🚗 Samochód Autonomiczny: Utrzymanie Pasa i Unikanie Przeszkód

Regulator PID oblicza sygnał korekcyjny u z mierzonego błędu e, używając u = Kp·e + Ki·∫e dt + Kd·de/dt. Tutaj e to boczne odchylenie samochodu od osi pasa, wykryte metodą raycastingu. Człon proporcjonalny reaguje na bieżące odchylenie, człon całkujący usuwa każde małe odchylenie utrzymujące się w czasie, a człon różniczkujący reaguje na to, jak szybko zmienia się odchylenie, tłumiąc oscylacje. Wynikowe u jest używane bezpośrednio jako zadana prędkość kątowa samochodu.

Symulacja wysyła promienie na boki z dwóch punktów przed samochodem względem rzeczywistej siatki granic drogi (linii dzielących pasy i krawędzi), tak samo jak prawdziwy lidar lub potok kamery wykrywającej pas próbkuje świat fizyczny zamiast czytać z góry znaną mapę. Odległości zwrócone przez te promienie są przekształcane w odchylenie boczne i błąd kierunku, co jest dokładnie krokiem percepcji, jaki wykonuje prawdziwy stos oprogramowania jazdy autonomicznej przed krokiem sterowania.

Zbyt duże Kp sprawia, że samochód nadmiernie koryguje i przekracza oś pasa, powodując widoczne wężykowanie, które może przerodzić się w pełną oscylację między pasami. Zbyt duże Ki sprawia, że skumulowany błąd „nakręca się” i przeregulowuje długo po ustąpieniu zakłócenia, zwłaszcza po zmianie pasa. Zbyt małe Kd usuwa tłumienie, które powstrzymuje dwa pierwsze człony przed drganiem.

Czas do kolizji to odległość do przeszkody podzielona przez prędkość zbliżania. Odpowiada na pytanie „ile sekund do zderzenia, jeśli nic się nie zmieni”, co jest bardziej użyteczne dla decyzji bezpieczeństwa niż sama odległość. Prawdziwe systemy ostrzegania przed kolizją i automatycznego hamowania awaryjnego w produkcyjnych pojazdach używają TTC jako głównego wyzwalacza.

Gdy czas do kolizji z najbliższą przeszkodą spada poniżej progu, warstwa reaktywna wysyła ukośny promień w kierunku sąsiedniego pasa. Jeśli ten promień nie znajdzie ruchu w bezpiecznej odległości, samochód wykonuje manewr zmiany pasa sterowany tą samą pętlą PID z tymczasowo przesuniętym celem. Jeśli żaden pas nie jest wolny, samochód wraca do hamowania, dopasowując prędkość przeszkody lub zatrzymując się wcześniej.

Tak, w uproszczonej formie. Prawdziwy lidar emituje impulsowe wiązki lasera i mierzy czasy powrotu, aby zbudować trójwymiarową chmurę punktów; prawdziwe kamery wykrywające pas uruchamiają potoki przetwarzania obrazu w poszukiwaniu krawędzi. Oba sprowadzają się do pytania, jaka powierzchnia świata rzeczywistego znajduje się w danym kierunku i jak daleko. Raycasting względem rzeczywistej geometrii sceny uchwytuje tę samą podstawową operację bez szumu czujnika i przetwarzania obrazu.

Człon całkujący sumuje błąd w każdej klatce tak długo, jak błąd jest niezerowy. Podczas długotrwałego zakłócenia ta suma stale rośnie. Gdy odchylenie w końcu przekroczy zero, duży skumulowany człon całkujący jeszcze przez chwilę popycha polecenie kierowania w tym samym kierunku, prowadząc samochód poza cel, zanim zdąży się „rozwinąć”.

Produkcyjne stosy jazdy autonomicznej rozdzielają percepcję (fuzję czujników w oszacowania pasa i obiektów), predykcję i sterowanie (często PID lub bardziej zaawansowane sterowanie predykcyjne oparte na modelu na niskim poziomie). Ta symulacja kompresuje ten potok w percepcję opartą na raycastingu zasilającą prawdziwy regulator PID oraz opartą na regułach reaktywną warstwę bezpieczeństwa, odzwierciedlając tę samą trójstopniową strukturę w skali, którą można bezpośrednio dostroić i zaobserwować.

Poza klasycznym PID, prawdziwe badania nad pojazdami autonomicznymi coraz częściej wykorzystują sterowanie predykcyjne oparte na modelu, które optymalizuje kierowanie i prędkość w przyszłym horyzoncie z uwzględnieniem ograniczeń, oraz regulatory oparte na uczeniu, trenowane przez imitację lub uczenie ze wzmocnieniem. Poważnym otwartym problemem jest bezpieczne łączenie wyuczonych strategii z weryfikowalnymi gwarancjami, jakie dają klasyczne regulatory takie jak PID, szczególnie dla rzadkich, wysoce ryzykownych przypadków brzegowych.