详解自动驾驶仿真框架OpenCDA: An Open Cooperative Driving Automation Framework Integrated with Co-Simulation

在这里插入图片描述
本文介绍一款同时支持协同驾驶开发与测试、自动驾驶全栈开发和 CARLA-SUMO联合仿真的开源框架 OpenCDA，论文已收录于 ITSC 2021。主要feature有：

支持CARLA-SUMO联合仿真，CARLA端主管环境渲染、传感器模拟、车辆动力，Sumo端主管交通仿真。
同时支持协同驾驶/单车智能的开发。内置简单易用的V2X模拟，可以灵活模拟各种噪声与信号延迟。
OpenCDA自带默认的感知、定位、规划、控制、协同变道与车队行驶的算法，可以说搞懂了OpenCDA就等于搞懂了如何在CARLA里做完整的自动驾驶全栈开发。
自带10+个测试场景，可快速测试你各个模块算法的鲁棒性。在特定地图下自定义场景快捷简单，只需给定一个yaml文件+10行代码即可搞定！
框架高度模块化，可以轻易将任一模块里的算法切换为用户的算法，而不会影响其他的模块运行。
提供默认的评价指标，每次仿真运行后自动评价各模块表现与整车表现。
安装简便，文档记录详细，有完整的开发者手册。

论文链接为：https://arxiv.org/pdf/2107.06260.pdf

项目链接为：https://github.com/ucla-mobility/OpenCDA

文档链接为：https://opencda-documentation.readthedocs.io/en/latest/

文章目录

- - 1. Overview of OpenCDA
  - 2. Experiment Setups and Evaluation Measurement
  - - 2.1 Platooning Protocol Design
    - 2.2 Platooning Scenario Testing Design
    - 2.3 Evaluation Measurements
  - 3. Result Analysis
  - - 3.1 Single Lane Platooning
    - 3.2 Cooperative Merge and Joint Platoon

1. Overview of OpenCDA

下面对 OpenCDA 进行介绍，如下图所示，OpenCDA由三部分组成：simulation tools、cooperative driving automation system、scenario manager。

仿真工具中，环境仿真使用CARLA仿真，交通仿真使用SUMO仿真，此外还使用了其它仿真工具，例如无线通信仿真工具ns-3等。
协同驾驶系统中，传感器模块收集原始的传感器信息，信息传送到感知层，然后传递到规划层，最后通过执行层发送执行命令，CARLA 执行器执行命令。
场景管理中，包含场景配置文件，场景初始化，特定事件触发器，评估功能。场景中包含静态元素和动态元素，静态元素由CARLA确定，动态元素由配置文件确定。当任务结束时，会对整个驾驶过程进行评估，包括交通层面评估以及单车层面评估。

Software Class Design and Logic Flow

为了更好地说明OpenCDA是如何工作的，这里以一个应用例子 vehicle platooning 来说明，首先介绍类组件，如下图所示。

使用分层类管理器来控制仿真，最基础的类为 VehicleManager，包含着全栈协同驾驶算法。类成员 PerceptionManager 和 LocalizationManager 对自车进行感知和定位。BehaviorAgent 规划驾驶行为，同时其 LocalPlanner 通过三次样条插值方法产生轨迹：
$yt=α0+α1xt+α2xt2+α3xt3(1)y_t = \alpha_0+\alpha_1x_t+\alpha_2x_t^2+\alpha_3x_t^3 \tag{1}$
$vtarget≥vtmax⁡(vtarget−vtΔt,a2),otherwise(2)a_t =\begin {cases} \min(\frac{v_{target}-v_t}{\Delta t},a^1), &\text {if $v_{target} \geq v_t$} \\ \max(\frac{v_{target}-v_t}{\Delta t},a^2), &\text {otherwise} \end{cases} \tag{2}$
$xt=vt−1Δt+at−1Δt22(3)x_t = v_{t-1}\Delta t + \frac{a_{t-1}\Delta t^2}{2} \tag{3}$
$vt=vt−1+at−1Δt(4)v_t = v_{t-1} + a_{t-1}\Delta t \tag{4}$

其中， $x_t,y_t$ 是汽车在 $t$ 时刻的位置， $α0,α1,α2,α3\alpha_0,\alpha_1,\alpha_2,\alpha_3$ 是三次多项式系数， $a_t$ 是加速度，其中 $a^1,a^2$ 是与舒适性相关的加速度和减速度。 $Δt\Delta t$ 是时间精度， $v_{target},v_t$ 是最终想要的目标速度和 $t$ 时刻的速度。

产生后的轨迹会传送到 ControlManager 产生转向，制动，加速等控制命令。V2XManager 会发送或接收由其余CAVs生成的数据包，用于协同驾驶应用。
在这里插入图片描述
仿真工作时的逻辑流如下图所示。场景测试时：

