城市道路自动驾驶车辆运动规划和控制技术综述(2)

本文为翻译《A survey of motion planning and control techniques for self-driving Urban vehicles》部分内容.

IV.运动规划

  运动规划层负责计算从车辆的当前构型到决策层级的行为层提供的目标构型的安全,舒适且动态可行的轨迹。根据环境,目标构型可能不同。例如,目标位置可以是当前车道的中心点,即行进方向前方的数米,下一个交叉点处的停止线的中心,或下一个期望的停车位。运动规划组件接受关于车辆周围的静态和动态障碍物的信息,并产生无碰撞轨迹,其满足对车辆运动的动力学和运动学约束。通常,运动规划器也最小化给定的目标函数。除了旅行时间之外,目标函数还可以是危险运动或导致乘客不适的运动的惩罚函数。在典型设置中,运动规划器的输出然后被传递到本地反馈控制层。反过来,反馈控制器产生输入信号以调节车辆以遵循该给定的运动计划。
  车辆的运动规划可以采用路径或轨迹的形式。 在路径规划坐标系内,可行路径表示为函数 σ(α):[0,1]X σ ( α ) : [ 0 , 1 ] → X ,其中 X X 是车辆的构型空间。请注意,此类解决方案未规定应如何跟踪此路径,并且可以选择路径的速度规划方式或将此任务委派给决策层次结构的较低层。在轨迹规划框架内,控制执行时间需要明确考虑。 这种考虑必须在车辆动力学和动态障碍物进的允许范围内。在这种情况下,可行轨迹表示为时间参数化函数 π(t)[0,T]X π ( t ) [ 0 , T ] → X ,其中 T T 是规划周期。与路径不同,轨迹规定了车辆构型如何随时间演变。
  在以下两节中,我们提供了路径规划和轨迹规划问题的正式问题定义,并回顾了两种规划的主要复杂性和算法结果。

A. 路径规划

  路径规划问题是在车辆的构型空间 X (或更一般地,机器人)中找到路径 σ(α):[0,1]X σ ( α ) : [ 0 , 1 ] → X ,该路径从初始构型开始并到达目标区域,同时满足给定的全局和局部约束。 根据是否考虑解决方案路径的质量,使用可行和最优的术语来描述该路径。 可行路径规划是指在不关注解决方案质量的情况下确定满足某些给定问题约束的路径的问题; 而最优路径规划指的是找到一条路径,该路径优化了受给定约束条件限制的某些质量标准。
  最佳路径规划问题可以正式陈述如下。设 X X 为车辆的构型空间, (X) ∑ ( X ) 表示 [0,1]X [ 0 , 1 ] → X 的所有连续函数的集合。车辆起始构型为 xinitX x i n i t ∈ X .路径要在目标区域 XgoalX X g o a l ⊆ X 终止。所有车辆可达构型成为自由构型空间,记为 Xfree X f r e e 。典型的自由构型为不会与障碍物发生碰撞的构型,但是自由构型集也可以表示路径上的其他完整约束。路径上的微分约束用属于 D(x,x,x′′,...) D ( x , x ′ , x ″ , . . . ) 表示,可用于加强车辆路径的某种程度的平滑度,例如路径曲率和/或曲率的界限。例如,在 XR2 X ⊂ R 2 情况下,微分约束可以使用Frenet-Serret公式强制执行路径的最大曲率,如下所示:
  

D(x,x,x′′,...)x×x′′x3 D ( x , x ′ , x ″ , . . . ) ⇔ ‖ x ′ × x ″ ‖ ‖ x ′ ‖ 3

  进一步地,设 J(σ):(X)R J ( σ ) : ∑ ( X ) → R 为代价泛函。然后,路径规划问题的最佳版本通常可以如下陈述。
   问题 IV.1 (最优路径规划)给定5-元组 (Xfree,xinit,Xgoal,D,J) ( X f r e e , x i n i t , X g o a l , D , J ) ,找到 σ= σ ∗ =
  
argminα(X)J(σ)subj. toσ(0)=xinitandσ(1)Xgoalσ(α)Xfreeα[0,1]D(σ(α),σ(α),σ′′(α),....)α[0,1] arg ⁡ min α ∈ ∑ ( X ) J ( σ ) subj. to σ ( 0 ) = x i n i t and σ ( 1 ) ∈ X g o a l σ ( α ) ∈ X f r e e ∀ α ∈ [ 0 , 1 ] D ( σ ( α ) , σ ′ ( α ) , σ ″ ( α ) , . . . . ) ∀ α ∈ [ 0 , 1 ]

