第29屆IEEE國際智能車大會（IEEE IV 2018）于6月30日在江蘇常熟順利落幕，本屆大會 Best Paper Awards 最佳論文獎分別頒給了來自德國寶馬集團(tuán)，德國法蘭克福歌德大學(xué)以及日本金澤大學(xué)的三篇優(yōu)秀論文。這三篇論文到底有何創(chuàng)新點(diǎn)，能從600余篇論文中脫穎而出？本文簡述了IV2108 最佳論文獎三篇論文。

本屆IV大會共收到了來自34個國家的603篇論文，其中確認(rèn)接收的論文346篇，在所有接收的論文里，Automated Vehicles， Vision Sensing and Perception， and Autonomous ／ Intelligent Robotic Vehicles 成為本屆論文最熱的關(guān)鍵詞。

IV會議共設(shè)有“Best Paper Awards”、 “Best Student Paper Awards” 、 “ Best Workshop ／ Special Session Paper Awards ” 、 “Best Poster  Paper  Awards ” 和 “Best Application Paper Awards”五大獎項。本文主要介紹獲得 Best Paper Awards（最佳論文獎）的三篇論文，論文作者分別來自德國寶馬集團(tuán)，德國法蘭克福歌德大學(xué)以及日本金澤大學(xué)。

First Prize：

本屆IV會議最佳論文獎一等獎頒給了來自德國慕尼黑寶馬集團(tuán)的論文Courtesy Behavior for Highly Automated Vehicles on Highway Interchanges（高階自動駕駛在高速公路交匯處的“禮貌行為”）。作者 Cristina Men endez－Romero， Mustafa Sezer， Franz Winkler 都是來自德國慕尼黑寶馬集團(tuán)，這不是他們第一次在IV上投稿，去年他們的 Maneuver planning for highly automated vehicles（高階自動駕駛汽車的運(yùn)動規(guī)劃）論文也被IV 2017收錄。從這兩篇論文可以看出該團(tuán)隊近期主要在做無人駕駛汽車的運(yùn)動控制的。

在高速公路上，人類駕駛員通常會不停做出適應(yīng)駕駛環(huán)境的決策行為。例如在一些靠近高速公路坡道入口處，他們會很自然地調(diào)整他們自己的行為以便進(jìn)入車道的合并。

在高階自動駕駛汽車上，系統(tǒng)也應(yīng)該能做出這個決策。在這種情況下，無人車不僅要優(yōu)化自己所要達(dá)到的安全、舒適的目標(biāo)，還要優(yōu)化周圍車輛讓其較為舒適的交匯。通過設(shè)計讓無人車具備足夠禮貌行為（Courtesy Behavior）可以提高公眾對自動駕駛系統(tǒng)的接受度以及改善周圍車輛的舒適度，而不會顯著降低自身的舒適度�；�于此目的，該團(tuán)隊提出了一種自適應(yīng)駕駛行為的新方法，整合了其他車輛的合并交匯的意圖。與其他系統(tǒng)相比，該方法通過考慮了最可能優(yōu)化方案，而且考慮了實(shí)時可能結(jié)果的預(yù)測值，實(shí)現(xiàn)了魯棒性。這種方法可以靈活地集成到不同的系統(tǒng)中。

方法與實(shí)驗(yàn)

這項工作的目的是為自動駕駛系統(tǒng)提供一種禮貌行為決策，它可以識別其他交通參與者的意圖，并評估調(diào)整自己的自我策略的成本。通過將意圖預(yù)測算法集成到?jīng)Q策中來實(shí)現(xiàn)這一點(diǎn)。因此，通過包含所有可能的結(jié)果，可以更好地預(yù)測場景演化，從而為系統(tǒng)提供避開錯誤預(yù)測的魯棒性。決策是基于所涉及參與者的預(yù)期效率的最大化。在語義上定義了自我和沖突車輛可能采取的行為集合，如表I和表II所示。所有可能的自我行動都聚集為無合作（NC）和合作（CO）。

因此，自我車輛的行動空間被定義為Aego：＝ ｛NC，CO｝。對于正常沖突，禮貌和強(qiáng)迫行動等行為被合并到無收益行動（NY）中，對應(yīng)于在自我車輛前面的合并，以及屈服行為（Y）。因此，沖突車輛的動作空間被定義為Acv：＝ ｛Y，NY｝。笛卡爾乘積A ＝ Aego×Acv定義聯(lián)合行動空間。目標(biāo)是為自我車輛選擇一個動作，以使組合的期望效用（U（a））最大化，即：

圖2顯示了系統(tǒng)的工作流程。首先，車輛通過不同的傳感器和后端接收關(guān)于環(huán)境的信息。此信息由環(huán)境模型處理。其他交通參與者的行為由預(yù)測模塊預(yù)測。然后，機(jī)動計劃模塊為當(dāng)前情況選擇最佳策略，并提供可行駛且無碰撞的軌跡。該軌跡跟蹤和車輛控制器控制Actors，關(guān)閉控制回路。

