[论文解读] Baidu Apollo Auto-Calibration System - An Industry-Level Data-Driven and Learning based Vehicle Longitude Dynamic Calibrating Algorithm

Fan Zhu, Lin Ma+4 more|arXiv (Cornell University)|Aug 30, 2018

Vehicle Dynamics and Control Systems参考文献 20被引用 7

一句话总结

本文提出了一种数据驱动、基于学习的自动驾驶车辆纵向动力学自动标定系统，利用离线神经网络模型从人类驾驶数据中生成初始标定表，随后通过实时在线梯度下降更新以适应车辆状态的变化。该系统在不同载荷条件下显著降低了速度和定位误差，并已成功部署于超过100辆百度Apollo自动驾驶车辆中，展现出面向大规模生产的鲁棒性与可扩展性。

ABSTRACT

For any autonomous driving vehicle, control module determines its road performance and safety, i.e. its precision and stability should stay within a carefully-designed range. Nonetheless, control algorithms require vehicle dynamics (such as longitudinal dynamics) as inputs, which, unfortunately, are obscure to calibrate in real time. As a result, to achieve reasonable performance, most, if not all, research-oriented autonomous vehicles do manual calibrations in a one-by-one fashion. Since manual calibration is not sustainable once entering into mass production stage for industrial purposes, we here introduce a machine-learning based auto-calibration system for autonomous driving vehicles. In this paper, we will show how we build a data-driven longitudinal calibration procedure using machine learning techniques. We first generated offline calibration tables from human driving data. The offline table serves as an initial guess for later uses and it only needs twenty-minutes data collection and process. We then used an online-learning algorithm to appropriately update the initial table (the offline table) based on real-time performance analysis. This longitudinal auto-calibration system has been deployed to more than one hundred Baidu Apollo self-driving vehicles (including hybrid family vehicles and electronic delivery-only vehicles) since April 2018. By August 27, 2018, it had been tested for more than two thousands hours, ten thousands kilometers (6,213 miles) and yet proven to be effective.

研究动机与目标

• 解决自动驾驶车辆纵向动力学中手动逐项标定的工业难题，该方法耗时且易出错。
• 开发一种自动化、可扩展的解决方案，适用于自动驾驶车辆的大规模部署。
• 通过动态适应标定表以应对载荷变化和机械磨损等实时车辆动力学变化，提升控制精度与稳定性。
• 消除对手动标定的依赖，同时在纵向控制性能上保持高精度。

提出的方法

• 离线标定模型利用人类驾驶数据训练神经网络，将油门、制动和速度输入映射为加速度输出，生成初始标定表。
• 系统采用无模型、基于梯度下降的在线学习算法，每10 ms（100 Hz）基于实时跟踪误差反馈迭代更新标定表。
• 在线算法独立更新标定表中的各个网格点，支持高效并行计算与实时响应。
• 通过对比期望加速度与实际加速度的差异来更新标定表，利用自主运行过程中的持续反馈最小化误差。
• 该方法结合端到端神经网络用于离线表生成，以及轻量化、高频的在线更新机制以实现动态适应。
• 系统专为工业部署设计，计算开销低：离线表生成时间少于10秒，标准硬件上每轮更新耗时少于2毫秒。

实验结果

研究问题

• RQ1 基于数据驱动与学习的方法能否有效替代自动驾驶车辆纵向动力学的手动标定？
• RQ2 如何从真实人类驾驶数据中高效生成初始标定表，作为可靠的起始点？
• RQ3 在线学习算法在多大程度上能够实时适应载荷变化和机械磨损等动态变化？
• RQ4 与静态离线标定相比，所提出的自动标定系统在速度与定位跟踪精度方面能实现多大的性能提升？

主要发现

• 与仅使用离线标定相比，启用在线标定的系统在所有载荷条件下，平均速度跟踪均方误差（MAE）降低了10.5%。
• 在300 kg载荷下，启用在线标定后，定位误差MAE降低了55.2%；在360 kg载荷下，降低了60.7%。
• 在满载（300 kg）条件下，该系统实现速度误差MAE为0.102 m/s，RMSE为0.153 m/s，显著优于离线系统的MAE 0.149 m/s与RMSE 0.199 m/s。
• 系统在多种工况下表现出强鲁棒性，即使在20%超载（360 kg）条件下仍保持低误差水平，定位误差RMSE由离线系统的1.191 m降低至在线系统的0.607 m。
• 该自动标定系统已成功部署于100多辆百度Apollo自动驾驶车辆中，截至2018年8月27日，累计测试超过2,000小时，行驶里程达10,000公里（6,213英里），未报告任何关键故障。
• 系统的计算效率支持实时运行：离线表生成时间少于10秒，标准工业硬件上每轮在线更新耗时不足2毫秒。