自动驾驶之轨迹规划7——A Real-Time Motion Planner with Trajectory Optimization for Autonomous Vehicles文献阅读

最新推荐文章于 2024-01-11 14:53:42 发布

原创

最新推荐文章于 2024-01-11 14:53:42 发布 · 8.6k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#程序人生 #经验分享 #自动驾驶

本文介绍了一种实时运动规划器，它结合路径和速度优化来为自动驾驶车辆生成最优轨迹。首先通过离散化空间和代价函数寻找初始轨迹，然后采用‘后优化’策略减少52%的规划时间。路径生成使用四次曲率多项式以确保连续性，而速度生成则通过离散化速度空间和多项式曲线实现。成本函数集用于评估轨迹的多个方面，包括安全、舒适性和效率。最后，文章提出了路径和速度的优化方法，利用单纯形算法改进路径质量。然而，这种方法可能需要额外的碰撞检测以确保安全性。

概述

最近找了一些EM Motion Planner相关的参考文献阅读了一下以便深刻理解。本篇为：A Real-Time Motion Planner with Trajectory Optimization for Autonomous Vehicles

Abstract

规划器首先把规划空间离散化，并根据一组代价函数搜索最优轨迹，然后对轨迹的path和speed进行迭代优化。文中提出了一种“post-optimization”的方法，可以弥补离散化难以求出最优解的问题（离散越密，越接近最优解），并可以减少52%的规划时间。

Introduction

文中举了一些前人的工作，基本都是用多项式（curvature polynomials or quintic polynomials）+frenet farame（这里的reference line是车道中心线，后面会在文献《Optimal trajectory generation for dynamic street scenarios in a frenet frame》中详细说）生成path或trajectory的，但会存在一些不足：加速度不连续或计算量过大，（注意，此时的trajectory是粗略解）。

下面为本文算法的架构图：由trajectory planning（trajectory generation + cost function）和轨迹优化（trajectory optimization）两部分组成：首先参考《Reactive nonholonomic trajectory generation via parametric optimal control》生成path和speed，然后用cost function求最优trajectory。最后会用《GNU Scientific Library Reference Manual》（a collection of numerical routines for scientific computing）中的方法对该trajectory的path和speed进行迭代优化。
在这里插入图片描述

ALGORITHM FRAMEWORK - Trajectory generation

path和speed分别生成。然后结合path和speed，得到一个trajectory。

Path generation：
通过《Motion Planning for Autonomous Driving with a Conformal Spatiotemporal Lattice》中的方法进行采样：先定义采样点 $p$ 的状态空间为：[ $x_p(l,d)$ ， $y_p(l,d)$ ， $θp(l,d)\theta_p(l,d)$ ，