Unmanned Surface Vehicle Path Planning from the Perspective of Multi-Modality Constraints: A Comprehensive Analysis
Wuhan University of Technology(武汉理工大学);Delft University of Technology(代尔夫特理工大学)
本文从多模态约束视角系统梳理无人水面艇路径规划,将其分为航线、轨迹和运动规划三个阶段,综述各阶段方法与经典算法,并指出存在问题与未来研究方向。
2025-03-09 cs.RO
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité(巴黎大学);Technische Universität München(慕尼黑工业大学)
基于CommonRoad基准套件举办自动驾驶运动规划竞赛,评估各方法在效率、安全、舒适及交通规则遵守方面的表现,并总结主要结果。
2024-11-10 cs.RO
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology(麻省理工学院);CTU in Prague(布拉格捷克理工大学)
自动驾驶汽车是一项成熟的技术,有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动,以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法,特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查,以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性,并有助于系统级设计选择。
2016-04-25 cs.RO
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo(东京大学)
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题,提出基于V2V共享局部路径的交互式速度优化势场规划方法,可提升双方行驶安全舒适性并减少振荡。
2023-06-12 cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
提出一种针对多楼层场景的轨迹规划框架,包括基于广义Voronoi图和多目标算法的任务规划模块,以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块,并通过仿真验证可行性。
2026-06-24 cs.RO
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley(加州大学伯克利分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出了一种集成的运动规划系统的自主车辆(AV)停车在其他移动车辆的存在。拟议的系统包括1)预测周围车辆运动的混合环境预测器和2)对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合,以进行长期预测。该策略运动规划器包括:1)基于模型预测控制的安全控制器,用于轨迹跟踪; 2)基于搜索的撤退规划器,用于在紧急情况下寻找规避路径; 3)基于优化的修复规划器,用于在原始路径无效时规划新路径。仿真验证表明,所提出的方法在初始规划,运动预测,安全跟踪,在紧急情况下撤退,和轨迹修复方面的有效性。
2022-04-26 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University(Innopolis大学)
通常,最佳运动规划可以局部地和全局地执行。在这种规划中,选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此,最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时,要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此,本研究的首要目标是分析相关文献,以了解如何制定的运动规划,特别是轨迹规划,问题时,被应用于实时生成最佳轨迹的多旋翼飞行器(MAVs),影响所列指标。作为研究的结果,轨迹规划问题被分解为一组子问题,并确定和详细描述了解决每个问题的方法列表。随后,对2010年至2022年期间最突出的成果进行了总结,并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
A Human-Centric Method for Generating Causal Explanations in Natural Language for Autonomous Vehicle Motion Planning
University of Edinburgh(爱丁堡大学);Five AI Ltd.(Five AI有限公司)
