模拟城市环境下自动驾驶汽车在多种情况下的实时运动规划

先进的自动驾驶汽车对汽车行业具有革命性的意义。虽然越来越多的公司已经开始制造自己的自动驾驶汽车，但还没有人将一款实用的自动驾驶汽车推向市场。他们的汽车的一个关键问题是缺乏针对城市环境的可靠的主动实时运动规划系统。实时运动规划系统，让汽车在城市环境下可以安全稳定地行驶。该项目的最终目标是设计和实施可靠的实时运动规划系统，以降低自动驾驶汽车而非人类驾驶员的事故率。实时运动规划系统包括车道保持、避障、移动车辆避让、自适应巡航控制和事故避让功能。在研究中，EGO 车辆将被建造并配备一个图像处理单元、一个激光雷达和两个超声波传感器来检测环境。这些环境数据使得在实时运动规划系统中实施完整的控制程序成为可能。该控制程序将在具有缩小的城市环境的缩小的 EGO 车辆中实施和测试。该项目分为三个阶段：建造EGO车辆，实施实时运动规划系统的控制程序，并通过在缩小的城市环境下进行测试来改进控制程序。在第一阶段，每辆 EGO 车辆将由一个 EGO 车辆底盘套件、一个树莓派、一个激光雷达、两个超声波传感器、一个电池和一个电源板构成。在第二阶段，实时运动规划系统的控制程序将在 Raspberry Pi 中的车道保持程序下实现。 Python 是将用于实现程序的程序语言。该控制程序将内置车道保持、避障、避障、自适应巡航等功能。在最后阶段，将完成测试和改进工作。将设计并完成可靠性测试。从测试中获取的数据越多，实时运动规划系统的稳定性就越高。最后构建了一套可靠的运动规划系统，用于

正常规模的EGO车辆在城市环境下显着降低事故率。

简介

市场上已经生产了很多 3 级自动驾驶汽车，通过让计算机接管驾驶任务，使驾驶员可以完全放手、放眼。然而，由于安全问题，消费者在驾驶 3 级自动驾驶汽车时使用这些功能的机会有限，因为 3 级汽车不能完全接管人类的驾驶工作。因此，大多数国家认为3级汽车并不完全安全可靠。尽管从技术上讲，3 级汽车可以实现自动驾驶，但计算机在处理紧急情况方面尚不成熟。需要更高级别（级别 4）的自动驾驶汽车来解放驾驶员的身体甚至心理。因此，打造4级自动驾驶汽车并将其推向市场是研究的重点。为了在日常生活中实现这一点，需要配备很多系统，其中之一就是实时运动规划系统。它将接收来自图像处理单元、激光雷达和超声波传感器的处理信号，以实现许多对 4 级汽车有用的功能。比如可靠的避障功能等。但是，问题是这些要搭载在汽车上的功能大多还是被动功能，只针对高速公路设计。总之，在这项研究中，需要为城市环境设计一个更智能、更可靠的实时运动规划系统。该研究将基于缩小的城市环境和缩小的 EGO 车辆来设计和测试实时运动规划系统中的算法。汽车控制逻辑和可靠的算法是设计智能可靠的城市环境实时运动规划系统的关键。在项目的第一阶段，硬件团队将使用购买的硬件构建 EGO 车辆。每辆 EGO 车辆都将配备一个车辆底盘套件、一个 Raspberry Pi、一个激光雷达、两个超声波传感器、一个电池和一个电源板。实时运动规划系统项目二期工程将在硬件准备完成后启动。控制团队将首先使用图像处理团队构建的代码来构建车道保持算法。建立车道保持算法后，将建立车辆的实时运动规划系统。在实时运动规划系统中，激光雷达将作为车辆的主要传感器。将找到一种合适的方法，这将使 LIDAR 能够用于检测障碍物并将可用信号发送回用于后续编程。实时运动规划系统项目将构建三个主要功能。第一个功能是避障，可以让 EGO 车辆在障碍物前强制停止。第二个功能是动车避让，可以让EGO车辆改变车道，避免车祸事故，回到原来的车道。最后一个功能是自适应巡航控制，它会让EGO车辆调整自己的速度，以保持与前车的安全距离。基于这三个功能，在实时运动规划系统中将形成一个基本的事故避免功能。在项目的最后阶段，建成的实时运动规划系统将

