基于状态空间采样的轨迹规划器框架

参见：

A Unified Approach to Local Trajectory Planning and Control for Autonomous Driving along a Reference Path.

该框架用于沿参考路径跟随的自适应预测路径。首先，我们在不同的前瞻距离处对一组与参考路径对齐的良好分离的终端状态进行采样。同时，我们使用模型预测轨迹生成计划器来生成路径，这些路径将当前状态与采样的终端状态连接起来。然后，我们去掉与障碍物碰撞的路径。之后，基于评估成本函数从保持无碰撞路径中选择最佳路径，该评估成本函数考虑因素，例如：平滑度，障碍物接近度和与参考路径的偏差。同时，计划将速度曲线分配给最佳路径。最后，相关的转向和速度控制动作被馈送到低级致动器以便执行。上述整个过程在每个规划周期时间运行 。
1.沿参考轨迹终点采样

图片.png

以车身坐标框架进行局部运动规划
2.基于数值优化方法的约束路径生成
运动方程：

图片.png

控制输入空间三次多项式螺旋来表示

图片.png

路径生成问题变为两点边值问题（BVP）求参数

图片.png

实际上，一旦使用该方法无法获得可行路径，将触发高级规划器（例如图搜索规划器）来计算由一系列短期运动原语组成的无冲突路径。通过实现上述模型预测路径生成方法，产生路径以将初始状态与图1中的多个均匀采样的终端状态连接。

图片.png

具体评估函数由几个加权项组成，即与障碍物Jobstacle的接近度，与参考路径Jdeviation的偏差，平滑度Jsmooth和预测距离Jprediction。更确切地说，Jobstacle是通过积分路径占用的网格成本来计算的，如（6）中所述，其中IJ表示生成的路径，sf是路径的长度。基于局部感测信息预先计算障碍物成本图Cmap，并且将根据其到最近障碍物的距离为网格图的每个单元分配障碍物成本值。 （7）中的路径偏差成本项Jdeviation表示偏离参考路径的代价。它是通过积分生成路径相对于参考路径的横向距离而获得的。为了减少转向控制力，优选平滑路径。如（8）中所述，通过沿路径积分曲率来获得路径平滑度Jsmoothness。在现实世界的实施中，较长的可行路径是优选的，以增加纵向速度。等式（9）反映偏好，其中Lmax是最大前瞻距离，lIJ是根据参考路径的路径长度。

图片.png

图片.png

速度规划
1.最大速度限值

图片.png

2.横向加速度限值

图片.png

3.加减速度限值

图片.png

4.碰撞距离约束

图片.png

————————————————————————————————

控制

运动学上可行的轨迹被认为是标称轨迹以及相应的前馈控制序列。这意味着曲率和速度控制序列被视为前馈控制输入。在实际操作中，外部干扰和车辆动态建模的不确定性是不可避免的。在这里，我们开发一种控制架构来克服这些问题。如图5所示，控制架构由两个组件组成。一个是轨迹生成计划器，其生成期望的轨迹（表示为（x，y，ş，rt，v））和标称前馈控制序列（转向控制输入į和纵向加速度控制输入acc）。另一种是反馈补偿器，其产生反馈控制输入以补偿由于外部干扰引起的状态误差和车辆动态建模不确定性。轨迹生成可以被视为外部控制回路，而反馈补偿器是内部控制输入。而且，内环控制周期相对短于外控制环。因此，该架构确保控制器具有预测能力和抗干扰能力。

图片.png