从2024 AutoWare挑战赛看无人驾驶的挑战

小鱼

大家好，我是小鱼，今天在邮箱里看到了一封关于AutoWare 2024挑战赛的宣传邮件。Autoware Challenge 2024 是由 Autoware 基金会和来自日本的自动驾驶公司 TIER IV 主办的软件开发挑战赛，目的就是 TIER IV 公司想通过该比赛，解决当前公司中面临的技术问题。所以我们可以通过这个比赛的要求，来看看他们面临的无人驾驶落地问题有哪些，相信会有很多启发意义，值得一提的是，Autoware 也在考虑引入类似于 comma.ai 和 Tesla 的 FSD 的端到端（E2E）自动驾驶技术架构。

原文链接：https://autoware.org/autoware-challenge-2024/
宣传海报：

以下是逐页翻译的内容：

感知组件

[感知] 改进LiDAR点云过滤

挑战：
Autoware对用于物体识别的LiDAR点应用了各种过滤器。然而，有几个问题：

雨、雾和灰尘引起的离群点在点云中作为噪声存在。
不需要避免的物体（如杂草或塑料袋）产生的点应被移除。

目标：
开发一种点云过滤器，有效去除对应于非威胁物体的点，同时保留需要避免的实心障碍物的点。

[感知] 使用相机/LiDAR/雷达进行远距离物体检测

挑战：
识别远距离物体（例如200米以外的物体）的需求很大。例如，在非保护的左转（或在日本为右转）时，能够从远距离检测到高速接近的车辆，直接影响这些操作的性能。然而，在像200米这样的距离上，LiDAR点变得稀疏，识别变得具有挑战性。

目标：
确保在远距离（约200米）进行物体识别的充分性，以用于规划组件。本项目可以使用mAP以外的指标进行提案和评估。例如，Autoware使用Lanelet作为高清地图，因此输出类似于“在Lanelet ID xx中有一个速度约为yy的物体”也是可以接受的。

[感知] 未知物体检测

挑战：
Autoware中的物体检测严重依赖于机器学习技术，这些技术目前难以识别未在训练数据中标记的物体。在公共道路上，管理系统未曾遇到过的意外物体（例如俯卧的人类、陌生的动物和纸板箱）至关重要。此外，还需要准确检测这些未知物体，并做出是否需要避免的适当决定。此外，在生成LiDAR噪声的条件下（如雨、雪或灰尘），区分噪声和实际物体也是必需的。

目标：

未知物体检测：
- 检测并分类未知或未分类的物体，确定是否需要避免。
- 识别应避免的异常物体，包括可用最少LiDAR测量检测到的非常小的物体。
噪声物体和点云去除：
- 在困难环境中（如雨、尘、雾和雪）去除误报。
- 对点云或物体进行过滤，确保两种方法在不同环境中都易于调节。

[感知] 行人路径预测

挑战：
在人行横道、人行道和车道之间界限模糊的道路上，行人行为预测对于确保安全至关重要。当前Autoware中的行人行为预测由于几个原因是不足的，我们旨在改善短期和长期的行人行为预测。

原因：

缺乏必要的判断信息：检测系统不包含行人的姿态和方向信息。
简单的预测模型：只使用了简单的控制逻辑，如时间上的EKF恒速模型外推，或假设行人朝人行横道上的特定点直走。

目标：

短期预测改进：
- 检测增强：有效利用相机和LiDAR信息检测行人的姿态和方向。
- 跟踪改进：基于附加信息更准确地预测行为意图（开始移动、直走、转弯）。
长期预测改进：
- 使用数据驱动或端到端方法预测行人未来15秒的轨迹。
- 提出可以集成到Autoware中的架构。

[感知] 转向灯感知架构

挑战：
转向灯识别是关键任务之一，不仅需要识别算法，还需要考虑如何在整个Autoware系统中利用它。利用转向灯识别的一种方法是预测其他车辆的轨迹。例如，如果前方车辆发出危险信号，预测轨迹应输出逐渐停止。这允许规划模块利用转向灯识别结果，而不增加感知模块向规划模块暴露的接口。