难以理解的人工智能系统很难信任,特别是如果它们在自动驾驶等安全关键环境中运行。因此,有必要建立透明和可查询的系统,以提高信任水平。我们提出了一个透明的,以人为中心的解释生成方法,自主车辆运动规划和预测的基础上,现有的白盒系统称为IGP 2。我们的方法将贝叶斯网络与上下文无关的生成规则相结合,可以为自动驾驶汽车的高级驾驶行为提供因果自然语言解释。对模拟场景的初步测试表明,我们的方法捕捉到了自动驾驶汽车行为背后的原因,并生成了复杂程度不同的解释。
2022-06-27 cs.RO
Path planning for unmanned surface vehicle based on predictive artificial potential field. International Journal of Advanced Robotic Systems
Beihang University(北京航空航天大学)
本文提出一种结合时间信息和预测势场的改进方法,用于提升无人水面车辆路径规划的效率和避障能力。
2026-02-22 cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente(代尔夫特理工大学电子工程、数学与计算机科学学院);Department of Electrical Engineering, Wright State University(威斯汀大学电气工程系)
本文提出一种基于学习的并行场景预测方法,用于自动驾驶中的运动规划,通过模拟可能场景并计算成本,平衡和剪枝不合理动作,提升安全性和规划效率。
2024-11-15 cs.RO
Multi-Vehicle Trajectory Planning at V2I-enabled Intersections based on Correlated Equilibrium
Tongji University(同济大学);Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院);National Key Laboratory of Autonomous Intelligent Unmanned Systems(自主智能无人系统全国重点实验室);Frontiers Science Center for Intelligent Autonomous Systems, Ministry of Education(教育部智能自主系统前沿科学中心)
本文提出一种基于相关均衡的V2I交叉口多车轨迹规划框架,通过交叉口管理器优化轨迹推荐概率分布,在保证安全一致均衡的同时提升通行效率。
2024-06-08 cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University(东北大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);Columbia University(哥伦比亚大学)
本文提出基于DQN和DDQN的无人车辆局部导航系统,通过改进奖励函数和障碍物角度判定方法,解决了接近障碍物时频繁减速的问题,实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
Opportunities to Parallelize Path Planning Algorithms for Autonomous Underwater Vehicles
本文讨论了在时变环境中并行化基于图的路径规划算法的机会。并行架构已经变得普遍,需要算法被并行化以实现高效执行。本文的另一个重点是包括不准确的路径规划的预测误差方差,准确性的计算成本函数和不同的观察到的车辆速度在实际任务比计划的结果。在此背景下,将描述鲁棒路径规划算法。这些算法同样适用于陆基、空中或水下移动自主系统。这里提出的结果为未来的研究项目提供了基础,在该项目中,并行算法将在多核和多核系统上进行评估,如双核ARM Panda板和48核单芯片云计算机(SCC)。现代多核和多核处理器支持广泛的性能与能源权衡,可用于能源受限的环境,如电池供电的自主水下航行器。为了进行评估,这些板将部署在斯洛克姆滑翔机内,斯洛克姆滑翔机是一种商用浮力驱动的自主水下航行器(AUV)。
2017-02-26 cs.RO
Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics
National University of Defense Technology(国防科技大学);Hunan University(湖南大学)
本文提出GP-SKRL算法,结合稀疏高斯过程回归与稀疏核策略迭代,在不确定动力学下实现智能车辆在线自适应近最优运动规划,并通过仿真与实车实验验证其优越性。
2023-08-09 cs.RO
On-Road Motion Planning for Automated Vehicles at Ulm University
University of Ulm(乌尔姆大学)
乌尔姆大学的测量、控制和微技术研究所研究先进的驾驶辅助系统已有数十年,主要集中在自动驾驶方面。众所周知,运动规划是自动驾驶的关键技术。它首先负责车辆乘客以及周围所有交通参与者的安全。然而,进一步的任务在于提供平稳和舒适的驾驶行为。在乌尔姆,我们有机会在公共交通和各种场景的真实条件下测试我们的算法。在本文中,我们希望让读者了解我们的工作,关于车辆,测试轨道,以及相关的问题,挑战和解决方案。因此,我们将描述运动规划系统并解释所实现的功能。此外,我们将展示我们的车辆如何在公共道路交通中行驶,以及如何应对具有挑战性的场景,例如驾驶通过环形交叉口和十字路口。