在按比例缩小的城市环境下在 EGO 车辆上实施和测试。将设计多个测试来测试实时运动规划系统的可靠性，并总结实时运动规划系统的未来改进。

硬件

图 1 中按比例缩小的 EGO 车辆用作该项目中的测试对象。这些机器人是基于带有直流电机的机器人底盘套件构建的。带有直流电机的机器人底盘套件为 EGO 车辆提供了一个可用的框架和一个驱动系统。基于其可扩展性，可以在机箱上添加其他组件，包括树莓派、电机电路、激光雷达、两个超声波传感器和电池组。本项目选择树莓派作为计算平台，是因为它是一个成熟的平台，可以在上面实现Python代码。电机电路用于通过控制逻辑的指令将适量的功率分配给直流电机并使机器人运动。 LIDAR 被用作这个实时运动规划系统的主要传感器，因为它们可以为这些按比例缩小的 EGO 车辆带来障碍物检测能力（超过 15 厘米），而障碍物检测能力是这种实时运动最重要的基础能力本项目中的运动规划系统。超声波传感器可以让 EGO 车辆能够检测到激光雷达无法检测到的 15 厘米范围内的较近物体。电池组用作这些 EGO 车辆的电源，它们可以为 Raspberry Pi、激光雷达和电机供电。详细硬件连接框图如下图2所示。

缩小版的 EGO 车辆底盘：

Adafruit (PID 3244) Mini 3-Layer Round Robot Chassis Kit – 2WD with DC Motors 如图 3 所示，用作该项目的底盘。机箱的可扩展性可以让组件可以添加到其上。此外，底盘套件包括两个电机和车轮，这意味着该套件中还包括一个动力系统。这种动力系统使得硬件团队可以轻松构建EGO车辆，而无需额外时间为机器人底盘寻找匹配的动力系统。

树莓派：

本项目有多种型号的树莓派可供使用，本项目选择了图4所示的树莓派3B+。选择Raspberry Pi 3B+的主要原因是，它有足够的计算能力来支持这个项目。此外，它内置了Wi-Fi，Wi-Fi传输效率比以前的型号更快。此外，Raspberry Pi 3B+ 只需要 5V/1.5A 电源输入，市场上有很多电池组可以满足这种电源需求。这也是没有选择树莓派 4 的相同原因。树莓派4需要9V/2A电源输入，而市面上有输出9V/2A的电池又贵又少。不仅如此，Raspberry Pi 4 的价格也比 Raspberry Pi 3B+ 更高，甚至这两种型号的计算能力也差不多。 Raspberry Pi 上的 GPIO 引脚将用作输入引脚以接收来自 LIDAR、两个超声波传感器的信号；此外，GPIO 引脚将作为输出引脚向电机驱动器发送信号。

电机驱动电路（电源板）：

该项目选择了如图 3 所示的 DRV8833 电机驱动器。电机驱动器可以为电机分配电源并接收来自树莓派的控制命令。本项目使用了四个输入引脚（AIN1,2；BIN1,2），四个输出引脚（AOUT1,2；BOUT1,2），一个接地引脚（GND），一个 SLP 引脚和一个 VM 引脚（图5）。输出引脚用于为这两个电机分配电源，并控制这两个电机，让 EGO 车辆可以移动。输入引脚用于从 Raspberry Pi 上的 GPIO 引脚接收控制信号，并让这两个电机根据操作员的需要旋转。 VM 引脚将从称为 VCC 的电池组“+”引脚接收电源。 SLP 引脚将与 VM 引脚相连，它是电机驱动器的使能引脚。将其连接到 VCC 以启用它或用于控制的 GPIO 高引脚。 GND 引脚将连接 Raspberry Pi 的电池组“-”引脚和接地引脚。图6以框图形式显示了电源板的详细连接。

