Robust Hierarchical Motion Planning and Control for Automated Bus

Abstract

본 논문은 자율주행 버스의 버스전용차로 자율주행을 위한 강건한 계층적 거동 계획 및 제어 알고리즘을 제안한다. 제안한 거동 계획 및 제어 알고리즘은 도심 버스전용차로의 주행 환경과 대형 버스 차량의 특성을 고려하여, 자율주행 인지 범위 제한 조건에서 승차감과 안전성을 향상하고, 측위 로직의 불확실성을 극복하며, 환경 외란과 차량 모델의 불확실성에 대한 강건성을 확보하는 것을 목표로 하였다. 자율주행 버스의 인지 범위 제약에도 승차감과 안전성을 확보하기 위해 종 방향 거동 계획(Longitudinal Motion Planning) 알고리즘이 개발되었다. 제안한 알고리즘은 계층적 구조로서 장시간 구간(Long Time-horizon)의 거동 계획과 단시간 구간(Short Time-horizon)의 거동 계획으로 구성하였다. 장시간 구간의 거동 계획은 인지 범위 제한 조건에서 참조 거동(Reference Motion)을 최적화하기 위해 설계되었으며, 단순한 운동학 모델과 동적 계획 기법(Dynamic Programming)을 사용하였다. 단시간 구간의 거동 계획은 운전자의 주행 특성을 반영하여 승차감과 안전성을 향상하기 위해 개발하였다. 이 거동 계획의 최적화 문제는 차량 동역학 모델과 모델 예측 제어기(Model Predictive Control)를 사용하였다. 모델 예측 제어기는 장시간 구간의 계획에서 결정된 참조 거동의 추종, 제어 입력 및 변화량, 이동 거리와 속도 제한을 위배하는 것에 대한 페널티로 구성하였다. 이 최적화 함수의 가중치는 위험 지수를 기반으로 한 퍼지 추론 시스템(Fuzzy Inference System)으로 결정하였다. 제안한 알고리즘은 안전성을 향상하기 위하여 측위 및 인지 모듈의 추정 오차를 반영한 자 차량의 이동 위치에 대한 기회 제약 조건을 추가로 고려하였다. 그 결과 제안한 종 방향 거동 계획 알고리즘은 인지 범위 제한에도 승차감과 안전성을 확보할 수 있었다. 또한, 최근 연구 동향과 연계하여 제안한 알고리즘을 심층 강화 학습을 기반으로 동일한 목적으로 개발한 알고리즘과 비교하였다. 심층 강화 학습 기반의 종 방향 거동 계획 알고리즘은 계층적 구조로 개발하였으며, 그 성능을 동적 계획 기법을 이용한 알고리즘과 비교하였다. 대표적인 테스트 조건에서 시뮬레이션을 수행하여, 시뮬레이션 결과와 연산 시간을 포함한 장/단점을 비교 분석하였다. 도심 버스전용차로의 GPS 음영에 따른 측위 로직의 불확실성을 고려한 거동 계획 알고리즘이 제안되었다. 본 문제는 종 방향 거동 계획 및 횡 방향 거동 계획 알고리즘에서 고려되었다. 측위 로직의 불확실성은 주행 도로를 기준으로 헤딩(heading) 오차, 횡 방향 위치 오차, 종 방향 위치 오차로 구분하였다. 종 방향 위치 오차는 종 방향 거동 계획 알고리즘에서 이동 거리에 대한 기회 제약 조건으로 고려하였다. 횡 방향 거동 계획 알고리즘은 헤딩 오차와 횡 방향 위치 오차를 고려하였다. 헤딩 오차가 경로를 추종하는 성능에 미치는 영향을 저감하기 위한 이동 수평 추정(Moving Horizon Estimation)을 이용한 외란 추정기를 개발하였다. 횡 방향 위치 오차는 주행 가능 영역 내에서 목표 경로가 장애물과의 충돌을 회피하도록 해당 경로를 갱신함으로써 고려하였다. 편차 제거(Offset-free) 모델 예측 제어기는 주행 가능 영역으로부터 결정된 목표 경로와 추정된 상태를 이용해 목표 요 속도를 결정한다. 그 결과, 측위 로직의 불확실성이 경로 추종 성능에 미치는 영향을 저감하고, 실제 도로에서 안정적으로 주행할 수 있는 목표 거동을 계산할 수 있었다. 종 방향 및 횡 방향 거동 제어 알고리즘들은 피드백 정보가 제한된 상황에서도 환경 외란과 차량 모델의 불확실성에 대한 강건성을 확보하기 위해 설계되었다. 종 방향 거동 제어 알고리즘으로는 다양한 외란에서 강건함을 확보하기 위하여, 모델 추종 기반의 적응형 슬라이딩 모드 제어(Adaptive Sliding Mode Control) 기법에 방사형 기저 함수 신경회로망(Radial Basis Function Neural Network)으로 유계 불확실성의 경계를 추정하는 방법을 적용하였다. 횡 방향 제어 알고리즘으로는 조향각 입력에 대한 요 속도의 응답 지연 현상을 저감하기 위한 슬라이딩 모드 제어 기법이 제안되었다. 제안한 알고리즘들은 컴퓨터 시뮬레이션을 통해 타당성을 평가하였으며, 테스트 트랙과 버스전용차로에서 테스트 차량으로 주행 테스트를 수행하여 그 적용성을 확인하였다. 그 결과, 제안한 알고리즘으로 실제 버스전용차로에서 대형 버스 차량의 자율주행이 가능함을 확인할 수 있었다.