2021-06-02 cs.RO
Motion Primitives Planning For Center-Articulated Vehicles
Robotic Systems Lab, ETH Zurich(苏黎世联邦理工学院机器人系统实验室)
本文提出一种面向中心铰接式车辆的运动基元规划方法,结合滚动时域规划与位姿稳定控制,在SPL指标上较现有策略提升67%,并通过SAHA实车实验验证有效性。
2024-10-04 cs.RO
A Survey on Sensor-based Planning and Control for Unmanned Underwater Vehicles
本文综述了水下无人航行器基于传感器的规划与控制方法,分析了复杂环境下的定位与避障问题,探讨了耦合架构与解耦架构的对比,指出MPC和不变集控制器在路径优化与安全性方面的贡献。
2026-04-06 cs.RO
Risk-Aware Path Planning for Ground Vehicles using Occluded Aerial Images
University of Maryland(马里兰大学)
我们考虑的情况下,地面车辆计划其路径使用由飞行器收集的数据。在航拍图像中,场景的可导航区域可能由于障碍物而被遮挡。使用航拍图像来天真地规划路径可能导致更长的路径,因为保守的规划者可能试图避开被遮挡的区域。我们提出了一个模块化的,基于深度学习的框架,允许机器人预测在闭塞区域的可导航区域的存在。具体来说,我们使用图像修补方法来填充可能被遮挡的部分区域,然后可以对这些区域进行语义分割以确定可导航性。我们使用监督神经网络的两个模块。然而,这些预测可能是不正确的。因此,我们提取这些预测中的不确定性,并使用风险感知方法,将这些不确定性考虑到路径规划中。我们比较模块在我们的方法与非学习为基础的方法,以显示所提出的框架的有效性,通过照片逼真的模拟。模块化管道允许在不同设置中进一步改进路径规划和部署。
2022-04-24 cs.RO
A Look at Motion Planning for Autonomous Vehicles at an Intersection
SRM Institute of Science and Technology(SRM科学技术研究所)
自动驾驶汽车目前正在各种场景中进行测试。当我们走向自动驾驶汽车时,十字路口应该是什么样子?为了回答这个问题,我们将交叉口管理分解为轨迹规划中涉及的不同难题和场景以及解决这些难题的当前方法。然后,简要分析了目前自主交叉口的研究现状。以批判的眼光,我们试图深入研究现有解决方案的差异,同时提出一些已经解决的关键和重要因素。此外,还强调了必须解决的未决问题。我们还试图回答的问题,如何基准交叉口管理算法,提供一些因素,影响自主导航在交叉口。
2018-09-07 cs.RO
Graph-based Motion Planning for Automated Vehicles using Multi-model Branching and Admissible Heuristics
Ulm University(乌尔姆大学)
城市场景中的自动驾驶需要能够实时处理复杂情况的高效规划算法。一种流行的方法是使用基于图的规划方法,以获得一个粗略的轨迹,随后进行优化。一个关键的方面是生成轨迹,在图形搜索过程中实现舒适和安全的行为,同时保持低计算时间。为了抓住这一方面,一方面,在这项工作中提出了一个分支策略,导致更好的性能方面的质量产生的轨迹和运行时间。另一方面,可容许的启发式示出了有效地引导图搜索,其中的解决方案仍然是最优的。
2021-02-15 cs.RO
Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple Task Points
Beihang University(北京航空航天大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
全局路径规划是水面无人艇设计的关键技术。本文建立了基于电子海图和六边形网格的全球环境建模方法,证明了六边形网格在有效性、安全性和快速性方面优于正方形网格。此外,我们引入立方体坐标系来简化六边形算法。在此基础上,提出了一种改进的A* 算法来实现两点间的路径规划。在此基础上,建立了多任务点全局路径规划模型,并提出了一种改进的蚁群算法来精确实现。仿真结果表明,该全局路径规划系统能够安全、快速地规划出一条最优路径,实现对多个任务点的安全巡视,在安全性、快速性和路径长度等方面均优于传统方法。此外,规划的路径可以直接应用于USV的实际应用。
2018-07-21 cs.RO
Model-Based Planning and Control for Terrestrial-Aerial Bimodal Vehicles with Passive Wheels
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(湖州学院(浙江大学湖州研究院))
