德国乌尔姆大学开发新框架 提高自动驾驶汽车在关键场景中的安全性

盖世汽车讯 据外媒报道，德国乌尔姆大学（Ulm University）的研究人员近日开发出一个新框架，旨在实时识别车辆周围的潜在威胁，从而提高自动驾驶汽车在城市和高度动态的环境中的安全性。

图片来源：Henning

研究人员之一Matti Henning表示：“我们研究的核心理念是将感知资源仅分配给与当前情况相关的自动驾驶汽车周围的区域，而不是简单的360°感知领域。这种方式可以节省计算资源，从而提高自动驾驶汽车的效率。”

当自动驾驶汽车的感知范围有限时，其安全性可能会大幅下降。例如，如果一辆车只认为其周围的特定区域是“相关的”，它可能无法检测到其他区域的潜在威胁物体。如果支持车辆功能的算法被编程为仅考虑和处理道路的特定区域，则可能会发生这种情况。

Henning解释道：“我们的威胁区域识别方法可解决这一问题：可能与潜在威胁相对应的区域在感知早期阶段会被标记为相关区域，以便可以可靠地感知这些区域内的对象，并根据其实际碰撞/威胁风险进行评估。因此，我们致力于设计一种仅基于在线信息的方法，即没有地图等先验信息，以识别可能与威胁相对应的区域，从而被预先要求感知。”

要大规模应用，研究人员的框架应该尽可能轻量级，即不需要大量计算资源来持续扫描环境中的威胁。Henning及其同事提出的方法非常简单，只需要执行有限数量的计算即可。此外，该方法具有很强的适应性，因此可以针对特定的用例或车辆进行定制。

本质上，该框架会捕获环境的无模型表示，其中包括车辆周围所有移动物体的速度估计。这意味着，与其他方法相比，它不依赖于有限的、先前划定的相关区域地图。

Henning说：“具体而言，我们利用笛卡尔动态占据栅格地图（Dynamic Occupancy Grid Map，DOGMa），为光栅化环境的每个单元提供速度估计。据此，我们使用标准聚类算法来识别具有相似速度的大型细胞集群（一种改编自Gies等人的研究方法），然后评估，假设已识别的集群的速度恒定，这些集群将在设定的预测范围内与自动驾驶汽车的运动相交。”

如果团队的聚类算法识别出的移动细胞集群与车辆的运动相交，则说明可能会发生与相应物体的碰撞。为了避免这种情况，该团队的模型将集群的位置标记为应处理的相关区域，以便车辆能够感知其中的物体并调整其速度或方向，从而避免事故发生。

Henning及其同事创建的框架与过去其他威胁识别方法之间的主要区别在于，它试图尽早识别威胁。他们的方法首先识别包含移动对象的区域，然后使用之前引入的技术为这些区域分配计算资源。

因此车辆能够在移动物体和潜在威胁靠近之前检测到它们的位置。一旦确定，威胁评估模块将评估与这些物体发生碰撞的风险，并且计划者将标识避免这些碰撞的行动。

Henning及其同事在一系列仿真中对其框架进行了评估，并发现该框架可以改善自动驾驶汽车在不同关键场景中的运行。其中包括另一个交通参与者以各种方式接近车辆车道的场景。

Henning说：“我们认为，安全不一定与实时360°多模式感知系统相关联。相反，安全也可以通过有效的感知系统来实现，而该系统能让你以智能方式，并基于环境和在线信息（甚至可能是其他信息来源）适应自动化代理的情况。”

新框架最终可以在现实环境中实施和测试，以提高自动驾驶汽车在动态环境中导航的安全性。与此同时，Henning和他的同事们计划继续研究该方法，同时设计新的模型来增强自动和半自动驾驶。

【以上内容转自“盖世汽车”，不代表本网站观点。 如需转载请取得盖世汽车网许可，如有侵权请联系删除。】

延伸阅读

• 类人眼的AI设备！中佛罗里达大学研发新技术，未来有望用于自动驾驶汽车