[论文解读] Generating Large-Scale Trajectories Efficiently using Double Descriptions of Polynomials

Zhepei Wang, Hongkai Ye+2 more|arXiv (Cornell University)|Nov 5, 2020

Robotic Path Planning Algorithms参考文献 22被引用 7

一句话总结

该论文提出了一种线性复杂度框架，通过利用多项式轨迹的解析结构（即系数与端点导数）实现高效的大规模四旋翼轨迹优化。该方法在大规模场景（100万段）下实现了每段1 μs的最小Snap轨迹生成，并通过精确的低复杂度梯度计算，使能量-时间最优轨迹优化速度提升一个数量级。

ABSTRACT

For quadrotor trajectory planning, describing a polynomial trajectory through coefficients and end-derivatives both enjoy their own convenience in energy minimization. We name them double descriptions of polynomial trajectories. The transformation between them, causing most of the inefficiency and instability, is formally analyzed in this paper. Leveraging its analytic structure, we design a linear-complexity scheme for both jerk/snap minimization and parameter gradient evaluation, which possesses efficiency, stability, flexibility, and scalability. With the help of our scheme, generating an energy optimal (minimum snap) trajectory only costs 1 $μs$ per piece at the scale up to 1,000,000 pieces. Moreover, generating large-scale energy-time optimal trajectories is also accelerated by an order of magnitude against conventional methods.

研究动机与目标

• 解决基于系数与基于导数的多项式轨迹表示之间数值转换的低效与不稳定性问题。
• 实现大规模四旋翼任务中轨迹系数与分段时间的可扩展、高性能优化。
• 为航点与分段时间提供精确、低复杂度的梯度，以支持在动态与安全约束下的直接优化。
• 开发一个灵活、开源的框架，实现具有保证平滑性与约束满足性的实时、大规模轨迹生成。
• 克服现有方法依赖扰动梯度或固定时间分配的局限性，后者会降低性能与灵活性。

提出的方法

• 推导基于系数与基于端点导数的多项式轨迹描述之间的解析微分同胚变换，消除数值不稳定性。
• 设计一种线性复杂度算法，通过跳过冗余变换步骤，实现最小 jerk/snap 轨迹计算。
• 利用变换的光滑性，推导出针对航点与分段时间的精确、解析梯度，支持直接优化。
• 集成障碍函数与惩罚项以处理安全与动态约束（速度、加速度限制），并在约束违反时自适应地对多面体约束进行分裂。
• 采用 L-BFGS 与强 Wolfe 条件，高效优化包含时间与航点参数的完整代价函数。
• 实施动态约束细化策略：当某段轨迹违反安全或动态限制时，分裂对应多面体并增加中间航点，同时提高惩罚系数。

实验结果

研究问题

• RQ1 基于系数与基于导数的多项式轨迹表示之间的变换是否可以被精确解析表征，以消除数值不稳定性与计算开销？
• RQ2 能否设计一种线性复杂度算法，用于最小 jerk/snap 轨迹生成，避免因变换步骤带来的冗余计算？
• RQ3 能否推导出针对航点与分段时间的精确、低复杂度梯度，以支持在复杂约束下的直接优化？
• RQ4 与现有方法相比，所提框架在大规模轨迹生成（如100万段）中的性能与精度表现如何？
• RQ5 该框架能否在保持计算效率与轨迹平滑性的同时，高效处理安全与动态约束？

主要发现

• 使用所提方法进行最小Snap轨迹生成，每段仅需1 μs的运行时间，即使在100万段的规模下依然保持高效。
• 与基准方法 Teach-Repeat-Replan 相比，该框架使能量-时间最优轨迹优化速度提升一个数量级，标准走廊基准测试中计算时间从7.70秒减少至0.43秒。
• 针对航点与分段时间的精确解析梯度，使在安全与动态约束下的直接优化成为可能，无需依赖扰动近似方法。
• 该方法保持了高轨迹质量，在相同走廊基准测试中，能量-时间代价更低（2643.43 vs. 3269.76）。
• 通过自适应多面体分裂与惩罚系数调整的约束处理策略在仿真中被证实有效，且在实际应用中极少触发。
• 开源实现（https://github.com/ZJU-FAST-Lab/large_scale_traj_optimizer）支持可复现性，并可轻松集成至现有规划流水线。