新的局部路径规划和控制框架

参考

Development of a new integrated local trajectory planning
and tracking control framework for autonomous ground
vehicles

(ILTPTC)自动驾驶车辆的框架,沿着参考路径行驶,避开障碍物。对于该ILTPTC框架,采用有效的基于状态空间采样的轨迹规划方案来平滑地遵循参考路径。基于模型的预测路径生成算法应用于生成一组平滑和连接初始状态和采样终端状态的运动学可行路径。然后设计速度控制定律以在每个点处分配速度值生成的路径。考虑安全性和舒适性的目标函数经过精心设计,用于评估生成的轨迹并选择最佳的。在克服外部的同时准确跟踪最佳轨迹干扰和模型不确定性,组合的前馈和反馈控制器发达。

图片.png

系统框架和算法
在本文中,我们假设可以获得粗略的参考路径作为先验信息。 在实践中,当AGVs在室外环境中驾驶,可以从高级路线规划器获得长期参考路径,或者从在线感知信息(例如道路车道)或高级图形搜索规划器中提取长期参考路径。 它能够阻止车辆被困在局部最小值并避免过度反应的行为。 但是,我们不需要参考无碰撞或曲率连续的路径。 平滑地跟踪参考路径并对实时感知做出反应周围环境,综合的局部轨迹规划和跟踪控制(ILTPTC)系统架构是开发出来,如图3所示。
图片.png

全球路线规划器根据任务计算最快的路线。行为规划师采用全球化的方式路径规划结果和在线传感信息,为当地轨迹规划者生成明智的决策执行。当车辆在不同情况下驾驶时,行为规划者提供的信息也是不同的。例如,当车辆在城市环境中行驶时。行为规划者将推断复杂的流量基于感知信息和交通规则的情况。然后它提供最大允许速度以及
对轨迹规划器的离散决策命令,例如车道保持,车道变换,停在停车线前面等等。基于这些决定,可以显着减少轨迹规划器的解空间。在这研究,通过使用行为规划者提供的知情决策,轨迹规划者可以确定其目标参考路径,最大允许速度以及终端速度。
本地轨迹规划器是基于生成和评估方案开发的。我们首先应用基于状态的采样方案,其采样与参考路径对齐的一组丰富的终端状态。环境约束和高级行为规划指令可以合并到采样方案中,以降低计算复杂性。然后,基于模型预测轨迹生成方法,生成多个动态可行轨迹以将初始状态与终端状态连接,同时尊重车辆模型和控制限制。同时,还获得相应的标称控制输入序列。之后,碰撞测试就是执行以修剪与障碍物碰撞的轨迹。评估剩余的无碰撞轨迹候选者根据目标函数,它解释了与障碍物的接近程度,偏离参考路径,平滑,连续的一致性和执行速度。通过设计的组合前馈和反馈轨迹跟踪控制器选择和跟踪最佳轨迹。整个过程在短时间内定期运行规划周期。
局部轨迹规划
状态空间采样/轨迹生成/碰撞检测/评估
1.状态空间采样
图片.png

预瞄最小距离
图片.png

为了获得平滑的轨迹以及避免意外的障碍物,沿着该轨道采样多个横向偏移参考路径,如图4所示的绿色圆圈。通常,采样点的航向和曲率状态是设置为与沿参考路径的相应最近点的那些相同,以确保生成的轨迹与参考路径对齐。 图4显示了统一的采样方案。实际上,如果规划时间允许,可以增加采样密度以产生更多的轨迹候选者。 在
此外,通过利用有关环境结构,参考路径以及高级行为指令的信息,可以应用知情抽样策略来实现偏差抽样。
2.轨迹生成
BVP,受边界状态和车辆预测运动模型约束,模型预测轨迹生成方法来解决轨迹生成问题。通常,车辆运动模型可以由一组非线性微分方程表示控制约束如下
图片.png

在该研究中,车辆运动学模型被用作预测运动模型。 当然,车辆动态模型也可用于预测控制输入的后果,但它通常涉及在线识别各种时变参数,直接影响前向演化的准确性。 准确预测控制输入的后果,这些时变参数需要在线精确识别。 此外,在实践中,难以预测由地形之间的相互作用引起的对车辆动力学的影响和车辆。 因此,在轨迹过程中,使用车辆运动学模型代替动态模型用于前向传播。 车辆运动学模型可以由以下微分方程表示。
图片.png

