概述
本文介绍一款同时支持协同驾驶开发与测试、自动驾驶全栈开发 和 CARLA-SUMO联合仿真的开源框架 OpenCDA，论文已收录于 ITSC 2021。主要feature有：
- 支持CARLA-SUMO联合仿真，CARLA端主管环境渲染、传感器模拟、车辆动力，Sumo端主管交通仿真。
- 同时支持
协同驾驶/单车智能的开发。内置简单易用的V2X模拟，可以灵活模拟各种噪声与信号延迟。 - OpenCDA自带默认的
感知、定位、规划、控制、协同变道与车队行驶的算法，可以说搞懂了OpenCDA就等于搞懂了如何在CARLA里做完整的自动驾驶全栈开发。 - 自带10+个测试场景，可快速测试你各个模块算法的鲁棒性。在特定地图下自定义场景快捷简单，只需给定一个yaml文件+10行代码即可搞定！
- 框架高度模块化，可以轻易将任一模块里的算法切换为用户的算法，而不会影响其他的模块运行。
- 提供默认的评价指标，每次仿真运行后自动评价各模块表现与整车表现。
- 安装简便，文档记录详细，有完整的开发者手册。
论文链接为：https://arxiv.org/pdf/2107.06260.pdf
项目链接为：https://github.com/ucla-mobility/OpenCDA
文档链接为：https://opencda-documentation.readthedocs.io/en/latest/
文章目录
- 1. Overview of OpenCDA
- 2. Experiment Setups and Evaluation Measurement
- 2.1 Platooning Protocol Design
- 2.2 Platooning Scenario Testing Design
- 2.3 Evaluation Measurements
- 3. Result Analysis
- 3.1 Single Lane Platooning
- 3.2 Cooperative Merge and Joint Platoon
1. Overview of OpenCDA
下面对 OpenCDA 进行介绍，如下图所示，OpenCDA由三部分组成：simulation tools、cooperative driving automation system、scenario manager。
- 仿真工具中，环境仿真使用
CARLA仿真，交通仿真使用SUMO仿真，此外还使用了其它仿真工具，例如无线通信仿真工具ns-3等。 - 协同驾驶系统中，传感器模块收集原始的传感器信息，信息传送到感知层，然后传递到规划层，最后通过执行层发送执行命令，
CARLA执行器执行命令。 - 场景管理中，包含
场景配置文件，场景初始化，特定事件触发器，评估功能。场景中包含静态元素和动态元素，静态元素由CARLA确定，动态元素由配置文件确定。当任务结束时，会对整个驾驶过程进行评估，包括交通层面评估以及单车层面评估。
Software Class Design and Logic Flow
为了更好地说明OpenCDA是如何工作的，这里以一个应用例子 vehicle platooning 来说明，首先介绍类组件，如下图所示。
使用分层类管理器来控制仿真，最基础的类为 VehicleManager，包含着全栈协同驾驶算法。类成员 PerceptionManager 和 LocalizationManager 对自车进行感知和定位。BehaviorAgent 规划驾驶行为，同时其 LocalPlanner 通过三次样条插值方法产生轨迹：
y
t
=
α
0
+
α
1
x
t
+
α
2
x
t
2
+
α
3
x
t
3
(1)
y_t = alpha_0+alpha_1x_t+alpha_2x_t^2+alpha_3x_t^3 tag{1}
yt=α0+α1xt+α2xt2+α3xt3(1)
a
t
=
{
min
(
v
t
a
r
g
e
t
−
v
t
Δ
t
,
a
1
)
,
if
v
t
a
r
g
e
t
≥
v
t
max
(
v
t
a
r
g
e
t
−
v
t
Δ
t
,
a
2
)
,
otherwise
(2)
a_t =begin {cases} min(frac{v_{target}-v_t}{Delta t},a^1), &text {if $v_{target} geq v_t$} \ max(frac{v_{target}-v_t}{Delta t},a^2), &text {otherwise} end{cases} tag{2}
at={min(Δtvtarget−vt,a1),max(Δtvtarget−vt,a2),if vtarget≥vtotherwise(2)
x
t
=
v
t
−
1
Δ
t
+
a
t
−
1
Δ
t
2
2
(3)
x_t = v_{t-1}Delta t + frac{a_{t-1}Delta t^2}{2} tag{3}
xt=vt−1Δt+2at−1Δt2(3)
v
t
=
v
t
−
1
+
a
t
−
1
Δ
t
(4)
v_t = v_{t-1} + a_{t-1}Delta t tag{4}
vt=vt−1+at−1Δt(4)
其中， x t , y t x_t,y_t xt,yt是汽车在 t t t时刻的位置， α 0 , α 1 , α 2 , α 3 alpha_0,alpha_1,alpha_2,alpha_3 α0,α1,α2,α3是三次多项式系数， a t a_t at是加速度，其中 a 1 , a 2 a^1,a^2 a1,a2是与舒适性相关的加速度和减速度。 Δ t Delta t Δt是时间精度， v t a r g e t , v t v_{target},v_t vtarget,vt是最终想要的目标速度和 t t t时刻的速度。
产生后的轨迹会传送到 ControlManager 产生转向，制动，加速等控制命令。V2XManager 会发送或接收由其余CAVs生成的数据包，用于协同驾驶应用。
仿真工作时的逻辑流如下图所示。场景测试时：
- 通过
yaml文件配置CARLA server、交通情况和每一个汽车参数（传感器参数、检测模型、目标速度等）。 - 接下来，每辆汽车通过
V2XManager信息共享，如果激活了协同应用，CoopPerceptionManager和CoopLocalizationManager会使用所有的信息进行目标检测和定位；反之，汽车会选择默认的PerceptionManager和LocalizationManager。 - 信息传送到下流模块，进行规划。同样地，协同应用激活的话会选择协同策略做出决策；反之
