[论文解读] 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 15

一句话总结

AutoRVO 提出了一种基于优化的局部导航算法，用于在密集交通中对异构路网参与者（如汽车、自行车、三轮车和行人）进行导航，通过利用紧密贴合的中轴线表示和动态约束，实现了显著优于先前方法（如 ORCA 和 CND）的轨迹精度，尤其在高密度场景下，通过高效的局部速度优化计算出无碰撞且平滑的轨迹。

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.

研究动机与目标

• 解决涉及车辆、自行车和行人等异构参与者在密集、复杂交通场景中缺乏真实多智能体导航的问题。
• 克服基于圆盘表示的互惠速度障碍方法的局限性，后者会导致轨迹过于保守且不准确。
• 将运动学和动态约束整合到局部导航中，以生成更平滑、更安全且更符合实际的轨迹。
• 通过基于熵的度量方法匹配从视频数据中提取的轨迹，实现对真实世界交通行为的精确仿真。
• 开发一种可扩展的基于优化的框架，支持复杂交通环境下的实时性能。

提出的方法

• 采用基于中轴线的 CTMAT（受限紧密网格化智能体表示）来建模具有紧密贴合、非球形形状的智能体，以提升几何精度。
• 为每个智能体制定局部优化问题，以计算新的速度，从而在最小化与期望运动偏离的同时避免碰撞。
• 通过方程 (6) 至 (11) 中的成本函数，将最大速度、加速度和转向速率等动态约束融入速度选择过程。
• 通过计算 CTMAT 表示与邻近智能体之间的闵可夫斯基和，高效地确定无碰撞速度候选。
• 应用基于搜索的绕行机制，在直接路径受阻时识别安全路径，时间复杂度为 O(NM)，其中 N 为邻居数量，M 为采样点数。
• 采用基于采样（v, φ）速度与航向组合的方法，在动态约束和碰撞约束下探索可行的运动选项。

实验结果

研究问题

• RQ1 基于互惠速度障碍的局部导航算法是否能比基于圆盘的方法更准确地处理具有非球形、动态约束的异构参与者在密集交通中的导航？
• RQ2 在密集交通仿真中，采用紧密贴合的中轴线表示在提升轨迹真实性和降低保守性方面有多大改善？
• RQ3 与无约束或经验调整的模型相比，引入动态约束（如加速度、转向速率）对轨迹平滑性和准确性有何影响？
• RQ4 该算法是否能在复杂多智能体交通场景中实现实时性能，同时保持高精度？
• RQ5 与最先进的方法 ORCA 和 CND 相比，该算法在匹配从视频数据中提取的真实轨迹方面表现如何？

主要发现

• 在所有测试的密集交通场景中，AutoRVO 的熵度量值显著低于 ORCA 和 CND，表明其在匹配真实世界轨迹方面具有更高的精度。
• 在最密集的场景（traffic-1 和 traffic-5）中，AutoRVO 的熵度量值分别为 3.77 和 2.45，而 CND 分别为 12.72 和 14.12，ORCA 分别为 15.11 和 14.12，表明其在高密度条件下表现更优。
• 该算法在单核 CPU 上，使用 100 个采样候选和 4 个邻居时，平均更新时间约为 10ms，表明具备实时可行性。
• 运行时间与邻居数量和采样点数呈线性关系，时间复杂度为 O(NM)，支持高效并行化。
• 使用平滑性和安全性成本函数在某些特定情况（如 traffic-4）下略微降低了保真度，但总体上 AutoRVO 在大多数场景中仍优于 CND 和 ORCA。
• AutoRVO 是首个在不假设统一运动模式或简化形状的前提下，成功为异构参与者在密集交通中生成无碰撞、平滑轨迹的方法。