运动学模型使用简化的质点模型,该模型描述了后轴中心的运动。 在实践中,当车辆高速行驶时,突然的转向动作可能导致控制不稳定。 确保身体健康转向动作的可行性(例如转向角及其速率限制),并提高横向的安全性和平稳性跟踪控制(避免轮胎侧向力进入非线性或饱和区并减轻侧滑效应),我们明确地考虑了曲率上限κmax和其一阶导数κ̇max的上限约束。它们被定义为
图片.png

基于运动学模型,轨迹生成可以自然地分解为空间路径生成和
通过以下转换生成速度曲线
图片.png

图片.png

图片.png

图片.png

实际上,可以应用预先计算的查找表来获得在线使用的良好初始猜测。如图6所示,基于在车体中心坐标框架下,我们统一采样终端状态并生成相应的路径(为清楚起见,忽略曲率状态并且采样分辨率稀疏)。这些参数产生了路径存储在查找表中。
如图7所示,使用上述相应的空间路径生成方法生成路径候选
对于图4中的统一状态空间采样方案,如果规划时间有限,则优先生成沿着参考路径具有较长预览距离的路径候选者,以避免由于过度反应的动作太近视了。如图7所示,轨迹生成序列是从第1层到第6层。如果是规划时间允许,采样密度可以逐步提高。由于所有这些轨迹都可以并行计算,可以采用并行计算硬件来提高采样密度,进一步改善轨迹规划结果。


图片.png

3.碰撞检测与评估

861/5000
使用环境感知信息进行碰撞测试,其可以表示为占用网格图。 如图10所示,为了降低碰撞测试的计算复杂度,矩形车辆的形状可以通过一组具有相同半径的圆来近似[32]。 为了确保安全,所有障碍物和圆心之间的距离需要大于圆半径。 战略还可以使用基于时空碰撞测试策略来扩展以处理动态避障关于动态环境中运动物体的预测信息。

图片.png

图片.png

成本项Jo表示轨迹与障碍物的接近程度。 例如,在非结构化环境中,占用网格成本图可以建立在感知信息之上。 根据其到最近障碍物的距离,为网格图的每个单元分配在[0,1]范围内的成本值。 因此,Jo可以通过卷积来计算车辆沿着轨道。
图片.png

成本项Jd惩罚与参考p的路径偏差
图片.png

为了避免横向运动不稳定,我们考虑由成本项Js定义的平滑度标准,
这是通过积分轨迹的曲率来计算的
图片.png

成本项Jp表现出较长轨迹的偏好,这可以有效地防止侵略性机动
由短暂的预测视野产生
图片.png

此外,我们还在重新规划过程中考虑规划结果的一致性。 实际上,连续计划之间的不一致很容易导致突然的转向动作,控制过冲或甚至控制不稳定。 成本项Jc惩罚当前轨迹和先前轨迹之间的不一致性。 它是通过积分它们之间的距离来计算的。
图片.png

在每个计划周期中,最小化目标函数的最佳轨迹由所生成的确定
轨迹候选人。 为此,首先生成一组丰富的路径候选,候选路径与之冲突碰撞试验后修剪道路边界。 然后,基于的剩余无碰撞轨迹进行评估上述优化标准。 最佳轨迹由低级控制器选择和执行。 在实践中,加权因子可以灵活调整,以适应不同的驾驶条件。
轨迹跟踪
在本研究中,我们采用组合前馈和反馈控制
战略[33]。 由于期望的速度和曲率轮廓伴随着轨迹的产生,它们可以是用作前馈控制输入以跟随参考路径。 更具体地,速度和曲率轮廓
被用作所需的命令。 为此,可以应用前馈控制方案来跟踪期望的
这些命令可以显着减少反馈控制工作,并允许反馈控制器专注于补偿由模型不确定性和外部干扰引起的误差。
试验
距离周围环境360°和80米,网格分辨率为20厘米×20厘米。规划周期是100 ms,控制周期为50 ms。
如图18所示,从相机收集顶部图像。中间的图像显示相应的本地
规划地图。占用者网格图用于表示环境。红色网格是静态障碍物。该
紫色曲线表示从全局规划器获得的参考路径。丰富的动态可行集
轨迹候选者与参考路径对齐,同时避开障碍物。最大路径长度限制为
60米用于低速行驶。轨迹的颜色代表由目标评估的成本值功能(18)。绿色轨迹是最佳轨迹,由低级跟踪控制器跟踪。底部
图像说明了速度计划曲线,它是通过增强的梯形曲线生成的。最高速度是受路径长度,最大允许纵向和横向加速度以及来自行为的命令的约束规划师。最终速度设置为零,以始终确保车辆能够安全停车。
图片.png

图片.png

图片.png

你可能感兴趣的:(新的局部路径规划和控制框架)