[論文レビュー] AutoRVO: Local Navigation with Dynamic Constraints in Dense Heterogeneous Traffic

Yuexin Ma, Dinesh Manocha+1 more|arXiv (Cornell University)|Apr 9, 2018

Robotic Path Planning Algorithms参考文献 34被引用数 15

ひとこと要約

AutoRVOは、密な交通状況における異種の移動体（自動車、自転車、三輪車、歩行者）を対象として、タイトフィットする中線（medial axis）表現と動的制約を活用することで、最適化に基づく局所的ナビゲーションアルゴリズムを提案する。ORCA や CND よりも顕著に高い軌道精度を達成しており、特に密な状況下でも、効率的な局所速度最適化により衝突回避で滑らかな軌道を生成する。

ABSTRACT

We present a novel algorithm for computing collision-free navigation for heterogeneous road-agents such as cars, tricycles, bicycles, and pedestrians in dense traffic. Our approach currently assumes the positions, shapes, and velocities of all vehicles and pedestrians are known and computes smooth trajectories for each agent by taking into account the dynamic constraints. We describe an efficient optimization-based algorithm for each road-agent based on reciprocal velocity obstacles that takes into account kinematic and dynamic constraints. Our algorithm uses tight fitting shape representations based on medial axis to compute collision-free trajectories in dense traffic situations. We evaluate the performance of our algorithm in real-world dense traffic scenarios and highlight the benefits over prior reciprocal collision avoidance schemes.

研究の動機と目的

• 自動車、自転車、歩行者を含む、異種で密な交通状況におけるリアルなマルチエージェントナビゲーションの欠如に取り組む。
• 相互速度障害法におけるディスクベースの表現がもたらす、過度に保守的で不正確な軌道の制限を克服する。
• 運動学的および動的制約を局所ナビゲーションに統合し、滑らかで安全かつ現実的な軌道を生成する。
• エントロピーに基づく指標を用いて動画データから抽出した軌道と一致させることで、現実の交通行動の正確なシミュレーションを実現する。
• 複雑な交通環境におけるリアルタイム性能をサポートするスケーラブルで最適化に基づくフレームワークを開発する。

提案手法

• 中線に基づく CTMAT（制約付きタイトメッシュエージェント表現）を用い、幾何的精度を向上させるために、非球形のタイトフィット形状でエージェントをモデル化する。
• 各エージェントに対して局所最適化問題を定式化し、目的運動からの逸脱を最小化すると同時に衝突を回避する新たな速度を計算する。
• 式 (6) から (11) に示されるコスト関数を通じて、最大速度、加速度、旋回速度などの動的制約を速度選択プロセスに統合する。
• CTMAT表現と隣接エージェントとの間でミンコフスキー和を計算することで、効率的に衝突回避可能な速度候補を特定する。
• 直接経路が遮断された場合に安全な迂回路を特定するための探索ベースの迂回メカニズムを適用し、時間計算量は N 個の隣接エージェントと M 個のサンプルに対して O(NM) となる。
• 速度と進行方向（v, φ）のペアに対するサンプリングベースのアプローチを用い、動的制約および衝突制約の下で可能な運動オプションを探索する。

実験結果

リサーチクエスチョン

• RQ1 相互速度障害に基づく局所ナビゲーションアルゴリズムは、非球形で動的制約を受けるエージェントを対象とした密な異種交通状況において、ディスクベースの手法よりもより正確に扱えるか？
• RQ2 タイトフィットする中線表現を組み込むことで、密な交通シミュレーションにおける軌道の現実性は向上し、保守的傾向は軽減されるか？
• RQ3 加速度や旋回速度などの動的制約を組み込むことで、制約なしまたは経験的調整モデルと比較して、軌道の滑らかさと正確性はどのように変化するか？
• RQ4 提案手法は、複雑でマルチエージェントの交通状況において、高精度を維持しながらリアルタイム性能を達成できるか？
• RQ5 動画データから抽出した現実の軌道と一致するという観点から、ORCA や CND といった最先端手法と比較して、本手法の性能はどの程度か？

主な発見

• すべてのテストされた密な交通シナリオにおいて、AutoRVOは ORCA や CND よりも顕著に低いエントロピー指標値を達成しており、現実の軌道との一致度が高いことを示している。
• 最も密なシナリオ（traffic-1 と traffic-5）では、AutoRVO のエントロピー指標はそれぞれ 3.77 と 2.45 であり、CND は 12.72 と 14.12、ORCA は 15.11 と 14.12 であった。これは、高密度条件下でも優れた性能を発揮していることを示している。
• 100 個のサンプリング候補と 4 個の隣接エージェントを想定した場合、1 コアの CPU でエージェントあたり平均 10ms の更新時間を維持しており、リアルタイム実行可能性が裏付けられている。
• 実行時間は隣接エージェント数とサンプリングポイント数に比例し、計算量は O(NM) で表され、並列処理が容易である。
• 滑らかさと安全性のためのコスト関数の使用により、特定のケース（例：traffic-4）では忠実度がわずかに低下するが、全体として AutoRVO は CND や ORCA よりも多数のシナリオで優れた性能を示している。
• AutoRVO は、均一な移動パターンや簡略化された形状を仮定せずに、異種移動体が密な交通状況で衝突を回避し、滑らかな軌道を生成できた最初の手法である。