PCB 板将成为电机驱动器制作电源板的平台。可以在这些 PCB 电路板上轻松插入和拔出电机驱动器。这避免了直接在 PCB 板上焊接电机驱动器。由于固定焊接在 PCB 板上的电机驱动器的进度比固定带有这些电路的 PCB 板更难，因此该程序可以让项目团队成员避免将电机驱动器直接焊接在 PCB 板上。 （图7和图8）

激光雷达：

本项目选择了图 9 中的激光雷达。激光雷达可以检测周围环境，生成距离和角度数据，在此基础上，EGO车辆将具备检测能力，并可以在实时运动规划系统中构建避障、行车避让、自适应控制等功能。激光雷达有1个micro-USB接口，可以直接连接树莓派，让树莓派从激光雷达读取数据。此外，LIDAR 将通过相同的 USB 端口从 Raspberry Pi 接收电源。

电池：

电池组的尺寸是该项目的关键问题。由于EGO车辆的电池放置空间有限，所以更倾向于选择超薄电池。电池组必须具有至少10000mAh的功率容量，以确保每个EGO车辆可以正常工作两个电机，两个Raspberry Pi，一个LIDAR。电池的尺寸也需要尽可能适合 EGO 车辆的尺寸。因此，本项目选择了图10所示的Anker Power Core 13000便携式充电器，因为它不仅适合EGO汽车的尺寸，而且具有13000mAh的功率容量。

超声波传感器：

图 11 中的超声波传感器用于检测近距离，因为 LIDAR 的最小检测距离为 15 cm，LIDAR 无法检测到任何比 15cm 更近的障碍物。超声波传感器甚至可以检测到 5cm 以下的近距离。因此，在 EGO 车辆的左侧和右侧安装了两个超声波传感器，以检测倒车车道上的汽车。 VCC 引脚连接到 Raspberry Pi VCC 引脚的引脚 2 或引脚 4，GND 连接到 Raspberry Pi 接地引脚

软件

在这个项目中，EGO 车辆需要无线控制。为此，Raspberry Pi 上的显示器和外壳需要无线连接到本地 PC/Mac。为此，需要使用无线shell命令和VNC连接软件[7]。此外，在这个项目中，Python 3 被选为编程语言，因为它成熟且易于使用。 python 上有大量的包可以用在这个项目中，例如，python 有 LIDAR 包 [6] 可以用来控制这个项目中使用的 LIDAR。 LIDAR 包只能在 Python 3 环境下实现。所有软件将运行在树莓派上的Raspbian操作系统中。

将 Raspberry Pi 中的 Shell 与本地 PC/MAC 连接：

EGO车辆需要无线控制，树莓派中的外壳需要连接本地PC/MAC外壳。要连接 shell，应输入以下命令：
首先，在 Pi shell 中输入命令 ‘sudo raspi-config’ 以启用 Pi 中的 ssh 服务器。接下来，在 Pi shell 中输入命令“ifconfig”，在此命令之后将找到 IP 地址“192.168.xxx.xxx”。在本地 PC/MAC shell 中，输入命令‘ssh [email protected]’以连接 Pi shell。树莓派的默认用户名是‘pi’，需要输入树莓派的默认密码是‘raspberry’。最后，树莓派外壳可以被本地PC/MAC外壳控制。

Python 版本：

在树莓派3B+版本板中，Python 2是默认的程序环境，但是LIDAR包只能在Python3环境下使用。以下命令将用于将 Python 3 设置为 shell 中的默认程序环境：

先输入‘sudo rm /usr/bin/python’，去掉系统默认的默认Python链接

关联。接下来，输入‘sudo

-s /usr/bin/python3.X

命令重新分配新的

需要使用 Python 版本的默认 python 链接。在这个命令中，'X' 表示 Python3

已经安装的版本。之后，输入‘Python’再次检查默认的Python版本。

激光雷达包：

需要安装 LIDAR 包才能让来自 LIDAR 的信号可编程。 Python3环境下，在shell窗口输入如下命令安装LIDAR包： 输入‘sudo pip3 install LIDAR’安装LIDAR包。

