[论文解读] TDR-OBCA: A Reliable Planner for Autonomous Driving in Free-Space Environment

Runxin He, Jinyun Zhou+7 more|arXiv (Cornell University)|Sep 23, 2020

Robotic Path Planning Algorithms参考文献 20被引用 4

一句话总结

TDR-OBCA 是一种面向自由空间环境的基于优化的轨迹规划方法，通过引入时间域与双变量的热启动机制及问题重构，显著提升了规划的鲁棒性、驾驶舒适性与效率。该方法在不同障碍物数量下，将失败率降低 96.67%，驾驶舒适性提升 13.53%，规划效率最高提升 44.82%，并在美国与中国的真实道路测试中累计超过数百小时，验证了其有效性。

ABSTRACT

This paper presents an optimization-based collision avoidance trajectory generation method for autonomous driving in free-space environments, with enhanced robustness, driving comfort and efficiency. Starting from the hybrid optimization-based framework, we introduces two warm start methods, temporal and dual variable warm starts, to improve the efficiency. We also reformulate the problem to improve the robustness and efficiency. We name this new algorithm TDR-OBCA. With these changes, compared with original hybrid optimization we achieve a 96.67% failure rate decrease with respect to initial conditions, 13.53% increase in driving comforts and 3.33% to 44.82% increase in planner efficiency as obstacles number scales. We validate our results in hundreds of simulation scenarios and hundreds of hours of public road tests in both U.S. and China. Our source code is available at https://github.com/ApolloAuto/apollo.

研究动机与目标

• 为解决现有轨迹规划方法在自由空间自动驾驶场景（如停车与叫车）中存在高失败率与低效问题。
• 提升在非完整约束与运动学动力学约束环境下，对多样化初始条件与障碍物配置的鲁棒性。
• 通过在优化目标函数中对控制输入施加惩罚，最小化急促转向指令，从而提升驾驶舒适性。
• 提升计算效率以支持实时部署，尤其在障碍物数量增加时仍保持高效。
• 通过在美国与中国的广泛仿真与实车测试，验证规划器在多样化真实道路条件下的性能表现。

提出的方法

• 引入时间域热启动机制，复用前一时间步的解轨迹以加速收敛。
• 采用双变量热启动，通过从前一解中初始化对偶变量，提升序列二次规划中对偶收敛性能。
• 通过使用对偶表达式重构碰撞避免约束，消除二值变量，将问题转化为连续的大规模模型预测控制（MPC）问题。
• 在目标函数中引入转向与加速度输入的平滑性惩罚项，以提升驾驶舒适性并减少控制努力。
• 将 TDR-OBCA 集成至阿波罗自动驾驶平台，在本车脱离车道或执行自由空间操作时触发该规划器。
• 通过轨迹拼接、安全校验与基于档位的分区处理，将输出结果准备为可通过 CAN 总线执行的控制指令。

实验结果

研究问题

• RQ1 热启动技术是否能在不同初始条件下显著降低自由空间自动驾驶中轨迹规划的失败率？
• RQ2 将碰撞约束重构为对偶形式，在非凸 MPC 问题中在多大程度上可提升计算效率与鲁棒性？
• RQ3 在真实场景中，目标函数中引入平滑性惩罚项对驾驶舒适性与控制努力的影响如何？
• RQ4 随着障碍物数量增加，尤其在存在移动行人与车辆的复杂环境中，该方法是否能保持实时性能？
• RQ5 TDR-OBCA 算法是否在多样化的实际驾驶场景（如停车、叫车、三点转向）中表现出一致的性能？

主要发现

• 在不同初始条件下，轨迹规划的失败率从 37.5% 降低至 1.25%，失败率降低 96.67%。
• 通过优化解中转向控制输出方差的降低，驾驶舒适性提升超过 13.53%。
• 在障碍物数量增加的各类场景中（包括移动障碍物与边界约束），规划器效率提升 3.33% 至 44.82%。
• 在美国与中国的真实道路测试中，横向跟踪误差保持在 0.01–0.2 米之间，最终位姿的航向误差低于 0.14 度。
• 该算法成功生成了高精度的平滑、运动学可行轨迹，适用于复杂操作如倒车停车、短距离倒车停车与之字形停车。
• 该方法在仿真（282 个案例）与数百小时真实道路测试中均表现出良好的可扩展性与鲁棒性，证实其在实际自动驾驶系统中部署的可行性。