目标：
提出一种新方案，通过考虑转向灯和危险灯预测周围车辆的路径。将根据以下标准评估所提议的解决方案：

所提议的方法是否实际可用于Autoware（最好是已集成）。
所提议的方法是否输出有效的左转、右转信号和危险灯的预测路径（最好是通过与规划集成进行实验）。
虽然此次不以转向灯识别方法为目标，但如果进行转向灯识别集成实验以提高说服力，也会进行评估。

规划/控制组件

[规划] 紧急碰撞避免

挑战：
在自主驾驶中，确保安全是最关键的因素，尤其是在紧急情况下。这种情况之一涉及动态物体的意外行为，自动驾驶车辆面临碰撞风险。为了解决这些紧急情况，Autoware系统应包括一个利用方向盘和加速来避免或减轻碰撞的功能。

目标：

设计和开发：创建一个功能，根据具体情况调整方向盘或加速/减速。
与现有组件隔离：确保该紧急功能尽可能独立于现有的感知、规划和控制组件。
故障树分析（FTA）：使用FTA识别并明确哪些其他模块需要正常工作，以确保功能按预期执行。

[规划] 模仿人类驾驶的轨迹规划

挑战：
目前，Autoware使用基于规则、优化和采样的规划器生成轨迹。为了使这些计划的轨迹类似于人类驾驶，需要在各种边缘情况下进行广泛的处理，并在实际环境中进行细致的参数调整。

目标：

创建模仿人类驾驶行为的轨迹规划器：
- 实现示例：
  - 简单的监督学习
  - 模仿学习
  - 强化学习

[控制] 针对不同车辆重量的鲁棒控制算法

挑战：
大型车辆（如公共汽车或卡车）的重量因乘客人数或货物量而异。因此，必须相应地调整所需的执行器输出（例如，加速踏板的压下程度），以实现期望的加速度。

目标：
创建一个控制模块，在操作过程中仍能有效地应对车辆重量的变化。所提功能可能包括：

从控制误差中估计车辆重量
估计轮胎压扁的变化
在线修改控制算法中使用的控制参数

考虑因素：

误差区分：一个挑战是区分由于车辆组件转换器（从目标加速度到执行器输出）引起的误差和由于重量变化引起的误差。功能必须准确确定误差的来源。
重量稳定假设：为了精确估计，假设车辆在运动时重量保持不变。
验证：确保该功能在简单的规划模拟器中表现良好。

[控制] 高速控制

挑战：
Autoware中的大多数控制器目前仅考虑车辆运动学，忽略了如打滑等车辆动力学。这种忽视可能导致高速驾驶（80-120 km/h）期间的显著跟踪误差。此外，没有现有的模拟器可以测试车辆动力学。

目标：

开发高级控制器：创建能够处理高速驾驶的纵向和横向控制器，并明确这些控制器的校准和参数调整过程。
开发车辆动力学模拟器：构建一个能准确再现车辆动力学（包括打滑）的模拟器。
确保低跟踪误差：验证控制器在模拟器中保持低跟踪误差。

定位组件

[定位] 提高动态环境中地图不一致区域的定位精度

挑战：
地图数据可能并不总是与现实环境对齐，特别是在如停车场或工厂等随时间变化的动态区域。虽然提供了点云数据（PCD）和LL2数据，但其可靠性可能不一致。目标是确保与现有地图数据对齐，同时在数据缺失的区域准确估计位置。

目标：
提出一种在数据缺失或不可靠的区域准确估计位置的定位系统。

假设：
规划器可以使用PCD和LL2数据。

[定位] 定位误差的估计

挑战：
Autoware目前使用点云匹配方法进行姿态定位。然而，这种方法在某些情况下可能变得不可靠。例如：

示例场景1：当车辆在隧道中行驶时，横向方向的定位可能准确，但纵向方向可能不准确。
示例场景2：当车辆在空旷区域行驶时，z轴、横滚和俯仰方向的定位可能准确，但x/y轴或偏航方向可能不

准确。

目标：
估计点云匹配方法定位误差的可靠性，并明确错误位置。

其他挑战

挑战：

Autoware 是一个全面的自动驾驶软件，能够适应各种传感器配置和车辆，具有多种接口。由于有许多贡献者参与，这些接口经常发生变化。为了继续推动使用 Autoware 进行自动驾驶开发，必须有效地跟踪这些变化。

