Сенсорные системы, 2021, T. 35, № 2, стр. 164-174

Алгоритм локального планирования пути автономного транспортного средства на основе многокритериальной оптимизации траектории в пространственной решетке состояний

И. Ю. Корнев 12*, В. И. Кибалов 12, О. С. Шипитько 12

1 Институт проблем передачи информации им. А.А. Харкевича РАН
127051 Москва, Большой Каретный переулок, дом 19, Россия

2 ООО “ЭвоКарго”
127015 Москва, Вятская улица, д. 27, Россия

* E-mail: ivan.kornev@evocargo.com

Поступила в редакцию 19.11.2020
После доработки 08.12.2020
Принята к публикации 27.01.2021

Аннотация

В работе представлен алгоритм построения локального пути для беспилотных транспортных средств с неголономной кинематикой автомобильного типа. Локальный путь – последовательность переходов в графе возможных маневров, минимизирующая заданный функционал качества. Граф создается дублированием вдоль глобального пути заранее вычисленного в криволинейной системе координат шаблона кинематически выполнимых маневров. Использование однократно предпосчитанного шаблона существенно уменьшает время построения графа. Вес каждого маневра – ребра в графе переходов – вычисляется как взвешенная сумма оценок по нескольким критериям. Заданный функционал качества минимизирует маневрирование и обеспечивает поддержание безопасного расстояния до препятствий. Информация о препятствиях извлекается из априорной и динамической локальных карт проходимости. Поиск пути во взвешенном графе осуществляется алгоритмом Дейкстры. Предложенный алгоритм был протестирован на дорожных сценах. Каждая сцена представляет собой модель статичной среды с препятствиями, в которой необходимо найти безопасный локальный путь. Вычисления локальных путей производятся в режиме реального времени. Локальные пути были найдены во всех сценах, когда их существование было возможно. При этом они оказались в среднем всего на 1.3% длиннее глобальных априорно заданных путей, не учитывающих препятствия на дороге.

Ключевые слова: планирование пути, локальное планирование пути, пространственная решетка, многокритериальная оптимизация, избегание столкновений, беспилотное транспортное средство, высокоавтоматизированное транспортное средство, неголономная кинематика

DOI: 10.31857/S0235009221020062

Список литературы

  1. Кунина И.А., Панфилова Е.И., Поволоцкий М.А. Детектирование пешеходных переходов на изображениях дороги на основе метода динамического выравнивания временных рядов. Тр. ин-та системного анализа РАН. 2018. Т. 68. № 1. С. 23–31. https://doi.org/10.14357/20790279180503

  2. Лобанов М.Г., Шоломов Д.Л. Об ускорении архитектуры сверточной нейронной сети на базе ResNet в задаче распознавания объектов дорожной сцены. Информационные технологии и вычислительные системы. 2019. Т. 69. № 3. С. 57–65. https://doi.org/10.14357/20718632190305

  3. Gonzalez D., Pérez J., Milanes V., Nashashibi F. A review of motion planning techniques for automated vehicles. IEEE. 2015. V. 17. № 4. P. 1135–1145. https://doi.org/10.1109/TITS.2015.2498841

  4. Kuwata Y., Fiore G.A., Teo J., Frazzoli E., How J.P. Motion planning for urban driving using rrt. IEEE. 2008. P. 1681–1686. https://doi.org/10.1109/IROS.2008.4651075

  5. Pivtoraiko M., Kelly A. Efficient constrained path planning via search in state lattices. Internat. Sympos. Artific. Intell., Robot. Automat. Space. 2005. P. 1–7.

  6. Pothan S., Nandagopal J. L., Selvaraj G. Path planning using state lattice for autonomous vehicle. IEEE. 2017. P. 1–5. https://doi.org/10.1109/TAPENERGY.2017.8397363

  7. Rösmann C., Feiten W., Wösch T., Hoffmann F., Bertram T. Trajectory modification considering dynamic constraints of autonomous robots. VDE. 2012. P. 1–6.

  8. Shvets E.A., Shepelev D.A., Nikolaev D.P. Occupancy grid mapping with the use of a forward sonar model by gradient descent. J. Communicat. Technol. Electron. 2016. V. 61. № 12. P. 1474–1480. https://doi.org/10.1134/S106422691612024X

  9. Takahashi A., Hongo T., Ninomiya Y., Sugimoto G. Local path planning and motion control for agv in positioning. IEEE. 1989. P. 392–397. https://doi.org/10.1109/IROS.1989.637936

  10. Thrun S., Montemerlo M., Dahlkamp H., Stavens D., Aron A., Diebel J., Lau K. Stanley: The robot that won the darpa grand challenge. J. Field Robotics. 2006. V. 23. № 9. P. 661–692. https://doi.org/10.1002/rob.20147

  11. Vishal K., Arvind C.S., Mishra R., Gundimeda V. Traffic light recognition for autonomous vehicles by admixing the traditional ML and DL. Intern. Soc. Opt. Photon. 2019. V. 110. C. 110410H. https://doi.org/10.1117/12.2523105

  12. Werling M., Ziegler J., Kammel S., Thrun S. Optimal trajectory generation for dynamic street scenarios in a frenet frame. IEEE. 2010. P. 987–993. https://doi.org/10.1109/ROBOT.2010.5509799

  13. Ziegler J., Bender P., Dang T., Stiller C. Trajectory planning for bertha a local, continuous method. IEEE. 2014. P. 450–457. https://doi.org/10.1109/IVS.2014.6856581

  14. Ziegler J., Stiller C. Spatiotemporal state lattices for fast trajectory planning in dynamic on-road driving scenarios. IEEE. 2009. P. 1879–1884. https://doi.org/10.1109/IROS.2009.5354448

Дополнительные материалы отсутствуют.