[论文解读] AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints

Andrew Best, Sahil Narang+2 more|arXiv (Cornell University)|Mar 24, 2017

Autonomous Vehicle Technology and Safety参考文献 23被引用 11

一句话总结

AutonoVi 提出了一种基于优化的自动驾驶车辆规划框架，支持动态变道、制动与转向的组合操作，并通过数据驱动的车辆动力学模型实现交通规则合规。该框架在包含行人、骑行者和车辆的密集城市及高速公路仿真中实现了交互式性能（每帧更新1–2毫秒），确保在实时约束下实现无碰撞导航。

ABSTRACT

We present AutonoVi:, a novel algorithm for autonomous vehicle navigation that supports dynamic maneuvers and satisfies traffic constraints and norms. Our approach is based on optimization-based maneuver planning that supports dynamic lane-changes, swerving, and braking in all traffic scenarios and guides the vehicle to its goal position. We take into account various traffic constraints, including collision avoidance with other vehicles, pedestrians, and cyclists using control velocity obstacles. We use a data-driven approach to model the vehicle dynamics for control and collision avoidance. Furthermore, our trajectory computation algorithm takes into account traffic rules and behaviors, such as stopping at intersections and stoplights, based on an arc-spline representation. We have evaluated our algorithm in a simulated environment and tested its interactive performance in urban and highway driving scenarios with tens of vehicles, pedestrians, and cyclists. These scenarios include jaywalking pedestrians, sudden stops from high speeds, safely passing cyclists, a vehicle suddenly swerving into the roadway, and high-density traffic where the vehicle must change lanes to progress more effectively.

研究动机与目标

• 解决现有保守、反应式自动驾驶行为的局限性，避免其仅模仿新手驾驶员而非熟练人类驾驶员的行为。
• 开发一种支持复杂交通环境下动态操作（如变道、避让、制动与转向组合）的导航系统。
• 将交通规则（如停车标志、车道保持）和行为规范（如礼让行人）整合到轨迹规划中。
• 在存在多个动态实体（车辆、行人、骑行者）的密集交通环境中，实现实时性能，同时确保安全与舒适性。
• 通过引入加速度、转向和减速的数据驱动配置文件，克服现有规划系统中缺乏可泛化的动态车辆动力学模型的问题。

提出的方法

• 采用多目标优化框架，平衡乘客舒适度、安全超车距离、动态可行性与路径推进，以计算最优轨迹。
• 使用数据驱动的车辆动力学模型，通过仿真试验生成单车辆配置函数（加速度、转向速率、减速度），实现对不同车型的泛化。
• 实施控制速度障碍（CVOs）以强制实现对动态实体的碰撞避免，包括制动与转向的组合响应。
• 通过沿车道中心线的弧-样条表示构建初始轨迹，以满足车道保持与交通规则约束。
• 通过迭代碰撞避免与优化过程对轨迹进行精细化处理，将运动学与动力学约束整合进规划循环。
• 使用基于物理的交通仿真器，在包括紧急制动、行人突然横穿和高密度交通在内的多样化场景中评估性能。

实验结果

研究问题

• RQ1 基于优化的规划框架是否能够在实时条件下支持动态、多模式操作（如变道、避让、制动）并确保安全性？
• RQ2 如何利用数据驱动的车辆动力学模型实现不同车型与道路条件下的规划泛化？
• RQ3 统一轨迹规划器在保持动态可行性的同时，能在多大程度上强制执行交通规则与行为规范（如红灯停车、礼让行人）？
• RQ4 在存在多个动态实体的密集交通中，碰撞检测与轨迹优化的计算成本如何？
• RQ5 在高风险场景（如突然出现的障碍物或突然横穿的行人）下，系统表现如何？

主要发现

• 该算法实现了交互式性能，平均每次导航更新的计算时间仅为1–2毫秒，主要由优化评估决定。
• 碰撞避免成本随邻近实体数量线性增长，表明在密集交通中性能可预测。
• 轨迹优化成本也随采样轨迹数量线性增长，证实了核心算法的可扩展性。
• 在所有测试场景中，本车均成功避免了碰撞，包括突然侵入的车辆、高速紧急制动和突然横穿的行人。
• 动态变道被有效用于在安全条件下超车慢速车辆，且系统会根据行人接近情况延迟变道操作，直至安全为止。
• 数据驱动的动力学模型实现了对不同车型（如跑车、两厢车、SUV）车辆行为的准确且可泛化的表征，但大型车辆因操控限制导致速度有所降低。