VNC 连接：

本项目选用VNC服务器和VNC连接程序，让本地PC/MAC能够无线监控树莓派。要启用VNC服务器并安装VNC连接，需要输入以下命令：
首先，输入‘sudo raspi-config’命令进入树莓派的设置菜单。接下来，输入‘vncserver’命令在树莓派中启用VNC服务器（重启树莓派后，此设置需要再次启用）。然后，在本地 PC/MAC 中下载并安装 VNC 连接。之后，在VNC连接的地址栏中输入之前找到的树莓派IP地址。输入在shell部分已经提到的树莓派的用户名和密码。最后，本地PC/MAC可以无线监控树莓派。

方法论

第一阶段：

EGO 车辆将由树莓派、电源板、激光雷达、两个超声波传感器和电池组组装而成。安装完成后，软件包括python、LIDAR包、VNC连接、shell连接会被安装并进行适当的设置。将找到将 LIDAR 从可读原始数据转换为下一阶段编程可用的检测数据的方法。 EGO车辆经过前三步准备就绪，准备进行编程和测试。

阶段 2：

将设计三个场景来测试避障功能、移动车避让功能和自适应巡航控制功能。以下三个场景设计三个功能的控制逻辑，并勾勒出三个控制逻辑的三个流程图。流程图生成后，还要对流程图进行多次修改，直到控制逻辑在逻辑上一丝不苟。然后，将通过流程图对独立的三个功能的程序和算法进行编程。 EGO车辆将在最后阶段准备测试三个功能。

阶段 3：

第一组可靠测试将在具有三个独立功能的三个设计场景下进行。这些测试会发现问题和未来的改进。接下来，根据这些发现的问题和未来的改进，对控制逻辑、三个功能的程序、算法和硬件进行改进；问题将得到解决。三个独立的功能将与车道保持程序相结合，作为该项目的一个全功能实时运动规划系统。第二组可靠的测试将在具有这种已经组合的功能的三个设计场景下进行。经过两组可靠的测试，本项目的实时运动规划系统最终版本将完成。

激光雷达

激光雷达可以读取四种数据，本项目只用到两种数据，角度和距离。角度测量单位为[0,360)，距离的测量大于15cm（其他小于15cm的距离，返回0值）。一直面临的问题是，激光雷达只能读取距离和角度数据，但是这些数据如何用于障碍物检测呢？解决方案是将LIDAR检测范围划分为4个部分，通过检测障碍物距离值来决定控制车辆的下一步运动。如图12所示，315度到45度为前段，135度到225度为后段。由于激光雷达只能探测15cm以上的物体，因此，目前仅使用这两个部分。对于左右段，超声波传感器可以处理这两个段的检测工作。

这是显示这两个检测部分如何在道路上工作的图形：

如图13所示，EGO车在右侧车道行驶，B车在倒车车道行驶。 EGO 车辆周围的绿色圆圈是前面提到的有效检测范围。探测范围将分为四段，探测距离大于15cm。经测试，该前向检测路段不会受到B车的影响，除非B车跨过两条车道之间的虚线。

问题表述

避障：

已经考虑了三种情况。第一个场景是测试避障功能，如图14所示。路中间有一个障碍物，EGO车辆正在靠近它，B车在EGO车辆旁边的另一条车道上倒车. EGO车辆无法改变车道以避免事故，因为它会撞到B车。A车唯一的选择是在面临的障碍物前完全停下来。

移动汽车避让（另一种避障场景）：

第二个场景是基于另一个避障场景设计的，在图15中命名为移动小车避障功能。B小车在错误的方向上行驶，与EGO车辆在同一车道上。这一次，另一车道上没有任何车辆或障碍物，因此EGO车辆可以选择变道避开B车，避开B车后，EGO车辆可以回到正确的车道。