  在过去的几十年中,人们对可行和最优路径规划的问题进行了广泛的研究。 很容易理解这个问题的复杂性,并且已经开发了许多实用的算法。
   复杂性:大量文献致力于研究运动规划问题的复杂性。 以下是关于这些问题的计算复杂性的一些主要结果的简要调查。
  在问题IV.1中公开的找到受完整和差分约束影响的最佳路径的问题已知是PSPACE-hard。 这意味着它至少与解决任何NP完全问题一样困难,因此,假设P ≠ NP,则没有能够解决问题的所有实例的有效(多项式时间)算法。 此后,研究注意力一直致力于研究近似方法或一般运动规划问题子集的方法。
  初步研究主要集中在多边形/多面体环境中的完整车辆模型的可行(即,非最佳)路径规划。 也就是说,假设障碍物是多边形/多面体,并且在得到的路径上没有微分约束。 1970年,Reif [64]发现,在2-D和3-D环境中,可以在多项式时间内找到完整车辆的无障碍路径,其足迹可以描述为单个多面体.Canny [65] 已经表明,使用多项式表示的自由空间中可行路径规划的问题在PSPACE中,这使得可行路径规划的决策版本没有差分约束作为PSPACE完全问题。
  对于最优规划,目标是找到最短的无障碍路径。 众所周知,在多项式时间内可以找到具有多边形障碍的二维环境中完整车辆的最短路径[66],[67]。 更准确地说,它可以在时间 O(n2) O ( n 2 ) 中计算,其中 n n 是多边形障碍物的顶点数[68]。 这可以通过构建和搜索所谓的可视图来解决[69]。 相比之下,Lazard,Reif和Wang [70]确定在多边形障碍物(即,类似汽车的机器人的路径)中在二维平面中找到最短曲率有界路径的问题是NP难的,其中表明没有已知的多项式时间算法来找到多边形障碍物中类似汽车的机器人的最短路径。 一个相关的结果是,在多边形环境中存在曲率约束路径可以在EXPTIME [71]中确定。
  可以有效计算解决方案的特殊情况是无障碍环境中的最短曲率有界路径。 Dubins [57]已经表明,在给定的两点 p 1 , p 2 和规定的切线 θ1,θ2 θ 1 , θ 2 之间具有由 k k 限定的曲率的最短路径是由至多三个段组成的曲线,每个段是圆弧段或直线。 Reeds和Shepp [58]扩展了可以向前和向后移动的汽车的方法。 由Agraval等[72]引起的另一个值得注意的案例是 O ( n 2 log n ) 算法,用于在凸多边形内找到具有有界曲率的最短路径。 类似地,Boissonnat和Lazard [73]提出了一种多项式时间算法,用于在障碍物具有有界曲率边界的环境中找到精确的曲率有界路径。
  由于对于自动驾驶感兴趣的大多数问题,具有实际计算复杂性的精确算法是不可用的,人们不得不采用更通用的数值求解方法。 这些方法通常找不到精确的解决方案,但试图找到一个满意的解决方案或一系列可行的解决方案,这些解决方案会聚到最优解决方案。 这些方法的效用和性能通常通过它们适用的问题类别以及它们收敛到最佳解决方案的保证来量化。 路径规划的数值方法可大致分为三大类:
   变分方法将路径表示为由有限维向量参数化的函数,并且通过使用非线性连续优化技术对向量参数进行优化来寻求最优路径。 这些方法对于快速收敛到局部最优解决方案具有吸引力; 然而,除非提供适当的初始猜测,否则它们通常缺乏找到全局最优解的能力。 有关变分方法的详细讨论,请参阅第IV-C节。
   图搜索方法将车辆的构型空间离散化为图形,其中顶点表示车辆构型的有限集合,并且边缘表示顶点之间的过渡。 通过在这样的图中搜索最小成本路径来找到期望的路径。 图搜索方法不容易陷入局部最小值,但是,它们仅限于在有限的一组路径上进行优化,即可以从图中的元运动构造的路径。 有关图搜索方法的详细讨论,请参阅第IV-D节。
   增量搜索方法对构型空间进行采样,并逐步构建可达性图(通常是树),该图可维护一组离散的可达构型以及它们之间的可行转换。 一旦图形足够大以使至少一个节点在目标区域中,则通过跟踪从起始构型导致该节点的边缘来获得期望的路径。 与更基本的图搜索方法相比,基于采样的方法逐渐增加图的大小,直到在图中找到满意的解。 有关增量搜索方法的详细讨论,请参阅第IV-E节。
  显然,通过组合它们可以利用这些方法中的每一种的优点。 例如,可以使用粗略图搜索来获得变分方法的初始猜测。 表1给出了选择路径规划方法的关键属性的比较。在本节的其余部分,我们将详细讨论路径规划算法及其属性。

B. 轨迹规划

  动态环境中或动态约束下的运动规划问题可以更适当地在轨迹规划框架中制定,其中问题的解决方案是轨迹,即时间参数化函数 π(t):[0,T]X π ( t ) : [ 0 , T ] → X ,其规定车辆的配置的演变及时。
  令 (X,T) ∏ ( X , T ) 表示所以连续函数 [0,T]X [ 0 , T ] → X 的集合,车辆起始构型为 xinitX x i n i t ∈ X .路径结束点为 xgoalX x g o a l ∈ X 。在 t</

  • 4
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值