SAE AutoDrive II - Y1 MathWorks模拟挑战赛优胜者

저자坦尼娅Kuruvilla，2022年7月26日

38회조회(최근30일)|0좋아|0댓글

在本博客中，Akshra会展示1圣和3理查德·道金斯SAE AutoDrive II第一年竞赛的MathWorks模拟挑战赛获奖者，以及他们如何使用MATLAB和Simulink金宝app为他们的系统建模。

简介

            SAE AutoDrive II是一个四年一度的大学设计竞赛，有来自美国和加拿大的10支队伍参赛。本次比赛最终的高水平技术目标是在SAE 4级所描述的自动驾驶模式下驾驶城市驾驶课程。每年MathWorks都通过MathWorks模拟挑战赛年终演讲来挑战团队使用模拟。

            在您的系统开发工具包中，模拟是一个重要的工具。对于自动驾驶系统，测试融合、规划和控制算法需要使用大量的测试场景。这些测试场景可以从直路测试到自动紧急制动算法的边缘案例测试。仿真为设计、测试和验证系统提供了安全可靠的环境。

            本博客将简要介绍2022年挑战赛的第一名和第三名获奖者(多伦多大学和俄亥俄州立大学)，他们的系统设计，以及他们如何使用MathWorks工具来帮助实现整体比赛目标。评判团队的依据是他们如何使用工具在模拟中执行以下任务:

模拟航路点跟踪
模拟交通信号和标志的交互作用
模拟避碰
用模拟测试生成的代码

多伦多大学

            的aUToronto在AutoDrive II Y1 MathWorks模拟挑战赛中获得第一名

系统需求和指标

            团队开始定义他们的高级功能系统需求和基线场景来测试它们。

系统应生成并跟踪指向给定目标位置的路点
系统应遵守交通信号灯规则
系统应避开道路上的障碍物

            这些需求被分解为计划和控制需求。其中包括:

规划者应将所有包含障碍物的单元标记为已占用，并避开它们
规划者应在任何停车标志和停车灯处指定零速度
控制器应生成一个速度剖面和命令车辆转矩来实现它

            一旦编写了系统需求和测试，团队必须定义跨场景评估性能的度量标准。表1总结了其中一些指标。这些指标被映射到路径点跟踪、灯光和标志交互以及障碍物躲避这三个任务中。为了量化乘客的舒适度，加速和颠簸指标也被考虑在内。

            表1
            :系统指标(
            ©
            aUToronto)
           

软件架构

            该团队的软件架构有两个关键特征:

模块化——模型和功能分别开发，并使用Simulink链接子系统/参考子系统进行连接。金宝app将屏蔽库块或子系统块从库添加到Simulink模型时，将创建该库块的引用实例。金宝app这样的库块引用实例包含到父库块的链接或路径。当库块更新时，链接或路径允许被链接的块更新。
基于模型的设计工作流——该工作流以包含需求、设计、实现、然后集成和测试的V图(图1)开始。系统级和子系统级的设计、实现和单元测试成功地实现了基于模型的设计工作流．

            图1
            :基于模型的设计工作流V图
           

            该团队的系统分为模拟器、计划和控制模块。图2显示了三个模块连接的Simulink块。金宝app

            图2
            : Simulink中的高级代码体系结构(金宝app
            ©
            aUToronto)
           

            仿真器模块模拟车辆动力学和场景生成，输出车辆状态和道路参与者。规划模块计算全局最优路径和局部最优路径点，输出参考路径点。控制模块对这些路径点进行预处理并执行反馈控制，并输出执行器命令

规划模块

            该团队评估了5种不同的规划算法，包括解决方案优化性、动态可行性、处理时间和避免碰撞的加权标准。为了选择全局路径规划器和局部路径点规划器，构造了一个Pugh矩阵(图3)。A*算法在路径最优性方面得分最高，因此被选为全局规划器。Hybrid A*算法在路径平滑度方面得分最高，因此被选为局部规划器。

            图3
            :规划者普格矩阵(
            ©
            aUToronto)
           

控制模块

            该团队通过干扰抑制、跟踪误差、约束强制和计算时间的加权标准评估了6种算法。为了选择横向和纵向控制器，创建了Pugh矩阵。这两种方法都选择了模型预测控制器。首先将坐标系变换为局部惯性坐标系和车体固定坐标系，然后对规划路径进行路点重采样插值。进行速度调度，为所规划的路径创建平滑的速度剖面。MPC的输出通过PI控制器来拒绝模型错配误差。最后进行前馈作动器映射。这些过程如图4所示。

            图4
            :控制设计(
            ©
            aUToronto)
           

仿真结果

            该团队在三种场景下测试了他们的系统——航路点跟踪、障碍物躲避以及信号和标志交互。所有仿真结果均在Simulink中借助ROS2桥接器获得。金宝app生成了所有性能图(图5)，并获得了仿真见解。

            航路点跟踪-速度和横向位置误差满足要求。然而，为了满足团队驱动质量度量，必须权衡状态错误性能。

            避障-与障碍物的最小距离超过要求。然而，为了降低计算成本，必须权衡视界长度。

            信号和标志-车辆能够超过最大停车距离要求。然而，规划和控制范围必须增加，以满足制动距离的要求。

            图5
            :模拟性能图(
            ©
            aUToronto)
           

