINA 2的模块化架构，集成感知、规划和控制模块。
• 利用激光雷达和双目视觉生成的三维点云，通过高度图和聚类实现障碍物检测。
• 应用结合深度信息的卷积神经网络（CNN）实现高精度的交通标志检测与分类。
• 通过碰撞距离（DTC）实现短期运动预测，用于实时风险评估与碰撞检测。
• 采用马尔可夫决策过程（MDP）在动态交通环境中实现不确定性下的高层决策。
• 应用模型预测控制（MPC）实现平滑且安全的轨迹跟踪与控制。

实验结果

研究问题

• RQ1 如何设计一种模块化软件架构，以支持在仿真环境中应对多样化、复杂的城市交通场景下的自动驾驶导航？
• RQ2 在仿真城市驾驶中，哪些感知与决策组件最有效于减少交通违规？
• RQ3 集成短期运动预测在多大程度上提升了风险评估与碰撞规避能力？
• RQ4 基于MDP的决策方法在应对交通拥堵、信号灯交叉口和汇入操作等多样化交通状况时，其适用性如何？
• RQ5 将2D目标检测与3D点云投影融合，在多大程度上提升了目标定位与决策的准确性？

主要发现

• LRM-B团队在CARLA自动驾驶挑战赛的四个赛道中，有三个赛道获得第一名，一个赛道获得第二名。
• 该系统成功在复杂城市场景中持续运行数小时，展示了在实时仿真环境中的强大鲁棒性与可靠性。
• 将2D目标检测与3D点云投影融合，显著提升了障碍物、交通灯和标志定位的准确性。
• 采用短期运动预测与碰撞距离（DTC）显著增强了实时风险评估能力，减少了碰撞事件。
• 基于MDP的决策框架有效应对了包括交叉路口、汇入操作和交通拥堵在内的多样化交通场景。
• 模块化架构支持快速扩展与适配新赛道，可灵活应对不同的传感器配置与需求。