Vai al contenuto
ELECTRONICS ENGINEERINGelectronics-engineering.com
Automotive

ACC 4: selezione dell’obiettivo, percorso previsto e falsi positivi

Percorso da imbardata e linee di corsia fusi con la loro incertezza, probabilità di essere sul percorso dimostrata, falsi positivi in curva, oggetti fermi, macchina a stati, cut-in previsto.

https://www.electronics-engineering.com/acc-selezione-obiettivo-percorso-previsto-cut-in-falsi-positivi

Nessun voto ancora: sii il primo a votare questa pagina.

La fusione dà una lista di oggetti: auto nella nostra corsia, auto nelle corsie vicine, guard-rail, cartelli, a volte un’eco fantasma. La selezione dell’obiettivo sceglie quale seguire. Gli errori possibili sono due e pesano in modo diverso: un falso positivo (frenare per un’auto che è nella corsia accanto) è fastidioso e pericoloso, perché chi segue non se lo aspetta; un falso negativo (non vedere in tempo un’auto che entra nella nostra corsia) costringe a frenare forte all’ultimo. Il cuore del problema è prevedere dove andrà la nostra auto, anche quando le linee della strada si vedono male.

Dove andremo: il percorso previsto

Dalla velocità di imbardata

Un’auto che percorre una curva di raggio R a velocità v ruota con velocità angolare \dot\psi = v/R, quindi la curvatura è

    \[ \kappa = \frac{1}{R} = \frac{\dot\psi}{v}. \]

Il giroscopio misura \dot\psi sempre, con qualsiasi tempo. Se la curvatura resta quella di adesso, il percorso è un cerchio: il punto a distanza x davanti sta lateralmente a y = R - \sqrt{R^2 - x^2}. Per x \ll R, con lo sviluppo \sqrt{1-u} \approx 1 - u/2:

    \[ y = R\left(1 - \sqrt{1 - x^2/R^2}\right) \approx \frac{x^2}{2R} = \frac{\kappa x^2}{2}. \]

Ma la curvatura cambia. Le strade sono costruite con raccordi a curvatura che varia linearmente con la distanza (clotoidi), \kappa(s) = \kappa_0 + c\,s. L’angolo di direzione è \int\kappa\,ds = \kappa_0 s + c s^2/2 e, integrando ancora, lo spostamento laterale è

    \[ y(x) \approx \frac{\kappa_0 x^2}{2} + \frac{c\,x^3}{6}. \]

Il giroscopio vede \kappa_0 ma non c: all’ingresso di una curva la nostra auto va ancora dritta mentre la strada già gira, e l’errore cresce con x^3. Nel modello trattiamo c come incerto (deviazione standard \sigma_c = 4\cdot 10^{-6} m⁻², tipica dei raccordi autostradali) e il rumore del giroscopio come incertezza su \kappa_0: l’incertezza del percorso cresce rapidamente con la distanza.

Dalle linee di corsia

La camera dà il centro della corsia come polinomio y = c_0 + c_1 x + c_2 x^2 + c_3 x^3, con una qualità q \in [0,1] (contrasto, entrambe le linee visibili, tipo di linea) e una portata (fino a dove le linee si vedono). Le linee “vedono” la curva prima che ci entriamo, ma possono mancare: lavori in corso, neve, linee cancellate, incroci. Il loro errore cresce con la distanza e diventa enorme oltre la portata.

La fusione dei due percorsi

Ogni punto x ha due stime con le loro deviazioni standard, y_{\dot\psi}(x),\ \sigma_{\dot\psi}(x) e y_l(x),\ \sigma_l(x). Si combinano come due misure indipendenti (la stessa dimostrazione della lezione 3): pesi inversamente proporzionali alle varianze, 1/\sigma_p^2 = 1/\sigma_{\dot\psi}^2 + 1/\sigma_l^2. Con linee buone vince la camera; con linee scarse resta la velocità di imbardata, con un’incertezza che dice onestamente quanto poco sappiamo.

Percorso previsto all'ingresso di una curva
All’ingresso di una curva a sinistra (comincia 50 m davanti). La linea punteggiata è il vero centro della corsia, quella grigia il percorso dalla sola velocità di imbardata (ancora dritto). A sinistra, linee buone (q = 0.9, portata 110 m): il percorso fuso (blu, con la banda \pm\sigma_p) segue la curva, a 110 m 0.73 ± 0.33 m contro 0.74 veri. A destra, linee scarse (q = 0.15, 30 m): il percorso resta dritto ma la banda si allarga, ±2.7 m a 110 m. Il quadrato rosso è un’auto nella corsia di destra.

