[论文解读] Non-Holonomic RRT & MPC: Path and Trajectory Planning for an Autonomous Cycle Rickshaw.

Damir Bojadzic, J Kunze+3 more|arXiv (Cornell University)|Mar 10, 2021

Robotic Path Planning Algorithms参考文献 17被引用 5

一句话总结

本文提出了一种用于自主三轮人力自行车的分层运动规划框架，采用改进的非完整约束RRT进行全局路径规划，结合基于MPC的局部规划器生成轨迹。该方法可在包含动态障碍物的共享城市环境中实现实时导航，全局路径计算耗时0.2秒，局部规划频率达5 Hz，在仿真与真实环境测试中均验证了其有效性，最高运行速度达1 m/s。

ABSTRACT

This paper presents a novel hierarchical motion planning approach based on Rapidly-Exploring Random Trees (RRT) for global planning and Model Predictive Control (MPC) for local planning. The approach targets a three-wheeled cycle rickshaw (trishaw) used for autonomous urban transportation in shared spaces. Due to the nature of the vehicle, the algorithms had to be adapted in order to adhere to non-holonomic kinematic constraints using the Kinematic Single-Track Model. The vehicle is designed to offer transportation for people and goods in shared environments such as roads, sidewalks, bicycle lanes but also open spaces that are often occupied by other traffic participants. Therefore, the algorithm presented in this paper needs to anticipate and avoid dynamic obstacles, such as pedestrians or bicycles, but also be fast enough in order to work in real-time so that it can adapt to changes in the environment. Our approach uses an RRT variant for global planning that has been modified for single-track kinematics and improved by exploiting dead-end nodes. This allows us to compute global paths in unstructured environments very fast. In a second step, our MPC-based local planner makes use of the global path to compute the vehicle's trajectory while incorporating dynamic obstacles such as pedestrians and other road users. Our approach has shown to work both in simulation as well as first real-life tests and can be easily extended for more sophisticated behaviors.

研究动机与目标

• 解决在非结构化、共享的城市环境（如人行道和公园）中微移动车辆的自主导航挑战。
• 克服传统规划器在处理三轮人力自行车非完整运动学特性方面的局限性。
• 实现在有行人和其他移动障碍物的环境中实时、安全、动态的轨迹规划。
• 集成一种分层规划架构，结合全局路径规划与局部轨迹优化，以实现鲁棒性能。
• 开发一种可扩展的系统，便于未来集成高级行为，如动态障碍物预测。

提出的方法

• 将快速扩展随机树（RRT）算法适配至三轮人力自行车的运动学单轨模型，整合非完整约束条件。
• 在RRT变体中引入死胡同节点剪枝机制，以加速在非结构化环境中的全局路径计算。
• 采用模型预测控制（MPC）框架进行局部轨迹规划，使其沿全局路径行进的同时避开动态障碍物。
• 使用Google的Ceres求解器公式化MPC优化问题，成本函数对靠近障碍物和偏离全局路径的情况施加惩罚。
• 在基于ROS和Kubernetes的系统架构中集成规划器，以实现实时执行与模块化设计。
• 利用2D LiDAR数据实现实时障碍物检测，并立即执行防撞动作，如减速与转向。

实验结果

研究问题

• RQ1 如何有效改进非完整约束RRT变体，以在非结构化城市环境中为三轮人力自行车生成全局路径？
• RQ2 基于MPC的局部规划是否能实现实时、安全的轨迹跟踪，同时有效避开行人等动态障碍物？
• RQ3 在真实共享城市空间中，该分层RRT-MPC架构在计算效率与障碍物避让方面表现如何？
• RQ4 当前系统的关键故障模式是什么？通过改进障碍物膨胀与预测机制，能否有效缓解这些问题？
• RQ5 该框架在多大程度上可扩展以支持高级行为，如动态障碍物预测与密集场景下的重规划？

主要发现

• 改进的非完整约束RRT可在仅0.2秒内计算出长达150米的全局路径，展现出极高的计算效率。
• MPC局部规划器以5 Hz的频率运行，规划时长远达12秒，能够实现实时动态障碍物适应。
• 在真实场景测试中，车辆在最高1 m/s的速度下成功导航至目标区域，与墙壁及静态障碍物保持安全距离。
• 系统通过2D LiDAR实现了有效的动态障碍物避让，包括在行人突然出现时立即执行减速与转向操作。
• 当车辆接近可行驶区域边界时，规划器偶尔会出现冻结现象，表明需要改进障碍物膨胀与路径恢复机制。
• 在人群密集区域，由于障碍物跟踪不一致，频繁触发重规划，提示需增强运动预测能力与更平滑的控制切换机制。