最后一个场景设计用于测试图16中自适应巡航控制功能。B车向前行驶，EGO车辆需要与B车保持安全距离以避免发生事故。 EGO车辆会自行调整车速以保持安全距离。

自适应巡航控制：

控制逻辑

变量定义：

避障控制逻辑：

在图 17 所示的避障控制逻辑中，如果距离检测在最远的距离，小车将保持前进。如果距离检测在危险距离，角度检测显示障碍物在前方检测区间。然后，EGO 车辆会检测倒车车道，如果倒车车道上有障碍物或车辆，EGO 车辆将完全停止。

动车避让控制逻辑：

在图18所示的移动小车避让控制逻辑中，如果距离检测到最远距离，小车将保持前进。如果距离检测在危险距离，角度检测显示障碍物在前方检测区间。然后，EGO 车辆会检测倒车车道，如果倒车车道上没有任何障碍物或超声波传感器检测到的车辆，EGO 车辆就会换到倒车车道，以避开错误方向的汽车。一旦原车道上没有任何障碍物或车辆，EGO车辆就会变回原车道。

自适应巡航控制功能控制逻辑：

在自适应巡航控制功能场景中，会面临两个问题，一个是EGO车辆行驶太快，另一个是EGO车辆行驶太慢。图19为自适应巡航控制功能的全控制逻辑。

• 如果距离检测在预设的安全距离内，EGO车辆将继续向前跟随前车。

• 如果距离检测是在加速距离，同样，如果检测范围是向前检测部分。当前速度将加快当前速度的 5% 左右。再次检测，如果距离检测在预设的安全距离内，则EGO车辆继续前进；如果不是，则当前速度将加速到当前速度的1%左右，并继续扫描，直到距离检测达到预设的安全距离，然后EGO车辆将结束加速过程，并保持当前速度。
• 如果距离检测在减速距离内，同样，如果检测范围是前向检测段。当前速度将减慢当前速度的 5% 左右。再次检测，如果距离检测在预设的安全距离内，则EGO车辆继续前进；如果不是，当前车速会减慢当前车速的1%左右，并继续扫描，直到距离检测达到预设的安全距离，EGO车辆将结束减速过程，并保持当前车速。

组合控制逻辑：

以下是前三种控制逻辑组合控制逻辑的控制逻辑流程图：

在组合逻辑中，车道保持和自适应巡航控制程序不会改变。但是，避障功能和行车避让功能将合二为一。以前的避障功能只能让汽车完全停在路中间的障碍物处，但下一步的控制指令是什么？该功能可与行车避让功能结合使用，实现超车、换道等功能。在避障功能中，汽车可以使用超声波传感器和激光雷达来检测环境，在完全停在障碍物前面后，检查另一车道上是否有其他汽车。如果反向车道上没有任何汽车或障碍物，则汽车可以通过障碍物，继续行驶。

结果

之前的结果：

EGO 车辆与已选择使用的硬件成功组装。车道保持团队基于图像处理团队的工作成功实施了一个可用的车道保持程序，该程序将使用来自摄像头的信号。 LIDAR 原始数据通过前面提到的编程方法适当地转换为可用数据。具有避障、移动车辆避让和自适应巡航控制功能的实时运动规划系统被构建为基于车道保持程序的三个独立的控制程序。之前的测试都是基于这三个独立的控制程序来测试稳定性，因为将它们组合在一起测试稳定性比单独测试更难。避障功能运行良好，EGO车辆可以在预设障碍物前强制停车。然而，EGO 车辆太重了，有两个 Raspberry Pi 板和一个 LIDAR，有时是 EGO 车辆

会因为它的重量而向下翻转。在行车避让功能中，变道逻辑运行良好，但其避让路线并不如预期的那样精确。 EGO车需要加装两个超声波传感器，使EGO车可以检测到15cm以内的物体，尤其是左右两侧的障碍物。在自适应巡航控制功能中，距离调整控制程序正在运行，但是在调整距离的过程中，EGO车辆的速度并没有达到预期的稳定。原因是自适应巡航的控制逻辑只让汽车在相同的速度下加速和减速。自适应巡航控制功能的控制逻辑中应加入更智能的距离调整算法。