针对陆空两栖载具双模态动力学导致的规划控制难题,提出基于统一动力学模型与微分平坦性的优化轨迹规划及非线性模型预测控制框架,实现精确跟踪与平滑模态切换。
2024-03-01 cs.RO
Optimal Vehicle Trajectory Planning for Static Obstacle Avoidance using Nonlinear Optimization
Guangzhou Xiaopeng Motors Technology Co Ltd(广州小鹏汽车科技有限公司)
针对自动驾驶轨迹规划需兼顾可行性、舒适性与商用计算效率的需求,提出基于非线性优化的新型算法,可生成运动学可行、舒适性最优的静态障碍物避障轨迹,且在两类硬件平台上均实现毫秒级快速生成。
2023-07-18 cs.RO
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑,通过多模式串联实现名义无损喷雾,并与Boustrophedon路径规划下的反应式开关逻辑对比,分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Trajectory Planning for Autonomous Vehicle Using Iterative Reward Prediction in Reinforcement Learning
ThorDrive
针对传统自动驾驶轨迹规划泛化性差、现有强化学习方法学习不稳定且未考虑不确定性的问题,提出带迭代奖励预测与不确定性感知的强化学习轨迹规划方法,在CARLA上验证可显著降碰撞率、提平均奖励。
2024-05-12 cs.RO
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology(北京理工大学)
提出基于交互式时空走廊(ISTCs)的多车协调运动规划分层方法,通过混合整数二次规划构建走廊解耦高维冲突,再用非线性规划生成满足动力学的轨迹,有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
The Hybrid Extended Bicycle: A Simple Model for High Dynamic Vehicle Trajectory Planning
Center for Robotics, Mines Paris, PSL University(PSL大学巴黎矿业中心机器人中心);Heex Technologies(希克斯技术公司)
针对高自动驾驶场景下突发高动态机动的车辆建模需求,提出基于LSTM的混合扩展自行车模型,结合MPPI框架实现操控极限下的精准可行轨迹规划。
2024-07-10 cs.RO
Research and Implementation of Global Path Planning for Unmanned Surface Vehicle Based on Electronic Chart
Beihang University(北京航空航天大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
无人水面航行器是一种新型的智能水面航行器,全局路径规划是无人水面航行器研究的关键技术,能够反映无人水面航行器的智能化水平。为了解决无人艇全局路径规划问题,提出了一种基于电子海图的航行成本优化的改进A* 算法。利用S-57电子海图实现了八叉树网格环境模型的建立,并提出了基于航行安全权值、引航员数量和路径曲线平滑的改进A* 算法,以保证航路安全,减少规划时间,提高路径平滑度。仿真结果表明,该环境模型构建方法和改进的A* 算法能够生成安全合理的全局路径。
2018-02-09 cs.RO
GripMap: An Efficient, Spatially Resolved Constraint Framework for Offline and Online Trajectory Planning in Autonomous Racing
针对自动驾驶竞速中传统轨迹规划忽略路面抓地力随位置变化的问题,提出GripMap框架,在Frenet坐标系中空间分辨动力学约束,通过完美哈希实现低存储与快速访问,提升规划效率与安全性,实验验证其有效性且可作为未来可解释学习算法的基础层。
2025-04-16 cs.RO
Incorporating Target Vehicle Trajectories Predicted by Deep Learning Into Model Predictive Controlled Vehicles
Technical University of Munich(慕尼黑工业大学);Eindhoven University of Technology(埃因霍温理工大学);Beijing Institute of Technology(北京理工大学)
本文提出一种风险感知MPC运动规划方法,利用RNN根据历史数据预测目标车辆轨迹,并将其纳入自车优化约束,仿真验证了预测精度与无碰撞轨迹生成能力。
2023-10-04 cs.RO
Implementation of a self-developed model predictive control scheme for vehicle parking maneuvers
