Optimal trajectories for time-critical street scenarios using discretized terminal manifolds
流形空间:流形是局部具有欧几里得空间性质的空间,在数学中用于描述几何形体
semi-reactive planning strategy:半反应规划策略
maneuver tasks:机动任务
lane-changing:换车道;merging:合并;distance-keeping:保持距离;velocity-keeping:保持速度;precise stopping:精确停车
lateral and longitudinal movements:横向和纵向运动
terminal state sets (manifolds):终端状态集(流形)
挑战:dynamic, time-critical street scenarios 动态的、时间紧迫的街道场景;例如:融入快速交通流、通过相反的交通、避开其他移动的车辆
path-based planning strategies :基于路径的规划策略
摘要
研究了自动驾驶车辆在行驶过程中所面临的轨迹生成问题。给出了交通流的预测运动,提出的半反应规划策略在提供短期避碰的同时,实现了所需要的长期机动任务(换车道、合并、保持距离、保持速度、精确停车等)。保持舒适、拟人的和物理上可行的轨迹的关键是在街道相对坐标中,通过精心选择的代价函数和终端状态集(流形),对横向和纵向运动进行组合优化。仿真结果表明了该方法的有效性
1. 介绍
在过去的三十年里,人们在自动驾驶领域进行了雄心勃勃的研究。这已导致在强有力地处理复杂情况方面有了显著的提高。自动驾驶汽车越接近真实的道路交通,它们就越经常面临动态的、时间紧迫的街道场景,比如融入快速交通流、通过相反的交通或避开其他移动的车辆。在简化的条件下,例如在2007年DARPA城市挑战赛期间,这些动态场景可以通过基于路径的规划策略,结合相当简单的启发式和保守估计来处理(Werling et al. 2008)。然而,在头尾相对的交通中,这些方法很快达到了它们的极限,导致性能差甚至事故(Fletcher et al. 2008)。这就是基于轨迹的规划概念发挥作用的地方,它明确地考虑了时间t。
创建时间参数化轨迹,同时考虑运动学约束的任务称为动态规划。找到了一个连接初始状态和精确定义的目标状态的全局轨迹它通常依赖于离散的几何结构,包括快速探索随机树(RRT) 。两者都已成功应用于全尺寸自动驾驶汽车。虽然这些方法最适合于在非结构化环境(如停车场)中遇到的组合困难问题,但通常不能快速考虑其他目标状态。然而,这可能是规避策略所必需的。此外,这些组合方法通常在计算上很昂贵,这妨碍了较短的规划周期。考虑一组备选目标状态的能力和高的重新规划频率是采用高速避障运动规划方法的重要前提
因此,我们开始采用Howard and Kelly(2007)和Montemerlo等人(2008)提出的策略。它利用道路环境中的结构,考虑多个最终状态(cf。“自我图”(Lacaze et al.1998),参见图1)。结合较短的重新规划周期(例如100 ms),这将导致一个响应层,该层对流量变化非常敏感。
因此,我们开始采用Howard and Kelly(2007)和Montemerlo等人(2008)提出的策略。它利用道路环境中的结构,考虑多个最终状态(cf。“自我图”(Lacaze et al.1998),参见图1)。结合较短的重新规划周期(例如100 ms),这将导致一个响应层,该层对车流量变化非常敏感。然而,随着永久性的重新规划,如果我们合并启发式或次最优性,就会产生一个关键的效果。更准确地说,连续计划之间的差异很容易导致超调、振荡,甚至是车辆运动的不稳定性,这在高速行驶时尤其关键。此外,突发轨迹受规划周期时间的影响较大,但在实际应用中往往无法实现我们所说的时间一致性(TC)。一方面,先前对未来障碍物轨迹的假设可能被证明是错误的,因此根据新的传感器数据进行航向修正是必要的。另一方面,计算时间是有限的,因此优化范围是有限的,因此在每一步都会包含新的信息。对于本文提出的策略,只有在不受上述原因实际阻碍的情况下,才能保证时间一致性。根据Bellman的最优性原理,最优策略意味着时间一致性(Bellman 1954)。这个事实,而不是一个特定的目标函数,是即将到来的最优控制方法的原因。
根据经验,密集的公路交通还需要横向(转向)和纵向(气/刹车)运动的联合优化,因为车辆的运动在同等程度上受到踏板和转向使用的影响。也就是说,充分刹车往往可以避免良好的转向行动,以及大转向振幅谨慎减速。这种组合优化也使我们有别于现有的反应性解决方案,如Kelly和Nagy(2003),他们只利用横向运动来避障。在上述特征之上,我们的方法(第一稿已经在Werling等人(2010b)提出)的特点是无障碍的,舒适的机动在一个大的速度范围。它还提供了对所有必需的操作模式(速度保持、距离保持等)的统一处理,以及通过直观的、正交的参数调优,简单而紧密地集成到行为层中,我们发现这在实践中非常有用