预期结果：

根据先前测试的测试结果，对控制程序和 EGO 车辆进行了多项改进。首先，EGO 车辆的重量和高度已经降低，以降低翻倒的风险。其次，在行车避让控制程序中增加了两个超声波传感器和配套程序，使EGO车辆对EGO车辆的左右侧物体距离具有更精确的检测能力。然后，在自适应巡航控制部分增加了一种更智能的距离调整算法。与之前的控制逻辑不同，增加了一种加速和减速算法，EGO车辆可以根据需要以当前速度的百分之一或当前速度的百分之五进行加速和减速。最后，这三个功能将结合车道保持程序作为本项目实时运动规划系统的最终版本。

对于第一次改进，EGO 车辆的重量和高度有所降低，它们将显着降低翻倒的风险。 EGO车辆的减重会降低EGO车辆在强制停止过程中的惯性力。根据牛顿第二运动定律，惯性力等于加速度乘以物体质量。因为，在与以前相同的加速度下，减少 EGO 车辆的质量（重量）将显着降低 EGO 车辆承受的惯性力。这将直接降低强制停止过程中翻转的风险。另外，降低高度会降低重心位置

EGO 车辆，这也将降低翻倒的风险。之前，EGO车顶部还有一块树莓派板，去掉它会降低EGO车的重心位置。原因很简单，EGO车辆的重心位置会影响其稳定性。重心位置越低，EGO 车辆越稳定。因此，第一个改进将成功降低在应用物体避让功能过程中翻倒的风险。
第二个改进在EGO车辆上增加了两个超声波传感器来检测左侧和右侧-侧物体到 EGO 车辆的距离。在之前的测试中，EGO 车辆无法检测到 EGO 车辆的左侧和右侧物体距离，因为 LIDAR 无法检测到任何距离 EGO 车辆 15cm 以内的物体。通过在EGO车辆上增加两个超声波传感器和行车避让功能的控制逻辑，EGO车辆在变回倒车车道和变回原车道时可以更精确地行驶。此前，激光雷达只是环境检测设备，可用于行车避让功能，行车避让路线是预先设定好的。一旦前方有任何物体（汽车），EGO车辆就可以按照预设路线行驶。这就是为什么在改进之前不能精确地避开路线的原因。改进后，EGO 车辆将检测到 EGO 车辆的左侧和右侧物体距离。一旦LIDAR检测到前方有物体，EGO车辆将开始避让过程以改变车道，然后超声波传感器将开始检测两侧物体距离。一旦超声波传感器检测到 EGO 车辆 10cm 以下没有任何物体，则 EGO 车辆可以启动返程过程，驶回原来的车道。总之，第二次改进使EGO车辆在移动车辆避让过程中具有更精确的路线。
对于最后一次改进，将增加一个更智能的距离调整算法。该算法将使EGO车辆的加速和减速过程比之前的更平滑，因为设置的速度不再是固定值，而是一个动态值。在之前的测试中，由于算法不够智能，汽车只能按照预设的固定速度值进行加速和减速。自适应巡航控制过程会不够流畅，EGO 车辆在与前车的距离调整过程中看起来像是连线的。在自适应巡航控制的控制程序中加入更智能的算法后，EGO车辆可以按照当前速度的百分之一或当前速度的百分之五进行加速和减速，过程会比以前更顺畅。原因是车速会根据当前车速动态调整，EGO车因为车速是连续的，有一点点波动，所以加速和减速会更平滑。总之，最后的改进将使EGO车辆在自适应巡航控制功能下在距离调整过程中行驶更平稳。

在对实时运动规划系统中三个功能的三个独立的控制程序进行了三个改进后，这三个独立的控制程序将与车道保持程序相结合，生成最终的实时运动规划系统。由于这三个独立的控制程序将在这些改进之后工作得很好，因此车道保持程序将很容易与它们结合。加入车道保持程序后，EGO车辆将在车道内行驶，避免越线。这将使EGO车辆在缩小的城市环境下行驶比以前更加稳定。

