據(jù)外媒報道，德國烏爾姆大學（Ulm University）的研究人員近日開發(fā)出一個新框架，旨在實時識別車輛周圍的潛在威脅，從而提高自動駕駛汽車在城市和高度動態(tài)的環(huán)境中的安全性。

圖片來源：Henning

       研究人員之一Matti Henning表示：“我們研究的核心理念是將感知資源僅分配給與當前情況相關的自動駕駛汽車周圍的區(qū)域，而不是簡單的360°感知領域。這種方式可以節(jié)省計算資源，從而提高自動駕駛汽車的效率?！?/p>

       當自動駕駛汽車的感知范圍有限時，其安全性可能會大幅下降。例如，如果一輛車只認為其周圍的特定區(qū)域是“相關的”，它可能無法檢測到其他區(qū)域的潛在威脅物體。如果支持車輛功能的算法被編程為僅考慮和處理道路的特定區(qū)域，則可能會發(fā)生這種情況。

       Henning解釋道：“我們的威脅區(qū)域識別方法可解決這一問題：可能與潛在威脅相對應的區(qū)域在感知早期階段會被標記為相關區(qū)域，以便可以可靠地感知這些區(qū)域內(nèi)的對象，并根據(jù)其實際碰撞/威脅風險進行評估。因此，我們致力于設計一種僅基于在線信息的方法，即沒有地圖等先驗信息，以識別可能與威脅相對應的區(qū)域，從而被預先要求感知?！?/p>

       要大規(guī)模應用，研究人員的框架應該盡可能輕量級，即不需要大量計算資源來持續(xù)掃描環(huán)境中的威脅。Henning及其同事提出的方法非常簡單，只需要執(zhí)行有限數(shù)量的計算即可。此外，該方法具有很強的適應性，因此可以針對特定的用例或車輛進行定制。

       本質上，該框架會捕獲環(huán)境的無模型表示，其中包括車輛周圍所有移動物體的速度估計。這意味著，與其他方法相比，它不依賴于有限的、先前劃定的相關區(qū)域地圖。

       Henning說：“具體而言，我們利用笛卡爾動態(tài)占據(jù)柵格地圖（Dynamic Occupancy Grid Map，DOGMa），為光柵化環(huán)境的每個單元提供速度估計。據(jù)此，我們使用標準聚類算法來識別具有相似速度的大型細胞集群（一種改編自Gies等人的研究方法），然后評估，假設已識別的集群的速度恒定，這些集群將在設定的預測范圍內(nèi)與自動駕駛汽車的運動相交?！?/p>

       如果團隊的聚類算法識別出的移動細胞集群與車輛的運動相交，則說明可能會發(fā)生與相應物體的碰撞。為了避免這種情況，該團隊的模型將集群的位置標記為應處理的相關區(qū)域，以便車輛能夠感知其中的物體并調整其速度或方向，從而避免事故發(fā)生。

       Henning及其同事創(chuàng)建的框架與過去其他威脅識別方法之間的主要區(qū)別在于，它試圖盡早識別威脅。他們的方法首先識別包含移動對象的區(qū)域，然后使用之前引入的技術為這些區(qū)域分配計算資源。

       因此車輛能夠在移動物體和潛在威脅靠近之前檢測到它們的位置。一旦確定，威脅評估模塊將評估與這些物體發(fā)生碰撞的風險，并且計劃者將標識避免這些碰撞的行動。

       Henning及其同事在一系列仿真中對其框架進行了評估，并發(fā)現(xiàn)該框架可以改善自動駕駛汽車在不同關鍵場景中的運行。其中包括另一個交通參與者以各種方式接近車輛車道的場景。

       Henning說：“我們認為，安全不一定與實時360°多模式感知系統(tǒng)相關聯(lián)。相反，安全也可以通過有效的感知系統(tǒng)來實現(xiàn)，而該系統(tǒng)能讓你以智能方式，并基于環(huán)境和在線信息（甚至可能是其他信息來源）適應自動化代理的情況。”

       新框架最終可以在現(xiàn)實環(huán)境中實施和測試，以提高自動駕駛汽車在動態(tài)環(huán)境中導航的安全性。與此同時，Henning和他的同事們計劃繼續(xù)研究該方法，同時設計新的模型來增強自動和半自動駕駛。