La probabilità di essere sul nostro percorso

Corridoio del percorso e scarto laterale
Il corridoio di metà larghezza w intorno al percorso previsto y_p(x) e un oggetto con scarto laterale \delta. La banda azzurra rappresenta l’incertezza \sigma_p(x), che cresce con la distanza.

Per un oggetto a distanza x e posizione laterale y, lo scarto dal percorso è \delta = y - y_p(x). Lo scarto vero è incerto: sommando l’incertezza dell’oggetto (dalla covarianza del tracciatore) e quella del percorso, \sigma^2 = \sigma_{y,obj}^2 + \sigma_p(x)^2. L’oggetto è sul nostro percorso se lo scarto vero sta nel corridoio |\delta_{vero}| \mathchar"313C  w; con lo scarto gaussiano di media \delta, la probabilità è l’integrale della gaussiana tra -w e w:

    \[ P_{in} = \Phi\!\left(\frac{w - \delta}{\sigma}\right) - \Phi\!\left(\frac{-w - \delta}{\sigma}\right), \]

con \Phi la funzione di ripartizione della normale standard. La metà larghezza w = 1.1 m è quella della nostra auto più un margine, non quella della corsia: ci interessa se l’altro veicolo occupa lo spazio che spazzeremo, non dove sono le linee.

Probabilità di essere sul percorso
P_{in} in funzione dello scarto \delta per diverse incertezze totali. Con \sigma = 0.15 m la curva è quasi un rettangolo: dentro o fuori. Con \sigma = 2 m non supera 0.4 nemmeno al centro: un oggetto lontano con percorso incerto non può diventare obiettivo. Le linee orizzontali sono le soglie di ingresso (0.6) e di uscita (0.35).

Questa è già una difesa contro i falsi positivi: dove non sappiamo dove andremo, nessun oggetto supera la soglia.

I falsi positivi e come evitarli

Il caso classico: arriviamo a una curva a sinistra; un’auto nella corsia di destra, 95 m davanti, è già nella curva. Rispetto alla nostra direzione attuale, dritta, il suo spostamento la porta proprio davanti a noi: un selettore che usa solo la velocità di imbardata con un’incertezza fissa la sceglie come obiettivo e frena.

Falso positivo all'ingresso di una curva
L’auto nella corsia di destra a 95 m mentre entriamo in curva. Sopra: lo scarto dal percorso previsto; il corridoio è la banda azzurra. Sotto: P_{in}. Con il selettore ingenuo (percorso dalla sola imbardata, incertezza fissa, grigio) la probabilità arriva a 0.84 e l’auto viene presa come obiettivo per 2.2 s (zona ombreggiata): frenata per niente. Con linee scarse ma incertezza onesta (arancione) arriva a 0.44: mai obiettivo. Con linee buone (verde) resta a 0.

Le difese, tutte nel codice:

  1. percorso con incertezza onesta: l’incertezza cresce con x^2 e x^3; con linee scarse un oggetto lontano non arriva alla soglia;
  2. niente nuovi obiettivi dove il percorso è troppo incerto: se \sigma_p \mathchar"313E  2 m alla distanza dell’oggetto, l’oggetto non può diventare candidato (un obiettivo già agganciato si tiene, con l’isteresi);
  3. tempo di conferma che cresce con l’incertezza: un candidato deve restare sopra soglia per \tau_c = 0.3 + 0.25\,\sigma_p secondi;
  4. isteresi: si entra con P_{in} \mathchar"313E  0.6, si esce con P_{in} \mathchar"313C  0.35: niente obiettivo che compare e scompare;
  5. oggetti fermi: per il radar sono tutti uguali (lezione 2). Un oggetto fermo è ammesso solo se è stato visto muoversi (un’auto che si è fermata in coda) oppure se la camera lo conferma da meno di 0.5 s ed è entro 80 m;
  6. solo tracce confermate: gli echi isolati non arrivano mai qui (logica M su N della lezione 3).