Vehicle Industry Research Center(汽车工业研究中心);Széchenyi István University(塞切尼·伊什特万大学)
在本文中,提出了一种自主开发的控制器算法的目标是处理一个基本的停车操作。自动驾驶汽车控制的最大挑战之一是正确的校准和为给定条件找到正确的车辆模型。由于许多其它研究,模型预测控制(MPC)结构已经开始成为最有前途的控制技术。在我们的工作中,我们从白皮书中实现了MPC功能。考虑到低速条件下的停车机动,我们使用的运动学自行车模型作为控制器的基础。该算法有两个主要输入:规划轨迹和车辆状态反馈信号。该控制器被实现为Simulink模型,并使用ROS框架集成到一个完整的自主控制系统。通过多个步骤验证结果:仅使用Simulink与纯运动自行车工厂模型;使用包含真实车辆模型和整个软件链的LGSVL仿真框架;控制器为真实车辆测试做好准备。
2021-09-21 cs.RO
Spatio-temporal Motion Planning for Autonomous Vehicles with Trapezoidal Prism Corridors and Bézier Curves
Birla Institute of Technology and Science, Pilani(皮拉尼比尔拉理工学院);Cleveland State University(克利夫兰州立大学);Dajiang Innovation Technology Co., Ltd(大疆创新科技有限公司);Carnegie Mellon University(卡内基梅隆大学)
安全保证的运动规划对于自动驾驶汽车生成无碰撞轨迹至关重要。为此目的,广泛使用具有解耦的路径和速度规划的分层运动规划方法。这种方法在存在动态障碍物的情况下往往是次优的。时空方法同时处理路径规划和速度规划,然而,现有的方法只支持简单形状的走廊,如长方体,这限制了搜索空间的优化在复杂的场景。我们建议使用梯形棱柱形的走廊进行优化,这显着扩大了解决方案的空间相比,现有的立方体走廊为基础的方法。最后,分段Bézier曲线优化进行我们建议的走廊。该公式从理论上保证了连续时间轨迹的安全性。我们验证了所提出的方法的效率和有效性,在数值和CommonRoad模拟。
2022-09-30 cs.RO
Model Predictive Control for Micro Aerial Vehicles: A Survey
Norwegian University of Science and Technology (NTNU)(挪威科技大学(NTNU));Voliro AG(Voliro公司);ETH Zurich(苏黎世联邦理工学院)
本文介绍了微型飞行器的模型预测控制策略的设计和应用,特别是多旋翼构型,如四旋翼。基于在线性或非线性动力学上优化的控制律、状态和输入约束的集成、可能的容错设计、是否已利用强化学习方法以及控制器是否涉及自由飞行或其他任务(如物理交互或负载传输),组织该领域中的各种工作。一组选定的比较结果,并提供洞察力的线性和非线性方案之间的选择,调整的预测范围,基于干扰消除器的无偏置跟踪的重要性和这种方法的内在鲁棒性参数的不确定性。此外,现代深度强化学习技术和模型预测控制的多旋翼飞行器的组合应用的最新研究趋势的概述。最后,这篇评论的结论与明确的讨论有关选定的开源软件包,提供现成的模型预测控制功能,适用于各种各样的微型飞行器配置。
2020-11-22 cs.RO
Feedback Motion Planning for Long-Range Autonomous Underwater Vehicles
SUNY Old Westbury(纽约州立大学老韦斯特伯里分校);Umm Al-Qura University(乌姆·库拉大学);Florida International University(佛罗里达国际大学);Fort Lewis College(刘易斯堡学院)
海洋生态系统具有时空变异性和动态复杂性,需要长期部署自主水下航行器进行数据汇集。一种新的远程自主水下航行器Tethys被改造用于研究不同的海洋现象。此外,海洋环境具有外部力和力矩以及变化的水流,这通常不在车辆运动学模型中考虑。在这种情况下,在不确定的海洋中生成从初始位置到目标位置的简单轨迹是不够的,因为车辆可能偏离其预期轨迹。因此,我们建议计算一个反馈计划,适应车辆轨迹中存在的任何建模或未建模的不确定性。在这项工作中,我们提出了一个反馈运动规划方法的特提斯车辆相结合的预测海洋模型和运动学建模。给定一个目标位置,特提斯运动学模型,和水流模式,我们的方法计算一个反馈计划的车辆在一个动态的海洋环境中,减少其能源消耗。计算的反馈计划提供了最佳的行动,特提斯车辆采取从任何位置的环境,以达到目标位置考虑其方向。基于实际海洋模式预报数据的结果表明了该方法的适用性。
2019-11-21 cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics(国立信息学研究所);Hunan University(湖南大学)
