基于GCN和CIL的端到端自动驾驶换道方法

doi:10.19562/j.chinasae.qcgc.2023.12.013

摘要/Abstract

摘要：

本文针对自动驾驶的换道行为，为了解决传统的端到端方法存在输出不稳定、动态交互场景特征信息难以提取的问题，提出了一种基于图卷积网络和条件模仿学习的自主换道端到端学习方法。首先以图结构数据的形式对驾驶场景的动态交互信息进行聚合，通过图卷积网络输出自车应采取的驾驶行为指令；然后与条件模仿学习结合，图卷积网络输出的驾驶指令作为指导条件模仿学习的高级命令，结合其他感知数据最终映射到车辆的底层控制动作，完成无碰撞自主换道；最后在CARLA仿真平台进行了实验验证。实验结果表明：所提出方法的性能优于传统的端到端方法，且具有更好的实验成功率以及泛化性能。

关键词: 智能车辆, 端到端驾驶, 换道, 条件模仿学习, 图卷积网络

Abstract:

For the lane change of autonomous driving， to solve the problems of unstable output and difficulty to extract dynamic interactive scene feature in conventional end-to-end method， an end-to-end learning method for autonomous lane change based on graph convolutional network （GCN） and conditional imitation learning （CIL） is proposed in this paper. Firstly， the dynamic interactive information of driving scenarios is aggregated in the form of graph-structured data. Secondly， the driving behavior instructions that the ego vehicle should take are output through GCN， which is then combined with CIL. The driving instructions output by GCN are taken as high-level commands for guiding CIL， and are finally mapped to underlying control actions of the vehicle with other perception data to complete autonomous lane change without collision. Experimental verification is carried out on CARLA simulation platform. The experimental results prove that the performance of this method is better than that of conventional end-to-end method， and it has better success rate and generalization performance.

Key words: intelligent vehicle, end-to-end driving, lane change, conditional imitation learning, graph convolutional network

吕彦直,魏超,何元浩. 基于GCN和CIL的端到端自动驾驶换道方法[J]. 汽车工程, 2023, 45(12): 2310-2317.

Lü Yanzhi,Chao Wei,Yuanhao He. An End-to-End Lane Change Method for Autonomous Driving Based on GCN and CIL[J]. Automotive Engineering, 2023, 45(12): 2310-2317.

图/表 9

图1

图2

图3

图4

图5

表1

图6

图7

表2

参考文献 20

1	MILANES V， LLORCA D F， VILLAGRA J， et al. Intelligent automatic overtaking system using vision for vehicle detection［J］. Expert Systems with Applications， 2012， 39（3）：3362-3373.
2	FLETCHER L， TELLER S， OLSON E， et al. The MIT-cornell collision and why it happened［J］. Journal of Field Robotics， 2009， 25（10）：775-807.
3	YURTSEVER E， LAMBERT J， CARBALLO A， et al. A survey of autonomous driving： common practices and emerging technologies［J］. IEEE Access， 2020， 8： 58443-58469.
4	PEREZ J， MILANES V， ONIEVA E， et al. Longitudinal fuzzy control for autonomous overtaking［C］. 2011 IEEE International Conference on Mechatronics. IEEE， 2011： 188-193.
5	LIU T， TANG X， ZHANG J， et al. Reinforcement learning-enabled decision-making strategies for a vehicle-cyber-physical-system in connected environment［J］. arXiv preprint arXiv：， 2020.
6	BOJARSKI M， DEL TESTA D， DWORAKOWSKI D， et al. End to end learning for self-driving cars［J］. arXiv preprint arXiv：， 2016.
7	ZHU L， HE Y， YU F R， et al. Communication-based train control system performance optimization using deep reinforcement learning［J］. IEEE Transactions on Vehicular Technology， 2017， 66（12）： 10705-10717.
8	KENDALL A， HAWKE J， JANZ D， et al. Learning to drive in a day［C］. 2019 International Conference on Robotics and Automation （ICRA）. IEEE， 2019： 8248-8254.
9	MIRCHEVSKA B， PEK C， WERLING M， et al. High-level decision making for safe and reasonable autonomous lane changing using reinforcement learning［C］. 2018 21st International Conference on Intelligent Transportation Systems （ITSC）. IEEE， 2018： 2156-2162.
10	ENGLERT P， PARASCHOS A， PETERS J， et al. Model-based imitation learning by probabilistic trajectory matching［C］. 2013 IEEE International Conference on Robotics and Automation. IEEE， 2013： 1922-1927.
11	GIUSTI A， GUZZI J， CIREŞAN D C， et al. A machine learning approach to visual perception of forest trails for mobile robots［J］. IEEE Robotics and Automation Letters， 2015， 1（2）： 661-667.
12	ZHANG J， CHO K. Query-efficient imitation learning for end-to-end simulated driving［C］. Proceedings of the AAAI Conference on Artificial Intelligence， 2017.
13	CODEVILLA F， MÜLLER M， LÓPEZ A， et al. End-to-end driving via conditional imitation learning［C］. 2018 IEEE international conference on robotics and automation （ICRA）. IEEE， 2018： 4693-4700.
14	MEI X， SUN Y， CHEN Y， et al. Autonomous navigation through intersections with graph convolutional networks and conditional imitation learning for self-driving cars［J］. arXiv preprint arXiv：， 2021.
15	POMERLEAU D A. Alvinn： an autonomous land vehicle in a neural network［J］. Advances in Neural Information Processing Systems， 1988， 1.
16	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. Advances in Neural Information Processing Systems， 2015， 28.
17	MANEN S， GYGLI M， DAI D， et al. Pathtrack： fast trajectory annotation with path supervision［C］. Proceedings of the IEEE International Conference on Computer Vision， 2017： 290-299.
18	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks［J］. arXiv preprint arXiv：， 2016.
19	DOSOVITSKIY A， ROS G， CODEVILLA F， et al. CARLA： an open urban driving simulator［C］. Conference on Robot Learning. PMLR， 2017： 1-16.
20	KINGMA D P， BA J. Adam： a method for stochastic optimization［J］. arXiv preprint arXiv：， 2014.

