0. Title
- If, When, and How to Perform Lane Change Maneuvers on Highways (2016)
1. Authors
- Julia
2. Abstract
- 자율주행이 더욱 발전하기 위해서는 차선 변경을 할지말지, 언제, 어떻게 수행할 지 결정하는 작업이 필수적이다.
- 차선 변경이 바람직한지 여부를 결정하는 알고리즘을 제시하고 기동을 수행할 Traffic Gap, time instance을 선택하고 해당 종방향, 횡방향 경로를 계산한다.
- 다양한 교통 상황에서 적절한 기동 결정을 내리고 부드럽고 안전한 차선 변경 궤적을 생성하는 해당 알고리즘은 시뮬레이션 결과를 통해 입증된다.
3. Motivation
- 보다 고도의 자율주행으로 나아가기 위해 차선 변경 기동을 수행할지 여부, 시기, 방법을 결정하는 알고리즘을 만들었다.
- 판단에 대한 직관적인 분석이 가능한 High Level Decision Maker를 고안함
- 차선 변경을 결정하더라도 충돌 위험이 있으면 변경하지 않음(?)
4. Contributions(Findings)
- 많은 시간이 필요한 파라미터 튜닝 없이 의사결정 및 평가가 가능하도록 각 차선의 Utility를 시간에 따라 일관되게 표현하는 Utility 함수를 제안하여 직관적인 튜닝 프로세스가 가능하다.
- MPC의 연산량에 대한 단점을 QP의 형태로 공식화하여 해결하였음
5. Methodology
- 차선변경 알고리즘을 3단계로 나누어서 구성하였다.
A) 차선변경여부 결정: 유틸리티 함수를 통해 결정
해당 유틸리티 함수는 의무, 재량, 예상 차선 변경 결정을 하나의 결합 함수로 고려할 수 있다.
Target 차선에 대한 평균 Travel time에 대한 Utility
$v_l$은 Target 차선의 종방향 평균 Velocity
$v_x$는 Desired 속도가 아닐까
결론은 $U_lv$는 차선의 종방향 평균 Velocity와 $v_x$와의 차이가 없을 때 Peak이다.
Target 차선에 대한 평균 Time gap density에 대한 Utility
결론은 차선의 Time Gap(차간거리를 차량 속도로 나눈 값)이 커질수록 커진다. 커질수록 안전하다는 뜻다만 Ego 차량의 Time gap보다 커지지는 않는다.
Target 차선에 대한 Constrant로써 $d_{end}$는 출구까지의 거리를 나타낸다. 길수록 커진다.
N은 정규화 Factor고
최종적으로 우측으로 가게끔 하기 위해서 수식을 다음과 같이 만든다.
Utility가 클수록 좋은 차선으로 간주하고
최적의 차선은 다음과 같이 도출된다.
현재 라인은 U0이고 각 라인별로 Utility를 구해 남을 지 우측, 좌측으로 이동할 지 정하게 된다.
B) 차량 간 Traffic Gap, Time instance 선택:
k: discrete time index
K: discrete time version of P
$x^{max}_{E}$: 각각의 time instance에 E가 도달할 수 있는 최대 위치
도달할 수 있는 위치는 전방 차량과 후방 차량의 각각의 거리와 M값을 이용해 계산된다.
$m_{i_k}$는 Minimum Safety Margin이고 전방, 후방 차량에 따라 다음과 같이 계산된다.
ds는 일정한 최소 안전거리이다.
고로 $A_g$는 E의 도달가능한 set과 특정 차량과의 안전 차선변경 영역의 교집합이다. 따라서 $A_g$가 크다는 것은 차선변경이 가능한 영역이 크다는 것을 의미한다.
따라서 큰 $A_g$가 차선변경 성공에 바람직하다고 간주할 수 있고 평가에 활용할 수 있다.
더 나아가서 특정 위치로 E가 성공적인 차선 변경을 하기 위해서는 다음을 따라야만 한다.
시작 time instance와 종료 time instance 사이의 간격이 $k_{min}$보다 크거나 같아야되고
이를 만족하는 갭 중에서 $A_g$가 가장 큰 갭을 선택한다. 또한 time instance는 필요한 제어 신호의 크기를 최소화하는 time instance로 결정된다.
C) 종방향 횡방향 경로 계획: 결정된 Traffic Gap과 Time Instance를 이용하여 MPC를 통해 공식화된다.
1) 종방향 안전 corridor
E가 목표 Gap으로 가기 위해서 횡단해야 하는 영역은 3개의 영역으로 나눌 수 있다. 차선 변경 경로가 feasible하려면 E는 각 영역에서 모든 주변 차량에 대한 안전 거리를 유지하면서 각 영역을 횡단해야만 한다. 이 영역은 차선 변경 기동을 안전하게 수행하기 위해 E가 위치해야 하는 종방향 안전 corridor을 정의하는 E의 종방향 위치의 상한과 하한을 나타낸다.