挑战与解决方案金宝搏官方网站

            这个团队一路上遇到了一些挑战。其中一个挑战是计划控制同步问题。造成这种情况的主要原因是ROS2异步通信问题、算法延迟和路径点之间的距离。该团队通过构建一个路径点重采样器来解决这个问题，该采样器可以根据需要插入/扩展路径，并保证控制的可行性。另一个挑战是规划器的路径可行性，同时降低涉及角落的场景的计算速度。团队扩展了他们的错误处理和超时功能来处理这个问题。

俄亥俄州立大学(Buckeye AutoDrive)

            的七叶树AutoDrive团队在AutoDrive II Y1模拟挑战赛中获得第三名。

系统架构

            该团队开发了Simulink模型，用于金宝app执行控制、路径规划、感知和决策任务。路径规划器将速度反馈作为控制器的输入，并输出路径信息。控制器从决策逻辑和感知块中获取信息，并将扭矩、制动和转向命令输出到车辆动力学块，然后将自我车辆信息发送到场景地面真相块。

            图6
            :整体系统(
            ©
            七叶树AutoDrive)
           

使用控制器跟踪路径点

            该团队使用的航路点跟踪任务斯坦利和ACC控制器用于纵向控制，Stanley和Pure pursuit用于横向控制(图7)。

            图7
            :航路点跟踪控制器(
            ©
            七叶树AutoDrive)
           

            纵向斯坦利控制器接收参考车速和当前车速，输出纵向加减速指令。然后将这些输出转换为扭矩和制动命令，发送到车辆动力学模块。

            横向斯坦利和纯粹追求控制器输出转向指令，这些指令被馈送到车辆动力学块作为方向盘角度。偏航速率反馈增益、转向角反馈增益、位置增益、前瞻距离和车辆设定速度等参数由团队调整和设置。图8比较了所选控制器的横向航向角图。

            图8
            :航向角图比较(©Buckeye AutoDrive)
           

信号和符号的相互作用

            该团队融合了雷达和相机传感器数据使用多对象跟踪器块．决策Simulink模型包含状态流逻辑，金宝app可在必要时为避免碰撞和紧急状态进行干预做出决策。避免碰撞的逻辑如下:如果用X m检测到一个对象，模型切换到ACC。如果检测到技术故障，车辆进入紧急状态，如果在x米内检测到物体，则直接访问制动器。图9显示了多个场景的导航逻辑。状态是根据场景id选择的。

            图9
            : Navigation Logic(©Buckeye AutoDrive)
           

避碰

            自适应巡航控制系统(ACC)在探测到距离自我飞行器25米内的物体时启动。设置预设间距、预测视界、加速范围、采样时间、最大速度等ACC参数。根据检测到的场景修改时间间隔。图10显示了ACC系统。

            图10
            : ACC System(©Buckeye AutoDrive)
           

            图11显示了当时间差为1时，前车速度、自车速度、相对距离和安全距离结果。自我飞行器从未超过设定的速度。

            图11
            :防撞结果(©Buckeye AutoDrive)
           

自动代码生成和SIL测试

            团队使用Embedded Coder生成代码。关于嵌入式编码器的更多信息可以找到在这里．的金宝app仿真软件覆盖应用程序被用来可视化模型覆盖状态、链接需求，并创建测试用例。这学生休息室博客展示如何编写需求并将需求链接到块，以及使用测试用例验证和验证这些需求。评估了总体平均和最大CPU利用率、平均和最大执行时间等指标。系统通过了所有团队设置的执行时间和代码覆盖率指标。

            该团队还为他们的系统执行了模型在环(MIL)和软件在环(SIL)。使用SIL/PIL Manager App对MIL和SIL结果进行比较银/公益诉讼经理是一个为验证生成的代码提供简化工作流的应用程序。模型首先在正常模式下进行模拟，然后在SIL模式下进行模拟。两种方法的结果进行了比较。它们几乎一模一样。图12显示了Simulink Data Inspector中的这些金宝app结果。

            图12
            : MIL和SIL比较结果(©Buckeye AutoDrive)
           

挑战与解决方案金宝搏官方网站

            团队在开发过程中遇到了一些挑战，主要是在代码生成方面。他们注意到不同子系统之间的采样时间不匹配，为了获得统一的采样率，使用过渡块解决了这个问题。该团队还将开关块替换为饱和块，以解决速度和方向输入与控制器块的不匹配问题。较低的速度值导致模拟速度变慢。为了解决这个问题，研究小组将速度限制降低到0.001米/秒。

结论

            总之，AutoDrive II Y1 MathWorks模拟挑战赛的获奖团队使用MATLAB和Simulink来设计、测试和验证他们的规划和控制系统。金宝app多伦多大学的团队对他们的系统级需求进行了自动化测试，并使用Pugh矩阵来评估多个规划器和控制器。俄亥俄州立大学的团队使用statflow切换导航的操作模式，并比较了SIL和MIL的系统性能。