在自主应用的路径规划问题中,现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑,很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白,本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology(FZI 信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出,合作运动规划的方法仍然存在。在本文中,我们提出了一种方法来提高常见的运动规划算法,允许与人类驾驶的车辆合作。与以前的方法不同,我们将其他交通参与者的预测集成到运动规划中,这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此,提出了一种新的成本函数,包含场景中所有相关交通参与者的成本。最后,我们提出了一个路径速度分解采样为基础的实现,我们的方法为选定的情况下,这是在模拟评估。
2017-08-23 cs.MA cs.RO
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University(庆北国立大学)
本文针对高速公路自动驾驶中的车辆交互问题,提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架,并基于庞特里亚金极小值原理实现轨迹优化,仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Search-Based Autonomous Vehicle Motion Planning Using Game Theory
Mechanical and Mechatronics Eng. Department, University of Waterloo(滑铁卢大学机械与机电工程系)
本文提出一种基于博弈论的搜索式自动驾驶车辆运动规划方法,将其他道路使用者视为智能体而非静态障碍物,以生成更真实的路径,并通过 WATonoBus 实验验证其性能与实时性。
2025-07-20 cs.GT cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited(腾讯科技(北京)有限公司)
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中,我们提出了一种新的时空运动规划算法,有效地解决了约束非线性最优控制问题,使用迭代线性二次型调节器(iLQR),该方法考虑了交通车辆的不确定驾驶行为,并将自动驾驶车辆之间的碰撞风险降至最低,(称为“自我”车辆)和交通车辆之间的距离,使得自我车辆能够与所有周围车辆保持足够大的距离,以实现交通中期望的防撞操纵。为此,我们引入了“碰撞多边形”的概念,用于计算自我车辆和交通车辆之间的最小距离,并提供了两种不同的解决方案,设计的运动规划问题的约束条件,通过适当建模的交通车辆的行为,以评估碰撞风险。最后,利用仿真器和3级自动驾驶测试平台,对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego(加州大学圣地亚哥分校)
自动驾驶中的安全路径规划是一项复杂的任务,由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源,但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能,标志的显着性,定义为指示是否有明显的信息,自我车辆的目标,关于交通法规的标志。在裁剪标志上使用卷积网络,结合道路类型、图像坐标和计划机动的实验增强,我们以76%的准确率预测标志的显著性,使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment
Institute of Robotics and Machine Intelligence(机器人与机器智能研究所);Poznan University of Technology(波兹南理工大学)
一个有效的路径规划器的自动汽车类车辆应该处理强大的运动学约束,特别是在有限的空间,而在城市交通中机动时经常遇到的,并应能够快速规划,因为城市交通场景是高度动态的。最先进的规划算法以高计算成本处理这种困难的情况,通常会产生不确定的结果。然而,利用在相同或相似环境中获得的过去规划经验,可以快速生成可行的局部路径。虽然通过监督训练的学习对于真实的交通场景是有问题的,但本文引入了一种新的基于神经网络的路径规划方法,该方法采用基于梯度的自监督学习算法来预测可行路径。这种方法充分利用了以往的经验,并迅速产生可行的机动计划,汽车类车辆有限的转向角。这种方法的有效性已被计算实验所证实。
2020-03-02 cs.LG cs.RO
Optimization-Based On-Road Path Planning for Articulated Vehicles
KTH Royal Institute of Technology(瑞典皇家理工学院);Linköping University(林雪平大学);Scania CV AB(斯堪尼亚汽车公司)