2) 종방향 경로 결정
종방향 안전 corridor을 결정하면 종방향 경로 계획 문제를 QP 최적화 문제로 공식화하고 해결할 수 있다. QP 문제에서 E의 운동은 E의 세로 역학을 선형으로 표현할 수 있도록 단순한 이중 적분기로 모델링된다. 위치 제약 조건은 속도 경계가 허용 속도 제한으로 E의 속도를 제한하는 동안 E가 세로 방향 안전 회랑 내에 유지되도록 보장한다. 또한 가속도와 jerk에 대한 제약으로 부드럽고 편안한 기동이 가능하다
3) 횡방향 안전 corridor
측면 위치의 상한과 하한을 정하여 안전을 유지
4) 종방향 경로 결정
횡방향 안전 회랑에서 주어진 위치 제약 조건과 관련하여, 최적의 횡방향 제어는 2단계와 같이 QP 최적화에 의해 계산된다. 또는 필요한 계산 시간을 줄이기 위해 횡방향 제어는 스플라인 reference를 추적하는 표준 LQ-컨트롤러에 의해 계산될 수 있다.
? 자세하게 안나와있음 ;;
6. Measurements
- 그냥 돌려본게 다인듯?
7. Limitations(If it's not written, think about it)
- 초기 High Level Decision Making할 때 Utility가 안좋은 판단을 내릴 수도 있게 설계된 것 같다. (U1)
- 경로 계획까지만 하고 Control은 고려하지 않았다. Control까지 고려하게 되면 계산량이 꽤 될듯?
8. Potential Gap
- High Level Decision Maker를 RL로 하면 많은 문제가 있어서 사람들이 안쓰는 것 같다.
- Lane Change에서는 주변 차량들의 Prediction이 꽤 중요하게 작용하는 것 같다.
- 이와 같이 가고자 하는 Waypoint는 계산을 통해 내는게 맞는 것 같다..
[추가 정보]
차선 변경 여부를 선택하는 방법은 크게 1) Rule-based 2) Utility Based 3) Learning Based로 나뉜다.
하지만 Rule Based 방법은 판단하기 어려운 상황을 다루기엔 한계가 있다.
차선 변경이 feasible하려면 다음을 만족해야 한다.
1. 주변 차량들과의 충돌을 회피해야 함
2. 차선 중심으로 주행하고자 해야 함
3. 차량이 동작 가능한 경로여야 함
[자율주행 경로계획]
[15] M. McNaughton, C. Urmson, J. M. Dolan, and J.-W. Lee, “Motion planning for autonomous driving with a conformal spatiotemporal lattice,” in Proc. IEEE Int. Conf. Robotics Automation, Shanghai, China, 2011, pp. 4889–4895.
[16] J. Johnson and K. Hauser, “Optimal longitudinal control planning with moving obstacles,” in Proc. IEEE Intelligent Vehicles Symp., Gold Coast, Australia, 2013, pp. 605–611.
[17] D. Madås, M. Nosratinia, M. Keshavarz, P. Sundström, R. Philippsen, A. Eidehall, and K.-M. Dahlén, “On path planning methods for automotive collision avoidance,” in Proc. IEEE Intelligent Vehicles Symp., Gold Coast, Australia, 2013, pp. 931–937.
[18] J. Ziegler, P. Bender, T. Dang, and C. Stiller, “Trajectory planning for BERTHA: A local, continuous method,” in Proc. IEEE Intelligent Vehicles Symp., Dearborn, MI, 2014, pp. 450–457.
얘네들은 좋은 결과를 제공하지만 계산량, 최적경로, 안전하고 부드러운 경로계획의 Trade Off에 대한 문제가 있다.
그래서 QP로 만든 MPC 씀
[차선 변경]
[25] A. Kanaris, E. B. Kosmatopoulos, and P. A. Ioannou, “Strategies and spacing requirements for lane changing and merging in automated highway systems,” IEEE Trans. Veh. Technol., vol. 50, no. 6, pp. 1568– 1581, Nov. 2001.
[26] D. Sun and L. Elefteriadou, “Lane-changing behavior on urban streets: A focus group-based study,” Appl. Ergonom., vol. 42, pp. 682–691, July 2011.
[27] M. Rahman, M. Chowdhury, Y. Xie, and Y. He, “Review of microscopic lane-changing models and future research opportunities,” IEEE Trans. Intell. Transport. Syst., vol. 14, no. 4, pp. 1942–1956, Dec. 2013.
