[论文解读] Optimization-based Motion Planning in Virtual Driving Scenarios with Application to Communicating Autonomous Vehicles

Matthias Gerdts, Björn Martens|arXiv (Cornell University)|Jan 23, 2018

Robotic Path Planning Algorithms参考文献 40被引用 4

一句话总结

本文提出了一种基于优化的运动规划框架，用于虚拟驾驶场景中的自动驾驶车辆，采用直接打靶法和模型预测控制结合灵敏度更新，以高效计算最优轨迹，从而最小化燃油消耗、最大化安全性并确保防撞。主要贡献是提出一种用于通信自动驾驶车辆的分布式控制算法，可在扰动和测量噪声下实现稳定、实时的轨迹跟踪。

ABSTRACT

The paper addresses the problem of providing suitable reference trajectories in motion planning problems for autonomous vehicles. Among the various approaches to compute a reference trajectory, our aim is to find those trajectories which optimize a given performance criterion, for instance fuel consumption, comfort, safety, time, and obey constraints, e.g. collision avoidance, safety regions, control bounds. This task can be approached by geometric shortest path problems or by optimal control problems, which need to be solved efficiently. To this end we use direct discretization schemes and model-predictive control in combination with sensitivity updates to predict optimal solutions in the presence of perturbations. Applications arising in autonomous driving are presented. In particular, a distributed control algorithm for traffic scenarios with several autonomous vehicles that use car-to-car communication is introduced.

研究动机与目标

• 开发一种在虚拟驾驶仿真中具备鲁棒性且实时可行的自动驾驶车辆运动规划框架。
• 基于燃油效率、安全性、舒适性和时间等性能标准优化车辆轨迹，同时满足动态和几何约束。
• 通过车对车通信在多车场景中实现分布式控制，以提升协调性与安全性。
• 在模型扰动、测量噪声和初始状态偏移下确保系统稳定性和轨迹跟踪精度。
• 集成基于灵敏度的更新机制，实现实时在线重优化，以应对环境变化。

提出的方法

• 采用直接打靶法对最优控制问题进行离散化，以实现轨迹优化的高效数值求解。
• 采用带灵敏度更新的模型预测控制（MPC），在扰动下预测最优解，提升实时适应能力。
• 使用运动学汽车模型，状态变量为（x, y, ψ, v, δ），控制输入为（速度v，转向角δ），用于轨迹计算。
• 基于逆运动学和比例误差反馈实现反馈控制器，以跟踪参考样条曲线。
• 引入一种闭环控制律，包含增益（k₁–k₆），通过赫尔维茨多项式分析确保局部渐近稳定。
• 通过位置和速度的白噪声建模测量噪声和初始状态偏移，用于鲁棒性测试。

实验结果

研究问题

• RQ1 如何在多重性能标准和约束条件下，高效计算自动驾驶车辆的最优参考轨迹？
• RQ2 扰动和测量噪声对运动规划控制器的稳定性和跟踪性能有何影响？
• RQ3 如何在分布式控制框架中利用车对车通信提升轨迹协调性和安全性？
• RQ4 灵敏度更新在在线重优化过程中对维持实时性能起到何种作用？
• RQ5 在何种条件下，带有反馈控制的闭环系统是渐近稳定的？

主要发现

• 在理想条件下，反馈控制器成功跟踪参考样条轨迹，所有仿真均显示精确路径跟随。
• 在位置（±10 m）和速度（±2 m/s）的白噪声下系统保持稳定，证明对真实传感器误差具有鲁棒性。
• 即使初始状态偏移（10, 10）m，控制器仍能实现精确跟踪，证实对初始化误差具有鲁棒性。
• 当特征多项式因式分解为赫尔维茨多项式（λ² + k₃λ + k₄）（λ + k₁）时，线性化闭环系统为局部渐近稳定。
• 基于灵敏度的更新机制可实现高效的在线重优化，维持动态场景下的实时性能。
• 基于车对车通信的分布式控制算法可在多车环境中实现协调运动规划，提升安全性和效率。