在狭窄的道路延伸段上操纵铰接式车辆对于人类驾驶员来说通常是一项具有挑战性的任务。除非车辆被准确地转向,否则车身的一部分可能会超出其指定的车道,从而增加与周围交通碰撞的风险。在这项工作中,提出了一种基于优化的路径规划算法,针对道路上行驶的情况下,铰接车辆组成的牵引车和拖车。为此,我们在适合道路规划的道路对齐坐标系中对牵引车-拖车车辆进行建模。基于驾驶行为学,提出了一组不同的优化目标,其总体目标是设计一个路径规划器,该路径规划器计算最小化车身扫掠区域的偏离轨道的路径,同时保持在道路上并避免与障碍物碰撞。使用最具挑战性的牵引车拖车尺寸,在一组复杂且实际相关的道路规划场景的模拟中评估和分析了所提出的基于优化的路径规划算法以及不同的优化目标。
2020-05-11 cs.RO cs.SY eess.SY
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research(瓦赫宁根大学及研究中心)
本文介绍了Fields 2Cover,一个新的开源库覆盖路径规划(CPP)的农用车辆。虽然现在有几种CPP解决方案,但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架,用于规划覆盖路径,开发新技术,并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构,支持各种车辆,可用于各种应用,包括农场。它的核心模块是:一个岬生成器,一个条带生成器,一个路线规划器和路径规划器。机器人操作系统(ROS)的接口也提供了作为add-on. In本文中,库的功能,规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与宇航工程学院)
提出了一种新的综合方法,以处理的决策和运动规划的自动驾驶汽车(AV)的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映,在建模过程中考虑了社会行为。然后,应用Stackelberg博弈理论解决决策问题,将其转化为一个非合作博弈问题。此外,在运动规划模型中引入势场,利用不同的势函数来描述周围车辆的不同行为和道路约束。然后,利用模型预测控制(MPC)来预测自主车辆的状态和轨迹。最后,决策和运动规划,然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明,该集成方法能够解决与其他交通参与者的不同社会互动,为自动驾驶汽车做出正确、安全的决策和规划,证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY
CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University(重庆交通大学);Tongji University(同济大学)
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University(林雪平大学)
即使对于有经验的驾驶员来说,在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中,我们提出了一个基于优化的轨迹规划器,针对低速机动的非结构化环境中的多转向N拖车车辆,这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤,其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后,在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器,这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估,在一组实际相关的情况下,多转向3拖车车辆与车一样的拖拉机,其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Path Planning for Multiple Heterogeneous Unmanned Vehicles with Uncertain Service Times
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Wayne State University(韦恩州立大学);Air Force Research Laboratory(空军研究实验室)
本文提出了一个框架,并制定解决路径规划问题的多个异构无人机(UV)与不确定的服务时间为每个车辆-目标对。车辆将受到与其总服务时间超过预设常数的持续时间成比例的惩罚。这些车辆的运动限制不同,在任务开始时位于不同的仓库。车辆还可以配备不同的传感器。目标是为每辆车找到一个在其各自的停车场开始和结束的行程,使得每个目标都被某辆车访问和服务,同时最小化总行驶距离和所有车辆所产生的预期惩罚之和。我们制定的问题作为一个两阶段的随机程序与追索权,目前的理论性质的制定和优势,使用这样的制定,而不是一个确定性的期望值制定,来解决这个问题。大量的数值模拟也证实了所提出的方法的有效性。
2017-02-24 cs.RO math.OC
Motion Planning and Tracking Control of Unmanned Underwater Vehicles: Technologies, Challenges and Prospects
