城市环境中自主地面车辆行驶的实用轨迹规划框架

参见 ：

A Practical Trajectory Planning Framework for Autonomous Ground Vehicles Driving in Urban Environments

规划系统框架

图片.png
首先导出参考路径。 为了满足实时要求，我们应用线性优化算法来局部地而不是全局地重新定义参考路径。 之后，使用三次B样条算法对优化路径进行插值，以获得密集的航路点。考虑到其他地理测量约束以及处理静态和移动物体，我们将轨迹规划问题分解为两个子任务：空间路径规划和速度规划。 轨迹规划器不是使用优化方案在每个重放周期[6]中产生唯一的最佳轨迹，而是能够生成一组丰富的次优候选，这可以有效地克服感知和定位系统中的噪声。 此外，它确保车辆可以在即将发生的情况下安全停车。
为了保证驾驶安全性并提高驾驶舒适性，执行碰撞测试以修剪轨迹与静止和移动物体碰撞。 然后，精心设计具有一组成本项的目标函数，以选择最佳轨迹候选。 为了处理城市环境中的各种现实驾驶情况，引入了情境感知策略以自适应地调整目标函数中的成本项的权重。 随后由轨迹跟踪控制器将最佳轨迹转换成致动器命令。

在线感知、定位、参考路径

在这项研究中，轨迹规划器使用基于LIDAR的定位方法的参考路径信息，这类似于[17]中提出的方法。结合来自GPS，IMU和Velodyne HD-LIDAR的数据，高分辨率网格图由离线创建。然后我们使用在线LIDAR感知数据进行实时本地化。实验证明，它能够为狭窄道路的城市环境中的实时自动驾驶提供可靠的定位信息。基于定位方法，我们能够使用数字地图提供的车道信息。如图2所示，绿色和蓝色航点分别代表右和左车道。使用64光束HD-LIDAR的浊点数据，使用高分辨率（每个单元20cm×20cm）创建灰度母图。灰度值表示每个网格的高度值。具有品红色的细胞表示在线检测到的障碍，包括
动态和静态障碍。矩形表示检测到的动态障碍物，箭头指示其移动方向。

图片.png

参考线平滑

共轭梯度法平滑参考线
为了实现实时性能，用于平滑的路点通常是稀疏的，并且路点之间的距离通常很大。为了解决这个问题，我们将稀疏点作为控制点，并使用三次B样条来内插重新定义的参考路径。同时，可以以分析方式获得沿着平滑路径的每个点的四维状态（x，y，θ，κ）。沿路径的航路点的切线角θ（i）和曲率κ（i）定义为

图片.png
图片.png

基于曲线坐标系生成空间路径

有必要明确地考虑道路几何形状和速度限制来生成轨迹。为了实现这一点，不是使用笛卡尔坐标框架，而是使用曲线坐标框架来描述道路几何模型。更确切地说，参考路径被参数化为弧长的函数。通过这种方式，车辆的运动可以自然地分为两个维度：一个是横向运动，另一个是纵向运动。依靠这个框架，轨迹规划本质上与空间路径生成和速度分布生成分离。首先解决了空间路径生成问题。在使用上述平滑算法之后，获得参考路径并将其作为曲线系统的基础框架。
基于曲线坐标框架，采样终端状态可以由两个参数表示，一个是沿参考路径的预览距离sf，另一个是横向偏移lf。

图片.png
图片.png

速度规划

速度规划对驾驶安全性和舒适性有显着影响。特别是当车辆在动态道路交通中行驶时，需要明确考虑速度规划。在本文中，速度分布生成是考虑到各种约束来执行的，例如来自行为规划器的命令，最大允许的横向和纵向加速度。这些约束可以大大减少速度规划的解决方案空间，并允许速度规划器集中在最有可能存在最优解的空间。在这项研究中，开发了分层速度分布生成方案。最大速度首先确定。然后，采用梯形曲线生成沿生成路径分配的初始速度律。之后，为了提高纵向控制的平滑度，应用多项式样条来平滑线性速度曲线并生成加速度 - 连续速度曲线。
1.最大速度限值

图片.png

2.最大横向加速度限值

图片.png
3.加速度限值
图片.png
其中v0是当前速度，vf是终端速度，S代表路径长度。 终端速度vf由高级行为规划器确定，其考虑环绕移动车辆和交通规则。 例如，当车辆执行机动后的车辆时，终端速度被设定为与前方车辆相同。 当车辆接近停车标志/线路或遇到行驶的行人时，vf设定为零。 本文不讨论细节。 此外，安全距离Dsafe，其涉及响应时间延迟tdelay和即将制动距离Dimminent。 即将制动距离Dimminent可以表示为相对于vf的函数，例如， 可以采用众所周知的恒定时间间隔定律。
图片.png
图片.png

轨迹评估

在碰撞测试之后，通过由四个加权成本项组成的目标函数来评估剩余轨迹。

图片.png

成本值标准化为[0,1]。
第一项是长度，倾向更长的轨迹，以防止过度反应的机动。

图片.png
第二项是平滑性
图片.png

第三项是偏离参考路径

图片.png
第四项是重新规划的一致性
图片.png
两次规划终端偏移
———————————————————————————————————重新计划周期设置为100毫秒。 轨迹规划消耗大约20ms，而路径平滑所花费的时间约为50ms。 在实践中，这可以满足实时要求。
最大速度设定为25km / h受市区交通管制的限制，我们在那里进行实验。 当轨迹不与障碍物碰撞时，轨迹的终端速度设定为20km / h。 最大路径长度限制为受感知信息限制的80米。 最大横向加速度限制设定为3.0 m / s2，以确保驾驶舒适性。 生成的轨迹候选的总数是500，可以增强以应对复杂的环境。 例如，为了提高无冲突路径候选的存在概率，可以更加密集地采样诸如横向偏移和预览距离的采样终端状态。
图片.png
图片.png

1290/5000
文中提出了一种实用且高效的城市环境自动驾驶轨迹规划框架。所呈现的轨迹规划策略采用分层策略。使用基于LIDAR的定位技术，依赖于准确且稳健的定位信息从数字地图中提取参考路径。通过非线性优化算法和参数算法分别对参考路径进行重新定位和插值。将轨迹规划划分为空间路径生成和速度配置生成，显着减少了解决方案空间，使规划人员能够生成一组丰富的可驱动轨迹候选者，这些候选者与道路几何形状对齐，能够处理各种动态交通情况，如作为车道保持，车道变换，车辆跟随，静态和移动物体避免。虽然所提出的规划框架侧重于解决在路环境中的运动规划，但它可以很容易地扩展到在越野环境中与图搜索算法集成。进一步的研究将考虑由本地化，感知和控制系统产生的不确定性问题，以便在城市环境中更自然地与其他交通参与者互动。