一种新的车道变换算法,它允许无人车进行更主动的车道变更

最近举行的国际机器人与自动化会议（ICRA）上，来自麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员介绍了一种新的车道变换允许无人车进行更主动的车道变更，同时仅依赖于其他车辆的方向和速度的即时信息来做出决定。

在自动驾驶汽车领域，车道变换的算法是一个重要的研究课题。大多数现有的车道变换算法存在以下两个缺点：1.它们依赖于驾驶环境的详细统计模型，这些统计模型难以构建并且太复杂以至于无法分析; 2.他们太简单了，以至于只能做出过于保守的决策，比如永远不会改变车道。

当马路上出现多智能体交互时，这种算法是否存在懦夫博弈。

在最近举行的国际机器人与自动化会议（ICRA）上，来自麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员介绍了一种新的车道变换算法，以区分这种差异。与简单模型相比，它允许无人车进行更主动的车道变更，仅依赖其他车辆的方向和速度的即时信息来做出决定。

CSAIL 博士后和论文第一作者 Alyssa Pierson 表示，该算法的设计思想是用尽可能少的信息做出变道决策——就像人类驾驶员那样。

团队负责人 Rus 表示，最好的解决方法当然是对从保守到主动的各种变道风格建模，当然还要考虑安全空间。

自动车辆避免碰撞的一种标准方法是计算环境中其他车辆周围的缓冲区。缓冲区不仅描述车辆的当前位置，还必须对它们将来的位置进行短期预测。规划车道变化则成为简单地停留在其他车辆缓冲区之外的问题。

所有计算缓冲区的方法，都要检验变道算法是否有碰撞的可能性。这个问题证明比较复杂，因此通常会提前计算最佳缓冲区。然后在行使时，根据感知到的当前环境，调用对应的安全空间参数。

问题是，如果车流量足够快并且密度足够大，则预先计算的缓冲区可能过于严格。一辆自动驾驶车辆根本无法改变车道，而一名驾驶员会在车道周围轻松变道。

MIT 新算法的改进在于：如果当前的默认安全空间模型导致汽车的变道能力低于人类驾驶员，则系统会实时计算新的安全空间。

该算法的关键是设计足够高效的算法来计算安全空间，否则无法应对多变的路况。研究人员基于高斯分布，描述了车辆的当前位置、车辆长度和其位置的不确定性。

接着，基于车辆速度方向和大小的估计，研究人员构建了一个 logistic 函数。高斯分布和 logistic 函数的乘积，使得高斯分布的峰值向汽车的运动方向偏移，速度越快，偏移幅度越大。

偏斜分布定义了车辆的新安全空间。该数学描述足够简单，只有几个变量，因此完全可以进行实时计算。研究人员在有几百辆汽车的模拟环境中，测试了 16 辆自动驾驶汽车的避撞性能。

该论文目前还未公布，但是智车科技在网络上搜到一篇 Alyssa Pierson 为第一作者，发表在2017 Multi-Robot and Multi-Agent Systems (MRS) 研讨会上的论文 Distributed target tracking in cluttered environments with guaranteed collision avoidance。该论文提出了一个分布式在线算法，借助一组追踪代理，通过混乱的环境跟踪目标。追逐着必须始终避免与障碍物发生碰撞。文章也介绍了Obstacle-Aware Voronoi Cell（OAVC），一种改进的Voronoi镶嵌模型，通过使用基于Voronoi的覆盖控制工具，追踪者只需对其位置进行估计即可成功跟踪目标。跟MIT的这项研究有多大关系不得而知。

Pierson 表示：各辆自动驾驶汽车之间没有通讯联系，只依靠各自的算法进行变道和避障。每辆自动驾驶汽车使用不同的风险阈值，生成不同的驾驶风格，相当于保守和主动变道的人类司机。静态算法的预先计算安全空间只能允许保守驾驶，而新算法对主动变道的支持程度大得多。

电子工程和计算机科学维特比教授 Daniela Rus 、航空学副教授 Sertac Karaman、电子工程和计算机科学研究生 Wilko Schwarting 也参与了该工作。丰田汽车研究所和海军研究实验室为该研究项目提供了部分资助。