提出管理 Autoware 中各种接口的工具或框架，例如 ROS 主题和服务名称、ROS 参数名称以及地图规范的变化。潜在的解决方案可能包括：

检测接口变化并自动生成发布说明的机制。
自动管理接口变化的开发框架。

其他：

管理 Autoware 的 API 和接口变化。
发布说明的示例，汇总接口变化。

[模拟器] 改进 AWSIM

AWSIM 是 Autoware 开发的默认模拟器，但存在一些影响用户体验的问题，包括：

运行模拟所需的高计算能力。
定制车辆模型和环境模型的用户界面（UI）较差。
非玩家控制（NPC）车辆/行人在环境中的不现实行为。
缺乏对恶劣天气条件的模拟，包括雨水引起的传感器噪声和车辆溅起的水花。

目标：
提出改进 AWSIM 用户友好性的想法，解决上述问题。

[其他] 高效测试 Autoware 的参数空间

挑战：
Autoware 具有广泛的参数，有时在使用某些组合时会导致意外行为。为了确保稳健性，必须对各种参数组合进行广泛测试。

目标：
提出高效测试 Autoware 参数空间的框架。建议应包括成对测试和因子设计等技术，以提高测试效率。

测试框架示例

[其他] 乘用车的自动驾驶

挑战：
当前版本的 Autoware 主要为商业车辆（如班车和机器人出租车）设计，旨在完全自动驾驶于指定区域内。我们希望将 Autoware 的使用扩展到乘用车。

目标：
我们期望参与者提出将 Autoware 集成到乘用车中的想法。考虑以下几点：

引入端到端（E2E）自动驾驶架构：支持更大的操作设计域，类似于 comma.ai 和 Tesla 的 FSD 技术。
减少对高清地图的依赖：实现不需要地理围栏的自动驾驶。
设计新的传感器设置和电子电气（E/E）架构：开发适用于乘用车的可行且经济的解决方案。

注意：
您的提案不需要符合当前的 Autoware 规范。

机器人小伊

从AutoWare Challenge 2024的概述中，我们可以看到无人驾驶领域所面临的广泛挑战和AutoWare软件框架试图解决的具体问题。这些挑战涵盖了从感知、规划、控制到模拟器改进和乘用车自动驾驶扩展等多个方面。

感知挑战

LiDAR点云过滤：需要开发一种能够有效去除噪声和非威胁物体点，同时保留关键障碍物信息的点云过滤器。
远距离物体检测：要求确保在远距离（如200米）下物体识别的准确性，这对于安全驾驶至关重要。
未知物体检测：能够检测并分类未在训练数据中标记的物体，这对于在真实世界环境中运行至关重要。
行人路径预测：需要改进短期和长期的行人行为预测，特别是在边界模糊的道路环境中。
转向灯感知：开发一种架构，能够利用转向灯和危险灯信息来预测周围车辆的轨迹。

规划与控制挑战

紧急碰撞避免：设计一种能够利用方向盘和加速来避免或减轻碰撞的功能。
模仿人类驾驶：开发一种能够生成类似人类驾驶轨迹的规划器。
鲁棒控制算法：创建一种能够适应不同车辆重量的控制算法，特别是在大型车辆中。
高速控制：开发能够处理高速驾驶中车辆动力学的高级控制器。

定位挑战

动态环境中定位：在数据缺失或不可靠的区域提高定位精度。
定位误差估计：估计并明确点云匹配方法中的定位误差。

其他挑战

接口管理：开发一种工具或框架来有效管理Autoware中各种接口的变化。
模拟器改进：提高Autoware的默认模拟器AWSIM的用户友好性和模拟准确性。
参数空间测试：提出一个框架来高效测试Autoware的参数空间。
乘用车自动驾驶：将Autoware扩展到乘用车领域，并探索端到端自动驾驶架构。

总结

AutoWare Challenge 2024提供了一个绝佳的平台，让开发人员能够针对无人驾驶领域的关键挑战进行深入研究，并推动自动驾驶技术的进一步发展。从感知到控制，从模拟器到乘用车应用，这些挑战需要跨学科的知识和团队合作来解决。通过参与这样的挑战赛，我们可以更深入地了解无人驾驶技术的现状和未来发展的方向。

以上为生成回答，仅供参考～