自动驾驶路径规划加速方法
附赠自动驾驶最全的学习资料和量产经验:链接
arXiv上2022年5月5日上传的论文“Accelerating Path Planning for Autonomous Driving with Hardware-assisted Memorization“,作者来自Cornell大学。
动态障碍物的自动驾驶路径规划是一个挑战,因为需要在满足实时约束的同时执行更高维搜索(包括时间)。作者提出了一种算法-硬件协同优化方法,加速基于高维搜索空间的路径规划。首先,将节点和障碍物映射到低维空间并存储最近的搜索结果,减少最近邻搜索和碰撞检测的时间。然后,提出一种用于高效存储的硬件扩展方法。在一个现代处理器和一个周期级(cycle- level)模拟器的实验结果表明,该算法的执行时间显著缩短。
路径规划的及时执行对车辆的安全和效率至关重要。修剪(pruning)是被用来在软件中加速的方法。针对RRT、PRM和A*等算法,人们用不同的硬件技术,包括FPGA或ASIC,还提出了特定于算法的加速器。虽然这些路径规划加速器确实解决了特定场景中的个人需求,但不是针对自动驾驶,也不考虑动态障碍。
此外,随着法规(regulation)和算法的不断发展,选择和修改加速路径规划算法的灵活性也非常重要。然而,许多现有路径规划加速器一次设计只考虑一个特定的算法,大多数超参在设计/编程时固化到加速器硬件中。虽然这些硬件化算法在发布时表现良好,并在目标场景提供良好的性能,但不够灵活,无法适应新的或修改算法。
- 动态障碍物的对付
自动驾驶车辆在2D平面执行路径规划。在不同的时间,障碍物将位于2D平面的不同位置。2D平面的动态障碍物成为一组障碍物,在三维空间的坐标可以用(x,y,t)来描述。
可以有效地将带有动态障碍物的2D规划问题视为3D规划问题。然而,时间维度不同于普通的空间维度,这需要对其进行额外约束。由于时间只沿一个方向移动,对于路径P上i<j的任意两个节点(xi,yi,ti)和(xj,yj,tj),必须保证ti<t j。在RRT选择最近邻时,将强制执行附加约束。
- 基于软件的存储RRT算法
用存储(memorization)来减少路径规划的总执行时间。在传统基于采样的规划(比如RRT)中,大部分执行时间都花在寻找最近邻(NN)以及检测会不会碰撞。为了加速这些