圖2：環(huán)境和車輛控制循環(huán)

該系統(tǒng)分別在仿真環(huán)境和真實(shí)測試，對不同速度不同外部交通行場景下做了對自我車輛的評估，發(fā)現(xiàn)采用禮貌行為增強(qiáng)駕駛策略可以提高車輛合并的舒適度，減少合并時間。此外，由于前瞻性規(guī)劃，自我車輛的安全指標(biāo)也得到了改善，在現(xiàn)實(shí)世界的路測中，也印證了遠(yuǎn)見規(guī)劃優(yōu)于快速重新規(guī)劃的優(yōu)點(diǎn)。對于危險情況，如合并車輛忽視自我車輛強(qiáng)行交匯，合作策略會選擇允許機(jī)動車以舒適的方式適應(yīng)自身，優(yōu)于無合作策略。

結(jié)論

寶馬團(tuán)隊提出了一種方法，為自動車輛提供禮貌行為。在高速交匯，車輛沖突情況下，評估不同可能場景的演變。不僅考慮了其他交通參與者最可能的行為，而且考慮了與他們合作的相反行為。這些方法表明，基于通用預(yù)測算法可以完成幾個決策策略。仿真結(jié)果表明，這種禮貌行為改善了現(xiàn)有決策策略的結(jié)果。該方法可以適應(yīng)計算要求，因此具有在線能力。同時，該系統(tǒng)也進(jìn)行了真實(shí)路測，來說明了實(shí)際應(yīng)用的可用性。未來重要的一步是在公共環(huán)境中密集測試該系統(tǒng)。

Second Prize：

IV 2018最佳論文獎二等獎同樣頒給了德國，第一作者Nolang Fanani博士來自德國法蘭克福歌德大學(xué)視覺傳感器與信息處理實(shí)驗(yàn)室，他也是IEEE IV會議的�？�，曾在2016年的IEEE IV會議上發(fā)表過一篇《使用基于傳播的跟蹤關(guān)鍵點(diǎn)軌跡估計》（Key pointt rajectory estimation using propagation based tracking），2017年發(fā)表過一篇《單眼視覺測距的多模態(tài)尺度估計》（Multimodal scale estimation for monocular visual odometry），而今年的大會他帶來的論文題目為CNN－based multi－frame IMO detection from amonocular camera。這篇文章介紹了一種用于從安裝在車輛上的單目攝像頭中檢測獨(dú)立移動物體（IMO）的方法。這種方法采用一個基于CNN的分類器，來生成IMO備選補(bǔ)丁，通過這些補(bǔ)丁中軌跡上的關(guān)鍵點(diǎn)來檢測幾何標(biāo)準(zhǔn)。通過多幀核線一致性檢查，分析IMO備選補(bǔ)丁內(nèi)的關(guān)鍵點(diǎn)。然后使用IMO備選補(bǔ)丁的運(yùn)動信息和基于外觀的信息獲得運(yùn)動標(biāo)簽（IMO ／靜態(tài)），他們在KITTI 數(shù)據(jù)集里評估了這一方法。

Third Prize：

三等獎的論文作者 Keisuke Yoneda， Naoya Hashimoto，Ryo Yanase，  Mohammad Aldibaja and Naoki Suganuma 都是來自日本金澤大學(xué)。他們的研究課題很有趣，使用76GHz全向毫米波雷達(dá)進(jìn)行冬季自動駕駛的車輛定位。

雨雪天等惡劣天氣對Lidar的挑戰(zhàn)性很大，在降雪的時候，路面被遮擋無法觀察地標(biāo)，有研究曾用重構(gòu)Lidar觀測信息的算法，來處理路面部分遮擋的問題，但它不適用于路面完全被覆蓋的情況，也有人提出過用三維點(diǎn)云圖，利用周圍建筑物特征定位方法，但是路邊的形狀會在降雪期間發(fā)生變化，因此對下雪天并不是一種有效的方法。然而MWR可用作傳感器，以在降雪期間穩(wěn)健地觀察周圍物體。

該獲獎?wù)撐慕榻B了基于76GHz MWR（毫米波雷達(dá)）在降雪環(huán)境的自動駕駛自定位方法。以前，有許多基于LIDAR（光檢測和測距）的定位技術(shù)被提出用于高測量精度和對晝夜變化的魯棒性，然而，由于降雪產(chǎn)生的傳感噪聲（即環(huán)境抵抗力），它們沒有為雪情提供有效的方法。因此，本文通過對誤差傳播的不確定性進(jìn)行建模，開發(fā)了基于MWR的地圖生成和實(shí)時定位方法。使用基于LIDAR的方法作為基線，對有雪和無雪條件的駕駛數(shù)據(jù)進(jìn)行定量評估。實(shí)驗(yàn)結(jié)果表明，無論是否存在降雪，均可獲得約0．25m的橫向均方根誤差。

