[论文解读] DL-IAPS and PJSO: A Path/Speed Decoupled Trajectory Optimization and its Application in Autonomous Driving

Jinyun Zhou, Runxin He+6 more|arXiv (Cornell University)|Sep 23, 2020

Robotic Path Planning Algorithms参考文献 20被引用 7

一句话总结

本文提出DL-IAPS与PJSO，一种用于自动驾驶的路径/速度解耦轨迹优化框架，可显著提升碰撞规避能力、控制可行性与驾驶舒适性。通过迭代平滑曲率受限路径（DL-IAPS）与优化分段 jerk 速度剖面（PJSO），该方法实现亚0.2秒级的轨迹计算，具备实时性能，并成功应用于复杂场景，包括T4级别自动驾驶测试。

ABSTRACT

This paper presents a free space trajectory optimization algorithm of autonomous driving vehicle, which decouples the collision-free trajectory planning problem into a Dual-Loop Iterative Anchoring Path Smoothing (DL-IAPS) and a Piece-wise Jerk Speed Optimization (PJSO). The work leads to remarkable driving performance improvements including more precise collision avoidance, higher control feasibility and better driving comfort, as those are often hard to realize in other existing path/speed decoupled trajectory optimization methods. Our algorithm's efficiency, robustness and adaptiveness to complex driving scenarios have been validated by both simulations and real on-road tests.

研究动机与目标

• 解决现有路径/速度解耦方法在实现精确碰撞规避、控制可行性与驾驶舒适性方面的局限性。
• 开发一种计算高效的轨迹优化框架，支持自由空间场景下的前进与倒车行驶。
• 在严格遵守非完整车辆动力学约束的同时，保持平滑、最短时间且舒适的行驶速度剖面。
• 在多样化、复杂驾驶环境中验证该方法，包括真实世界的T4级别测试与美国实地测试。

提出的方法

• 该方法将轨迹优化分为两个阶段：通过双环迭代锚点路径平滑（DL-IAPS）进行路径平滑，通过分段 jerk 速度优化（PJSO）进行速度剖面优化。
• DL-IAPS 使用精确的多边形车辆与障碍物形状进行迭代碰撞检测，平均计算时间分别为 0.07 秒（无障碍物）与 0.18–0.21 秒（复杂障碍物）。
• DL-IAPS 通过改进的序列凸优化（SCP）方法施加最大曲率约束，确保符合非完整车辆动力学要求。
• PJSO 将速度优化建模为在满足加速度与 jerk 硬约束的前提下，最小化行驶时间并兼顾驾驶舒适性，通过分段 jerk 最小化实现。
• 该框架已集成至百度 Apollo 自动驾驶平台，并通过仿真与真实世界测试完成验证。
• 车辆控制器采用线性化模型预测控制器（MPC），结合二次规划（QP）求解器与前馈校准，以执行优化后的轨迹。

实验结果

研究问题

• RQ1 路径/速度解耦方法是否能在不依赖车辆或障碍物形状圆形近似的情况下，实现精确、实时的碰撞规避？
• RQ2 如何在路径平滑过程中严格遵守非完整车辆动力学约束，以确保控制可行性？
• RQ3 是否存在一种速度优化方法，可同时最小化行驶时间并最大化驾驶舒适性，同时满足硬性动态约束？
• RQ4 所提出的框架是否能在复杂的真实自动驾驶场景中实现可靠性能，包括T4级别测试？

主要发现

• 在复杂障碍物条件下，DL-IAPS与PJSO框架的完整轨迹计算耗时为 0.18–0.21 秒，证明其具备实时性能。
• 该方法通过使用精确的多边形车辆与障碍物表示，实现精确碰撞规避，显著降低了传统圆形或线性近似带来的估计误差。
• 控制可行性显著提升，因该方法通过改进的SCP方法严格施加最大曲率约束，避免了先前方法中常见的约束违反问题。
• PJSO组件成功平衡了最短行驶时间与驾驶舒适性，生成平滑、jerk最小化的速度剖面，适用于Robotaxi应用。
• 该规划器使百度成功通过中国最严格的自动驾驶测试中的全部10个T4级别自由空间场景测试，平行泊车测试中平均横向误差为 0.0619 米，航向误差为 1.3011°。
• 在美国与中国开展的实路测试表明，系统具备高精度执行能力，泊车场景中平均横向误差为 0.0447 米，航向误差为 1.956°，验证了控制可行性与鲁棒性。