未来改进

从这个项目可以想象到很多未来的改进方面。首先，实时运动规划的功能还不够。 In the future, there are many ways to combine and improve these three functions makes the EGO vehicle have more and more functions, to generate a real-time motion planning system in fully functional. Secondly, the algorithm of lane keeping, adaptive cruise control, and moving car avoidance are not smart enough. There exists more advance algorithm for these three functions need to be found. For example, even the distance detection algorithm in adaptive cruise control already has been improved, however, there is still have possibility to improve the algorithm. Currently, the speed adjustment is based on five percent

of current speed or one percent of current speed, however, the speed adjustment is not dynamically. If there is an algorithm of memory for saving current speed or speed calculation based on distance and time can be added, then, the adaptive cruise control will be prefect. Also, multiple EGO vehicle driving on the same scaled-down urban environment, and EGO vehicle communication system need to be added in the real-time motion planning system to manage the traffic. In short, there will be a lot of aspects in the real-time motion planning system need to be improved in the future work.

结论

Hardware and software are assembled and set appropriately in this project. The LIDAR raw data are appropriately transfer to usable data by the previous mentioned method for programing. Three different scenarios have been designed for testing obstacle avoidance function, moving car avoidance function, and adaptive cruise function. The control logic based on obstacle avoidance scenario, moving car avoidance scenario, and adaptive cruise control scenario have been designed and programmed. If the test results as expect, the real-time motion planning system has been implemented and works perfect in these three scenarios. However, the current real-time motion planning system is not perfect yet, it needs more works and more times to improve it. These three functions are the most basic function in real-time motion planning system. The final goal is to make this EGO vehicle has accident avoidance function; however, these three functions cannot let the EGO vehicle has the fully functional accident avoidance function. Apply permutations and combinations of these three basic functions will generate more possibility, which will bring a lot of different new functions in the real-time motion planning system.

Acknowledgements

First and foremost, I would like to show my deepest gratitude to my research advisor, Dr. Lisa Fiorentini, who has provided me with valuable guidance in every stage of the project and writing of this thesis. Without her instruction, kindness and patience, I could not have completed my thesis. I shall extend my thanks to my mom for all her encouragement and mental help. The work of last two semesters exhausted me, since I have onerous courses, individual research, and written work for applying graduate school. Without her encouragement and mental help, I cannot stick to now. Finally, I would like to thank all my friends, for their encouragement and support.

Reference

1. Aqib, “What is Raspberry pi? Getting Started with Raspberry Pi 3,” Electronics Hobbyists, 18-Jan-2019. [Online]. Available:https://electronicshobbyists.com/tutorial-1-what-is-raspberry-pi-getting-started-with- raspberry-pi-3/. [Accessed:25-Apr-2020].
2. Adafruit Industries, “Mini 3-Layer Round Robot Chassis Kit – 2WD with DC Motors,” adafruit industries blog RSS. [Online]. Available:https://www.adafruit.com/product/3244. [Accessed:25-Apr-2020].
3. Adafruit Industries, “Adafruit DRV8833 DC/Stepper Motor Driver Breakout Board,” adafruit industries blog RSS. [Online]. Available:https://www.adafruit.com/product/3297. [Accessed:25-Apr-2020].
4. T. Huang, “RPLIDAR-A1 360°Laser Range Scanner _ Domestic Laser Range Scanner,” SLAMTEC. [Online]. Available:https://www.slamtec.com/en/Lidar/A1. [Accessed:25-Apr-2020].
5. “PowerCore 13000,” Anker. [Online]. Available:https://www.anker.com/store/powercore- 13000/A1215011. [Accessed:25-Apr-2020].
6. “Welcome to lidar’s documentation! ¶,” Welcome to lidar’s documentation! – lidar documentation. [Online]. Available:https://lidar.readthedocs.io/en/latest/. [Accessed:25-Apr-2020].
7. “RealVNC,” Download VNC Viewer for macOS | VNC® Connect. [Online]. Available:https://www.realvnc.com/en/connect/download/viewer/macos/. [Accessed:25-Apr-2020].
8. Adafruit Industries, “HC-SR04 Ultrasonic Sonar Distance Sensor 2 x 10K resistors,” adafruit industries blog RSS. [Online]. Available:https://www.adafruit.com/product/3942. [Accessed:25-Apr-2020].