MWR非常適合穿透環(huán)境。然而，由于與LIDAR相比角度方向的低分辨率，它具有稀疏觀察信息的缺點(diǎn)。當(dāng)車道邊界被雪遮擋時，不能利用車道級定位。因此，該研究提出了一種使用76GHz MWR觀測的自定位方法，測量雪況下的性能并與基于LIDAR的方法進(jìn)行比較。使用具有后處理的高精度RTK－GNSS（實(shí)時動態(tài)GNSS）執(zhí)行評估，提供厘米位置精度。本文的主要貢獻(xiàn)如下：通過基于MWR誤差傳播的不確定性建模來開發(fā)地圖生成和本地化；與基于LIDAR的方法作為基線相比，定量評估自身對降雪的定位。

試驗(yàn)車輛

圖3（a）為實(shí)驗(yàn)車輛及傳感器陣列；圖3（b）為傳感器角度

圖3（a）說明了實(shí)驗(yàn)載體。該車輛配備了Applanix POS ／ LV220耦合 GNSS 和IMU 系統(tǒng)。它提供100Hz的位置（即緯度，經(jīng)度和高度）和方向（俯仰，偏航，滾轉(zhuǎn)）。具有64個獨(dú)立橫梁的3D LIDAR Velodyne HDL－64E S2安裝在車輛上以測量環(huán)境。它在大約10Hz的頻率下測量3D全向距離。前后保險杠內(nèi)安裝了9個MWR，用于識別遠(yuǎn)處的物體，如圖3（b）所示。它可以測量物體在20Hz時的距離，角度和相對速度，水平視野是40度。每個MWR的觀測目標(biāo)數(shù)量為40。

地圖生成

A．方法

通過使用 RTK－GNSS 將 MWR 觀測與后處理映射來生成參考圖。與 LIDAR和79GHz MWR 相比，76GHzMWR 的測量角度傳感精度通常不精確。因此，有必要在映射過程中考慮測量精度。根據(jù)圖2的左側(cè)，使用以下處理生成參考圖。 1）對象跟蹤：估計靜態(tài)／動態(tài)對象。 2）靜態(tài)對象提�。簞h除動態(tài)對象。 3）映射：更新每個地圖像素中靜態(tài)對象的概率。

B．目標(biāo)追蹤

對象跟蹤使用MWR觀測來估計靜態(tài)／動態(tài)對象。采用交互式多模型（IMM）來整合多種類型的運(yùn)動來估計物體的位置，速度和加速度。恒定加速度，恒定速度和停止模型被定義為運(yùn)動模型。IMM可以跟蹤周圍的動態(tài)對象，例如車輛和自行車。因此，可以忽略動態(tài)對象以生成地圖。

C．定位

使用通過刪除那些動態(tài)對象獲得的靜態(tài)對象生成參考映射。全局坐標(biāo)中的觀察點(diǎn)被轉(zhuǎn)換為2D圖像坐標(biāo)并映射到相應(yīng)的像素。為了考慮MWR的低感測精度，基于觀測誤差傳播，使用協(xié)方差矩陣P來定義存在似然。圖4（a）表示映射過程的一個例子。通過產(chǎn)生的垂直于傳感器的照射方向的方差來計算存在似然。

圖4 無人車地圖生成

通過在似然分布的相應(yīng)區(qū)域中的積分來獲得每個像素的似然值。然后基于似然值更新存在概率。圖4（b）顯示了獲得的圖像映射。每個像素都具有關(guān)于緯度和長度的信息。通過與基于LIDAR的地圖進(jìn)行比較，如圖4（c）所示，所獲得的地圖包括人行道上的物體，例如電線桿和護(hù)欄。而題目中提到的自定位的方法，是利用航位推算來更新估計位置，結(jié)合似然函數(shù)，用觀察圖像和地圖圖像來匹配實(shí)際應(yīng)用地圖。

結(jié)論

該論文采用76GHz MWR提出了自定位方法。實(shí)驗(yàn)結(jié)果表明，無論是否存在降雪，都可以獲得約0．25m的橫向RMS誤差。雖然獲得的位置精度仍不足以進(jìn)行自動駕駛，但通過將其與基于LIDAR的方法一起使用，可以確保安全性。例如，在通過隧道后突然降雪的場景中，可以預(yù)期所提出的方法估計位置，直到車輛自動到達(dá)安全區(qū)域。將來，通過使用79GHz MWR獲取更高分辨率的數(shù)據(jù)，可以獲得穩(wěn)定性和定位精度的進(jìn)一步提高。