La macchina a stati della selezione

Macchina a stati della selezione dell'obiettivo
NONE: nessun obiettivo. CANDIDATE: un oggetto ammesso supera p_{in}; deve restarci per \tau_c(\sigma_p). LOCKED: è l’obiettivo che il pianificatore segue; se un oggetto più vicino diventa candidato confermato lo sostituisce (cut-in); se P_{in} scende sotto p_{out} viene rilasciato (cut-out). HOLD: la traccia dell’obiettivo si è persa per un momento; la sua previsione si tiene per \tau_h, poi NONE.
DaACondizione
NONECANDIDATEoggetto ammesso più vicino con P_{in} \mathchar"313E  0.6 e \sigma_p \mathchar"313C  2 m
CANDIDATENONEil candidato scende sotto 0.6 o sparisce
CANDIDATELOCKEDresta sopra soglia per \tau_c = 0.3 + 0.25\,\sigma_p s
LOCKEDLOCKED (nuovo)un oggetto più vicino è candidato per \tau_c: cut-in
LOCKEDNONEP_{in} \mathchar"313C  0.35 o oggetto non più ammesso: cut-out
LOCKEDHOLDla traccia dell’obiettivo manca (perdita di misure, occlusione)
HOLDLOCKEDla traccia ritorna
HOLDNONEsono passati 0.6 s

Lo stato HOLD sembra un dettaglio, ma senza di esso ogni volta che il radar perde l’obiettivo per qualche ciclo (succede, per esempio, sotto un ponte) l’ACC accelererebbe verso la velocità impostata per poi frenare di nuovo. Nella lezione 7 una perdita di 0.4 s di misure radar passa senza un solo ciclo senza obiettivo.

Il cut-in: prevedere chi entra

Un veicolo che entra nella nostra corsia
Un veicolo nella corsia accanto si sposta verso di noi con velocità laterale v_y. Il tempo all’attraversamento della linea, TLC, è lo scarto ancora da percorrere diviso per la velocità laterale.

Aspettare che l’auto sia già nel corridoio vuol dire reagire tardi. Se un oggetto fuori dal corridoio si muove verso di esso, calcoliamo anche dove sarà tra t_p = 1 s, \delta_p = \delta + v_y t_p, con un’incertezza aumentata dalla varianza della velocità laterale (\sigma_p^2 = \sigma^2 + t_p^2\sigma_{v_y}^2), e usiamo la probabilità più alta tra la attuale e quella prevista (quest’ultima moltiplicata per 0.9: una previsione vale un po’ meno di una misura).

Cut-in con e senza previsione
Simulazione con tutta la catena (sensori, fusione, selezione, pianificazione, coppia, veicolo): un’auto 12 km/h più lenta entra nella corsia 50 m davanti. Dall’alto: posizione laterale, P_{in}, accelerazione della nostra auto, stato della selezione. Con la previsione (viola) l’obiettivo è agganciato a 3.92 s, quando l’auto è ancora a 1.57 m dal centro; senza (grigio) a 4.78 s. Risultato: frenata massima 3.0 m/s² invece di 3.7, distanza minima 34.0 m invece di 31.5.

Il codice

Ecco la valutazione di un oggetto nella versione C (la Python è identica):

static bool ts_assess(TgtSel *s, const AccObject *o, const AccPath *path, float v_ego, float t, float *prob, float *sp)
{
    float yp, sig, delta, v_abs;
    bool stationary, ok;
    *prob = 0.0f; *sp = 0.0f;
    if (o->x <= 0.5f) return false;
    PathPred_At(path, o->x, &yp, sp);                 /* fused path and its sigma at the object */
    delta = o->y - yp;
    sig = sqrtf(o->var_y + *sp * *sp);
    *prob = InPathProbability(delta, sig, TS_HALF);
    if (fabsf(o->vy) > 0.2f && sgnf(o->vy) == -sgnf(delta) && fabsf(delta) > TS_HALF) {
        float d_pred = delta + o->vy * TS_T_PRED;      /* cut-in: where it will be */
        float s_pred = sqrtf(sig * sig + TS_T_PRED * TS_T_PRED * o->var_vy);
        *prob = maxf(*prob, 0.9f * InPathProbability(d_pred, s_pred, TS_HALF));
    }
    v_abs = v_ego + o->vx;
    stationary = fabsf(v_abs) < 1.0f && !was_moving(s, o->id, fabsf(v_abs) > 3.0f);
    ok = o->confirmed;
    if (stationary)       /* stationary: camera confirmation and close range */
        ok = ok && (t - o->t_cam < 0.5f) && o->x < TS_X_STAT;
    return ok;
}

Ora sappiamo quale veicolo seguire, la sua distanza d, la sua velocità v_t e la sua accelerazione a_t. Nella prossima lezione decidiamo come seguirlo: quanto accelerare o frenare, ciclo dopo ciclo.

Iscriviti
Notificami
guest
0 commenti
Vecchi
Più recenti Le più votate
0
Esprimete la vostra opinione commentando.x