DNFOMP：杂乱环境中自动驾驶汽车导航的动态神经场最优运动规划器

附赠自动驾驶学习资料和量产经验：链接

摘要

本文介绍了DNFOMP：杂乱环境中自动驾驶汽车导航的动态神经场最优运动规划器。动态变化环境中的运动规划是自动驾驶中最复杂的挑战之一。除了驾驶舒适性和速度限制以外，安全性也是一项关键要求。尽管经典的基于采样、基于lattice和基于优化的规划方法可以生成平滑而短的路径，但是它们通常不考虑环境的动态特性。一些技术确实考虑了这一点，但是它们依赖于在行驶过程中更新环境而不是明确考虑动态特性，这不适用于自动驾驶。为了解决这一问题，本文提出了一种基于神经场最优运动规划器（NFOMP）的新型方法，该方法在归一化曲率和尖端数量方面优于最先进的方法。本文方法将先前已知的运动障碍物嵌入到神经场碰撞模型中，以考虑环境的动态特性。本文还通过将拉格朗日乘子加入轨迹损失函数中，以引入轨迹的时间曲线和非线性速度约束。我们使用BeamNG.tech驾驶仿真器，将本文方法应用于求解城市环境中的最优运动规划问题。一辆自动驾驶汽车在三个城市场景中行驶生成的轨迹，同时与障碍物汽车共享道路。本文评估表明，乘客可以体验的瞬时最大加速度为-7.5m/s^{2，89.6%的驾驶时间用于加速度低于3.5m/s}2的正常驾驶。

主要贡献

本文的主要贡献如下：

1）本文提出了碰撞的神经场表示，其考虑了运动障碍物；

2）本文提出了一种具有速度和转向约束的自动驾驶汽车的轨迹优化方法；

3）本文提出了一种基于优化的算法，用于非圆形非完整机器人的最优运动规划。

论文图片和表格

总结

本文提出了一种新型算法用于求解杂乱环境中自动驾驶汽车的最优运动规划问题。由于该算法将环境动态特性嵌入到神经场碰撞模型中，使得在空间-时间中规划轨迹和避开运动障碍物成为可能。为了验证本文所提出方法，一辆自动驾驶汽车在BeamNG.tech驾驶仿真器中沿着规划的轨迹行驶，获得了轨迹曲率和尖端数量等常规指标。在这些项中，本文所提出方法与NFOMP基线处于相同的水平，并且额外考虑了运动障碍物。根据动态性质的研究，乘客可以体验的瞬时最大加速度为 -7.5m/s^{2，89.6%的行驶时间用于加速度低于3.5m/s}2的正常驾驶。

在未来，我们计划在各种装置上进行现实世界实验，例如室外、室内移动机器人、无人机，并且检查该方法对于更复杂系统的适用性，例如模块化两轮漫游车。