University of Guelph(圭尔夫大学)
无人水下航行器(UUV)的运动规划与跟踪控制技术是实现UUV高效、鲁棒导航的基础,对于水下救援、设施维护、海洋资源勘探、水上娱乐等具有重要意义。UUV运动规划与跟踪控制的研究在国内外得到了迅速发展。多UUV系统的任务分配、UUV路径规划和UUV轨迹跟踪。本文对UUV的运动规划和跟踪控制的传统技术和智能技术进行了全面的综述。这些不同的方法在文献中的优点和缺点的分析。最后,展望了UUV运动规划和跟踪控制的发展前景。
2022-07-10 cs.RO cs.SY eess.SY
Robust Model Predictive Control for Autonomous Vehicles/Self Driving Cars
本文提出一种用于自主车辆前轮控制的鲁棒模型预测控制方法,通过权重调整和在线线性化技术提升控制鲁棒性,并讨论各方法在精度和计算负载上的有效性。
2018-05-22 cs.RO cs.SY eess.SY
A Geometric Approach to On-road Motion Planning for Long and Multi-Body Heavy-Duty Vehicles
Scania CV AB(斯堪尼亚CV公司)
与乘用车相比,驾驶重型车辆,例如公共汽车和牵引车拖车车辆是一项艰巨的任务。大多数关于自动驾驶车辆运动规划的研究都集中在乘用车上,与重型车辆相关的许多独特挑战仍然存在。然而,最近的工作已经开始解决的特殊困难,道路上的运动规划的公共汽车和牵引车拖车车辆使用数值优化方法。在这项工作中,我们提出了一个框架来设计一个优化目标,用于运动规划。基于几何推导,该方法找到了最佳的权衡之间的冲突目标的中心不同轴的车辆在车道上。对于公共汽车,我们考虑前轴和后轴的权衡,而对于铰接式车辆,我们考虑牵引车和拖车后轴的权衡。我们的研究结果表明,所提出的设计策略的结果规划的路径,大大提高了重型车辆的行为,保持整个车身在车道的中心。
2020-10-15 cs.RO cs.SY eess.SY
Neural Network Based Model Predictive Control for an Autonomous Vehicle
Lab-STICC(Lab-STICC实验室);ENSTA-Bretagne(布列塔尼国立高等先进技术学院);LIX(LIX实验室);Ecole Polytechnique(巴黎综合理工学院);CNRS(法国国家科学研究中心);Institut Polytechnique de Paris(巴黎理工学院)
我们研究基于学习的控制器作为模型预测控制器(MPC)的自动驾驶汽车的控制的替代品。我们集中在简单而有代表性的自行车模型上进行实验。我们比较了监督学习和强化学习的训练。我们还讨论了神经网络的结构,以获得最佳性能的小网络。这项工作的目的是生产控制器,既可以嵌入在实时平台上,并服从形式化方法技术的验证。
2021-07-30 cs.AI cs.RO
Prioritized experience replay-based DDQN for Unmanned Vehicle Path Planning
Peking University(北京大学);Northeastern University(东北大学);New York University(纽约大学)
针对传统算法在复杂环境下易陷入死区的问题,提出结合优先经验回放的DDQN路径规划算法,实验证明其在速度、准确性和突破死区能力上显著优于其他方法。
2024-06-25 cs.RO cs.SY eess.SY
Simulation and Model Checking for Close to Realtime Overtaking Planning
University of Glasgow(格拉斯哥大学)
快速可靠的轨迹规划是自动驾驶车辆的关键要求。在本文中,我们介绍了一种新的技术,规划路线的自动驾驶汽车在一个直的农村道路上使用自旋模型检查。我们展示了如何将Spins识别违反时间属性的路径的能力与自动驾驶汽车3D Unity模拟的传感器信息相结合,以计划和执行交通繁忙道路上的连续超车操作。这涉及到对传感信息进行离散化,并将多个顺序自旋模型与线性时间时序逻辑规范相结合,以生成错误路径。该路径为自动驾驶汽车提供行动计划。整个过程几乎是实时进行的,不使用预先计算的数据,行动计划是专门为各个场景定制的。我们的实验表明,实现我们方法的模拟自动驾驶汽车平均可以行驶至少40公里,并在经历碰撞之前超过214辆汽车,这通常是由传感系统的不准确引起的。虽然所提出的系统有一些缺点,但我们相信,我们的新方法展示了一个潜在的强大的未来工具,用于自动驾驶车辆的有效轨迹规划。
2021-10-25 cs.LO cs.RO
Path planning for autonomous vehicles with minimal collision severity
Universität der Bundeswehr München(慕尼黑联邦国防军大学)
本文提出一种针对自动驾驶车辆的两层最优控制路径规划算法,通过生成碰撞严重度图,在碰撞不可避免时寻找严重度最低且转向力最小的路径,并验证了其有效性。
2024-08-28 cs.RO math.OC