This dissertation presents novel, robust hierarchical motion planning and motion control algorithm for an automated bus in urban bus-only lanes. The proposed motion planning and control algorithm aims to achieve three goals: (1) enhance ride comfort and safety considering a limited field of view (FOV) and detection range, (2) cope with localization uncertainty, and (3) secure robustness against environmental disturbances and model uncertainties. Although the FOV and detection range of an automated bus are limited due to on-board sensors performance and complex road structures, ride comfort and safety for the automated bus should be secured in terms of public transport requirements. Ensuring ride comfort and safety with limited FOV and detection range was accomplished using the proposed longitudinal motion control algorithm. The algorithm was constructed as a hierarchical framework with two components: (1) long time-horizon longitudinal motion planning and (2) short time-horizon longitudinal motion planning. The long time-horizon planning was designed for optimizing the reference motion with limited FOV and detection range. The optimization problem was formulated using simple kinematics and dynamic programming (DP) to cover the limited FOV and detection range. The short time-horizon motion planning was constructed for ride comfort and safety by replicating human driving patterns. The risk index-based weights were decided from the fuzzy inference system considering newly suggested rules and parameters, which were inferred from the analysis of human driving data in urban bus-only lanes. The optimization problem was formulated using vehicle dynamics and chance-constrained, Fuzzy-tuned model predictive control (MPC). The MPC was designed to minimize control effort and jerk while driving an automated bus and avoiding collisions within the speed limits. For improving safety, the uncertainties from localization and perception modules were additionally considered by designing the chance constraint for travel distance. Consequently, the longitudinal motion planning algorithm could secure ride comfort and safety with limited FOV and detection range. In addition, it was necessary to investigate the suggested approach in comparison to a deep reinforcement learning (DRL)-based algorithm in terms of the recent research trends related to this topic. After the DRL-based longitudinal motion planning algorithm was hierarchically constructed, the performance was compared to that of the algorithm using DP. Since the comparison attempted to review the suggested approach using DP, simulations under representative test conditions were planned to investigate advantages and disadvantages in terms of characteristics of the solution and computational cost. Urban driving environments include underpasses and overpasses to separate bus-only lanes from roadways and high buildings along the lanes. They cause shading in the global positioning system (GPS) satellite signals for the automated bus. The effect of a GPS-denied environment on the lateral clearance in a lane is critical when a bus is driving along a narrow road. To prevent the potential dangers in such a GPS-denied environment, it was necessary to suggest an approach that should cope with the localization uncertainty. The localization uncertainty was treated in both the longitudinal and lateral motion planning algorithms since the uncertainty could cause heading, lateral position, and longitudinal position errors with respect to the reference path. In detail, the longitudinal position error was considered as the chance constraint in the longitudinal motion planning algorithm. The effect of the heading error was addressed by implementing the disturbance estimation. The lateral position error was compensated for by updating the reference path based on the safe drivable corridor to avoid collisions with static obstacles. Offset-free MPC was used to determine the desired yaw rate considering the desired path from the drivable corridor. After the bias in heading error was estimated by implementing the disturbance estimation using a moving horizon estimation (MHE), the corrected heading error was used as the current state of the offset-free MPC, and the desired yaw rate was feasibly acquired. As a result, the localization uncertainty could be coped with in the longitudinal and lateral motion planning algorithms. Motion control is affected by environmental disturbances (due to changes in road slope at an underpass and overpass) and model uncertainties (due to changes in mass caused by onboarding and stopover of passengers). What is worse, feedback information is limited since the number of sensors equipped in a full-sized bus is fewer than that in a private car. The model-reference adaptive sliding mode control (ASMC) scheme with radial basis function neural network (RBFNN)-based uncertainty bound estimator was implemented for the longitudinal motion control. The sliding mode control (SMC) scheme was applied to the lateral motion control. Consequently, robustness against environmental disturbances and model uncertainties with limited feedback information could be achieved using both the proposed longitudinal and lateral motion control algorithms. After the feasibility of the suggested approaches was evaluated based on computer simulations, the applicability was confirmed from actual vehicle tests on the test track and bus rapid transit (BRT) course. Finally, the proposed algorithms were confirmed as applicable for fully autonomous driving of the full-sized bus in urban bus-only lanes.