通过yaml文件配置CARLA server、交通情况和每一个汽车参数（传感器参数、检测模型、目标速度等）。
接下来，每辆汽车通过V2XManager信息共享，如果激活了协同应用，CoopPerceptionManager和CoopLocalizationManager会使用所有的信息进行目标检测和定位；反之，汽车会选择默认的PerceptionManager和LocalizationManager。
信息传送到下流模块，进行规划。同样地，协同应用激活的话会选择协同策略做出决策；反之BehaviorAgent和TrajectoryPlanner会规划行为并生成平顺的轨迹。
最终，ControlManager输出控制命令，CARLA server将这些命令应用在对应汽车上，更新信息，进行下一步仿真。
仿真终止时，内置评估工具箱对驾驶性能进行评估，包括感知、定位、规划、控制、安全性等。

2. Experiment Setups and Evaluation Measurement

为了验证OpenCDA的实际效果如何，作者以汽车编队（vehicle platooning）为例来说明，整个仿真测试时间步长为 $0.05 s$ 。

2.1 Platooning Protocol Design

首先是编队协议设计，在编队应用中，所有车辆由PlatoonManager来管理，协议如下图所示。整体上，整个驾驶任务可以分成许多子任务，编队成员根据编队状态的不同也有着不同的驾驶模式。

编队应用被激活后，编队中的领航车（leading vehicle）会通过V2XManager听取外部车辆的入队请求。如果没有收到请求，整个队列会保持稳定行驶而领航车会保持领航模式。与此同时，如果协同感知应用被激活，编队每一个成员会共享彼此间的感知数据（如图像，3D点云），并且会通过PerceptionManager进行感知处理，领航车会得到更好的感知结果。

没有车辆申请入队的话，所有跟随车（following vehicle）会平缓的调整车速使队列的相邻汽车保持一个恒定时间间隔，为了完成这个任务，编队成员会通过V2XManager得到前车的轨迹，方法如下：
$posjt=posj−1t−Lj−1+posjt−Δt×gap/Δt1+gap/Δt(5)pos^t_j = \frac{pos^t_{j-1}-L_{j-1}+pos^{t-\Delta t}_j\times gap/ \Delta t}{1+gap/ \Delta t} \tag{5}$

$vjt=∣∣posjt−posjt−Δt∣∣Δt(6)v^t_j = \frac{||pos^t_{j}-pos^{t-\Delta t}_{j}||}{ \Delta t} \tag{6}$

其中 $posjt,posj−1tpos^t_j,pos^t_{j-1}$ 是 $t$ 时刻车辆编号为 $j$ 的位置和其前车位置。 $L_{j-1}$ 是前车长度， $Δt\Delta t$ 是时间精度， $g a p$ 是想要的时间间隔。 $vjtv^t_j$ 是 $t$ 时刻汽车速度。

如果队列收到了一个入队请求，领航车会根据申请车的位置，规划路径来判断是否可以进行入队操作。如果入队申请被拒的话，车辆会继续寻找并保持单车驾驶模式；否则PlatooningManager会选择最合适的入队位置，如果需要的话，队列成员会调整自身速度，入队车辆会移动到入队位置完成入队操作。
在这里插入图片描述

2.2 Platooning Scenario Testing Design

下图是编队联合仿真测试场景片段，整个测试都使用了感知和定位算法，感知算法为yolov5，定位算法为GNSS/IMU融合算法。

在这里插入图片描述

如下图所示，这里有两个测试场景：

单车道编队，5辆汽车在同一车道行驶，为了测试队列稳定性，当领航车突然改变车速时，观察跟随车会不会继续保持想要的时间间隔。
协同编队，当其余车道上车辆申请入队时，领航车决定最佳的入队位置，这里使用了两种算法来选择最佳入队位置：一种是heuristic-based，另一种是Genetic Fuzzy System。

Single lane platooning	Cooperative Merge and join the platoon	Real-world human-driven vehicle speed profile

2.3 Evaluation Measurements

这里是一些评价指标：

安全性，自动驾驶中最重要的评价指标，使用了碰撞时间(TTC)，平均碰撞时间(attc)，危险频率（碰撞时间小于警告时间），平均碰撞时间计算方法为：
$\frac{{\sum^{N}_{t=1}}\frac{x^t_i-x^t_{i-1}-l}{v^t_i-v^t_{i-1}}}{N} \tag{7}$
其中， $xitx^t_i$ 是 $t$ 时刻车辆位置， $xi−1tx^t_{i-1}$ 是前车位置， $l$ 是车辆长度， $N$ 是 $vit<vi−1tv^t_i<v^t_{i-1}$ 的仿真时间步数。
稳定性，使用时间间隔和加速度来表示；
效率，使用完成入队时间和加速度标准差来表示。