AEB相关论文的理解

AEB相关论文解读

简单总结

仅仅是根据自己的理解和对代码的解读以及工作中的一些积累，不成体系，略作总结，主要是自己的一些想法

• 这是一篇很重要的论文在*家的AEB算法，对于threat assessment 模块是最重要的基础
• 如abstract 所言，对于自车可能可能的闪避方法，做了专向和减速（加速）的两种maneuvers的建模
• 自车运动考虑的是传统的自行车动力学模型（线性的侧偏力矩），很经典的模型，广泛的应用
• 特别优秀的是这篇论文给出了这个算法在两种经典场景下面的表现，一个比较对象是所谓七自由度加非线性轮胎模型（不知道是什么，有知道的解释一下），另一个传统的算法进行了比较并进行了分析
• AEB TA算法的核心是在预测的time horizon 里面所有的时刻所有的边都避免与目标车相撞，简单来说:
  For t=starting :deltat t: final t
  forloop every edge：
  计算目标车的位置（相应的模型很重要，如果仅仅是匀加速模型，显然对于目标车位置估计不足，可能这个是LTAP场景的一个难点，A家的代码我记得是考虑了yawrate的，而且针对不同的roadusr考虑了不同的运动学模型估计，这也是aeb的代码看起来比较臃肿的一个原因，题外话，代码如果不知道输入输出，不知道目的是啥，还是很难看明白的，语法很清楚，讲的到底是个啥…）
  计算自车的位置（对于自车位置估计也很重要，论文里面是两种考虑，转向的时候加速度不变，减速的时候curvature 不变 ，A家在调用这段核心算法之前，还有一个过程相当于粗调，那个里面对自车状态的估计和这篇算法里面不一样，基于贝塞尔曲线的插值，可以在另外一篇里详说）
  通过计算，定量给出所需要的转向或者所需要的加减速度
• 很显然，final t,和delta t 对于结果有很大的影响，论文也给了一个方向：Tmax=3s,delta=50ms,对于更稠密的采样，没有更多提高，过于sparse的采样导致不能及时反应
• 虽然逻辑相对比较容易想通，但是论文定量给出了公式，中间的数学推导还是很难的，中间有很多种情况，但是都用一个公式归一化了，很不错，不知道什么样的工具完成；容易理解，但是得到正确结果还是令人佩服
• 看懂论文相对容易，还没有代码实现过，工程实践的领域里总是talking is cheap…
• originality是最重要的，感谢论文作者的原创与智慧结晶，我的目标是领会并加强代码能力实现

自行车模型

这一块论文里重新定义了一些参数，和汽车理论第五版的推导里面有一些偏差，但是我的理解思路是一致的，坦白说这块我大概20%的内容略过，重点是自行车模型的一些要点，个人理解：
1.车身参数，lf,lr,kf,kr
2.运动瞬时参数 ，转向角，当时车速
3，自行车模型揭示了，一定车速下面，输入一定的转向角会有多大的转向半径，当然相关联的横向加速度，横摆角速度也出来了，这篇论文推了这样一个公式：这就是说在一定的车速下面，一定的转角和curvature 是线性关系，非常美丽

驾驶行为的建模

• 这一块是这个论文的第一个亮点，分为两块，一种是转向时候速度不变假设，第二种是减速时候curvature 不变

1. 转向相关，可以用下面的一个公式直观表达：
   

• Timetheta 的计算：
  2. 约束条件，方向盘的转角，转速，横向加速度，以及横向加加速度，这些都是C0，或者C1的线性函数（车速一定情况下）
  3. 加速度曲线，以及加加速度曲线，显然这些也是可以标定的量
     
     通过这些得到极限情况的C1,Cmax,通过下面可以得到
     

2. 加减速的动作建模
   1. 和转向类似，纵向动作更符合我们的知识体系，就是加速度的一个关系
      
      同理也需要算一下Tj，很明显在极限情况下：
      

Threat Assessment

• 重头戏开始，首先是参考系，很正常也是基于车身的参考系，选择的原点个人理解是尽量选择转向中心在轴线的投影，即时选成了COG应该也没什么影响吧
  
• 一些基本假设，转向时速度不变，以及在预测的time horizon里面heading angle变化很小，以至于可以如下常见的近似，代码里面这一块没有深究,m写的，之前simulink有一大块是粗略的 threat assessment，用的是贝塞尔估计自车在3秒里面的位置
  

1. 这样转向时候，自车的位置在任意时刻可以得到，同时根据某一种运动模型预测了对象车在这个时候的状态，那么不需要碰撞如下图可示，
   

• 相应的推导可见原论文得到，分别假设向左拐，向右拐，得到相应的curvature change rate，就是c1.然后在loop所有的状态即可得到需要c1,得到转向盘速度
• 如果c1>c1max那就转向无法避免碰撞了

2. 加速减速的评估
   • 加减速时候，因为curvature 不变，这个时候使用的是curved coordination也是在横向控制里面经常提到了frenet 坐标，这个时候会涉及到目标车辆从笛卡尔坐标系到frenet的转化，但这篇论文并没有给出reference似乎，可以参考RGF的那篇论文。
   • 和转向类似， 就是比较的坐标不一样了，如下图，
   • 同时考虑了加速和减速一点点约束条件的不同，最终的目的都是算出相应的J能不能被cover住

结果验证以及讨论

• 一些前提的输入，比如cmax,c1max，common sense就是这些量都是和车速有关的
• 
  -可以得到以下的图和表
  
  
• Rear_End Collision Scenarios
  这个场景和cncap比较像，自车cv直行，前车静止，groundtruth说是通过暴力解法然后基于一个七自由度出来的，没有研究过，一个conventional的算法做了比较，没有太多关注conventional算法的细节，大概是对自车做的都是横加速度的简化，其实就是传统算ttc方法，当要求加速度大于一个值就认为有碰撞危险，通过这个比较也能发现法为什么在a家代码里面，粗略算一下很多目标，比如8个，然后选出最关键的再用这篇论文里面提到的算法去算一遍，以下请看图
  
  一方面个人的体会是纵向恒加速还是有道理的所以趋势基本一致，但是横向如果还是恒加速就是模型根本不对了，在转向情况下，所以看出steering情况下传统简单的方法会导致ttc的大问题，会经常出现误报漏报的情况，
  对于横向ttc随着车速而变化，论文也给出了原因，其实直观上也能看出，因为驾驶员preference的设定也是关于速度的曲线，所以这个也是tuning的一部分，但是这个要求太高了，而且太底层的tuning,影响到系统的表现，估计很少会碰，虽然对解决个别误触发或者不触发应该效果非常明显。
• 下面一张图也很有意思，作者意图说明这个算法算出来的ttc时间，也可以看到在合理的preference 设置下，低速时候避障靠减速，高速时候考转向，这也是符合预期的，难得的是能给出定量分析
  
• LTAP scenario --Left Turn across Path
  这一方面似乎没有很透彻的说明，还是我自己没有读懂？？所费笔墨也不多，我觉得算法是一致的，难点在于对于目标车辆的位置估计吧，并非像cncap场景里面相对直线运动，作者给出的如下测试场景，自车直行，target 左拐，相同的初始速度，不同的初始位置，得出算法有效性。如下，就不做过多的解释
  
  
• 最终作者也给出了实时性的分析，也是很重要的一点,一点概念吧，占时间的主要是转向分析 大约60%，10%放在了坐标系转化里面，剩下的是30是加减速度的threat assessment

自我感觉应该领会了80%左右的东西，一些具体的推导过程以及过程中的一些tricky的地方如果以后工作中有机会深挖再继续吧.