实验方法	实验场景	实验次数	成功率/%	碰撞率/%	最优换道概率/%	平均偏移距离/m
IL（MLP）	简单	25	72	28	77.8	0.539 1
IL（MLP）	复杂	75	37.3	62.7	57.1	0.622 4
IL（GCN）	简单	25	80	20	80	0.525 8
IL（GCN）	复杂	75	48	52	58.3	0.611 7
MLP-CIL	简单	25	88	12	81.8	0.405 3
MLP-CIL	复杂	75	72	28	68.5	0.513 7
GCN-CIL （本文的方法）	简单	25	100	0	100	0.303 4
GCN-CIL （本文的方法）	复杂	75	94.7	5.3	87.3	0.339 6

[1]	关书睿,李克强,周俊宇,石佳,孔伟伟,罗禹贡. 面向强制换道场景的智能网联汽车协同换道策略[J]. 汽车工程, 2024, 46(2): 201-210.
[2]	杨彪, 韦智文, 倪蓉蓉, 王海, 蔡英凤, 杨长春. 基于动作条件交互的高效行人过街意图预测[J]. 汽车工程, 2024, 46(1): 29-38.
[3]	梅润,褚端峰,高博麟,李克强,丛炜,陈超义. 基于云控系统的队列预测性巡航与换道决策[J]. 汽车工程, 2023, 45(8): 1299-1308.
[4]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[5]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[6]	唐斌,许占祥,江浩斌,蔡英凤,胡子添,杨铮奕. 基于分段优化的车辆换道避障轨迹规划[J]. 汽车工程, 2022, 44(6): 831-841.
[7]	黄圣杰,胡满江,周云水,殷周平,秦晓辉,边有钢,贾倩倩. 动态场景下基于语义分割与运动一致性约束的车辆视觉SLAM[J]. 汽车工程, 2022, 44(10): 1503-1510.
[8]	朱乃宣,高振海,胡宏宇,吕颖,赵伟光. 基于交通风险评估的个性化换道触发研究[J]. 汽车工程, 2021, 43(9): 1314-1321.
[9]	牛国臣,李文帅,魏洪旭. 基于双五次多项式的智能汽车换道轨迹规划[J]. 汽车工程, 2021, 43(7): 978-986.
[10]	陈吉清,翁楚滨,兰凤崇. 智能车辆换道潜在冲突分析与风险量化方法[J]. 汽车工程, 2021, 43(11): 1565-1576.
[11]	章军辉,付宗杰,郭晓满,李庆,陈大鹏,赵野. 基于HS⁃FCM模糊聚类的快速多目标车辆跟踪算法[J]. 汽车工程, 2021, 43(10): 1419-1426.
[12]	宋晓琳,盛鑫,曹昊天,李明俊,易滨林,黄智. 基于模仿学习和强化学习的智能车辆换道行为决策[J]. 汽车工程, 2021, 43(1): 59-67.
[13]	白中浩, 王韫宇, 张林伟. 基于图卷积网络的多信息融合驾驶员分心行为检测^*[J]. 汽车工程, 2020, 42(8): 1027-1033.
[14]	张家旭, 施正堂, 赵健, 朱冰. 基于Radau伪谱法的汽车高速紧急换道避障最优控制策略设计^*[J]. 汽车工程, 2020, 42(8): 1040-1049.
[15]	陈无畏, 王其东, 丁雨康, 赵林峰, 王慧然, 谢有浩. 基于预期偏移距离的人机权值分配策略研究^*[J]. 汽车工程, 2020, 42(4): 513-521.