BehaviorAgent和TrajectoryPlanner会规划行为并生成平顺的轨迹。 - 最终，
ControlManager输出控制命令，CARLA server将这些命令应用在对应汽车上，更新信息，进行下一步仿真。 - 仿真终止时，内置评估工具箱对驾驶性能进行评估，包括感知、定位、规划、控制、安全性等。
2. Experiment Setups and Evaluation Measurement
为了验证OpenCDA的实际效果如何，作者以汽车编队（vehicle platooning）为例来说明，整个仿真测试时间步长为
0.05
s
0.05s
0.05s。
2.1 Platooning Protocol Design
首先是编队协议设计，在编队应用中，所有车辆由PlatoonManager来管理，协议如下图所示。整体上，整个驾驶任务可以分成许多子任务，编队成员根据编队状态的不同也有着不同的驾驶模式。
编队应用被激活后，编队中的领航车（leading vehicle）会通过V2XManager听取外部车辆的入队请求。如果没有收到请求，整个队列会保持稳定行驶而领航车会保持领航模式。与此同时，如果协同感知应用被激活，编队每一个成员会共享彼此间的感知数据（如图像，3D点云），并且会通过PerceptionManager进行感知处理，领航车会得到更好的感知结果。
没有车辆申请入队的话，所有跟随车（following vehicle）会平缓的调整车速使队列的相邻汽车保持一个恒定时间间隔，为了完成这个任务，编队成员会通过V2XManager得到前车的轨迹，方法如下：
p
o
s
j
t
=
p
o
s
j
−
1
t
−
L
j
−
1
+
p
o
s
j
t
−
Δ
t
×
g
a
p
/
Δ
t
1
+
g
a
p
/
Δ
t
(5)
pos^t_j = frac{pos^t_{j-1}-L_{j-1}+pos^{t-Delta t}_jtimes gap/ Delta t}{1+gap/ Delta t} tag{5}
posjt=1+gap/Δtposj−1t−Lj−1+posjt−Δt×gap/Δt(5)
v j t = ∣ ∣ p o s j t − p o s j t − Δ t ∣ ∣ Δ t (6) v^t_j = frac{||pos^t_{j}-pos^{t-Delta t}_{j}||}{ Delta t} tag{6} vjt=Δt∣∣posjt−posjt−Δt∣∣(6)
其中 p o s j t , p o s j − 1 t pos^t_j,pos^t_{j-1} posjt,posj−1t是 t t t时刻车辆编号为 j j j的位置和其前车位置。 L j − 1 L_{j-1} Lj−1是前车长度， Δ t Delta t Δt是时间精度， g a p gap gap是想要的时间间隔。 v j t v^t_j vjt是 t t t时刻汽车速度。
如果队列收到了一个入队请求，领航车会根据申请车的位置，规划路径来判断是否可以进行入队操作。如果入队申请被拒的话，车辆会继续寻找并保持单车驾驶模式；否则PlatooningManager会选择最合适的入队位置，如果需要的话，队列成员会调整自身速度，入队车辆会移动到入队位置完成入队操作。
2.2 Platooning Scenario Testing Design
下图是编队联合仿真测试场景片段，整个测试都使用了感知和定位算法，感知算法为yolov5，定位算法为GNSS/IMU融合算法。
如下图所示，这里有两个测试场景：
- 单车道编队，5辆汽车在同一车道行驶，为了测试队列稳定性，
当领航车突然改变车速时，观察跟随车会不会继续保持想要的时间间隔。 - 协同编队，当其余车道上车辆申请入队时，领航车决定最佳的入队位置，这里使用了两种算法来选择最佳入队位置：一种是
heuristic-based，另一种是Genetic Fuzzy System。
| Single lane platooning | Cooperative Merge and join the platoon | Real-world human-driven vehicle speed profile |
|---|---|---|
 |  |  |
2.3 Evaluation Measurements
这里是一些评价指标：
- 安全性，自动驾驶中最重要的评价指标，使用了
碰撞时间(TTC)，平均碰撞时间(attc)，危险频率（碰撞时间小于警告时间），平均碰撞时间计算方法为：
A T T C = ∑ t = 1 N x i t − x i − 1 t − l v i t − v i − 1 t N (7) ATTC= frac{{sum^{N}_{t=1}}frac{x^t_i-x^t_{i-1}-l}{v^t_i-v^t_{i-1}}}{N} tag{7} ATTC=N∑t=1Nvit−vi−1txit−xi−1t−l(7)
其中， x i t x^t_i xit是 t t t时刻车辆位置， x i − 1 t x^t_{i-1} xi−1t是前车位置， l l l是车辆长度， N N N是 v i t < v i − 1 t v^t_i<v^t_{i-1} vit<vi−1t的仿真时间步数。 - 稳定性，使用时间间隔和加速度来表示；
- 效率，使用完成入队时间和加速度标准差来表示。
3. Result Analysis
3.1 Single Lane Platooning
单车道入队测试结果为：
 |  |
3.2 Cooperative Merge and Joint Platoon
协同入队测试结果为：
 |  |
最后
以上就是能干刺猬为你收集整理的详解自动驾驶仿真框架OpenCDA: An Open Cooperative Driving Automation Framework Integrated with Co-Simulation的全部内容，希望文章能够帮你解决详解自动驾驶仿真框架OpenCDA: An Open Cooperative Driving Automation Framework Integrated with Co-Simulation所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复