DNFOMP: Dynamic Neural Field Optimal Motion Planner for Navigation of Autonomous Robots in Cluttered Environment

要約

動的に変化する環境における動作計画は、自動運転における最も複雑な課題の 1 つです。
安全性は、運転の快適性や速度制限とともに重要な要件です。
従来のサンプリング ベース、ラティス ベース、および最適化ベースの計画手法は、滑らかで短いパスを生成できますが、多くの場合、環境のダイナミクスが考慮されていません。
一部の技術ではそれを考慮していますが、ダイナミクスを明示的に考慮するのではなく、移動中の環境の更新に依存しているため、自動運転には適していません。
これに対処するために、我々は、正規化された曲率とカスプの数の点で最先端のアプローチを上回る、Neural Field Optimal Motion Planner (NFOMP) に基づく新しい方法を提案します。
私たちのアプローチは、環境のダイナミクスを考慮して、以前から知られている移動障害物をニューラルフィールド衝突モデルに埋め込みます。
また、軌道損失関数にラグランジュ乗数を追加することにより、軌道の時間プロファイリングと非線形速度制約を導入します。
私たちは、BeamNG.tech ドライビング シミュレーターを使用して、都市環境における最適な動作計画の問題を解決するために私たちの方法を適用しました。
自動運転車は、障害車両と道路を共有しながら、3 つの都市シナリオで生成された軌道を走行しました。
私たちの評価によると、乗員が瞬時に体感できる最大加速度は -7.5 m/s^2 であり、運転時間の 89.6% は 3.5 m/s^2 未満の加速度での通常運転に費やされます。
運転スタイルの特徴は、運転時間の 46.0% と 31.4% が、それぞれライトレール交通スタイルと中程度の運転スタイルに当てられているという点です。

要約(オリジナル)

Motion planning in dynamically changing environments is one of the most complex challenges in autonomous driving. Safety is a crucial requirement, along with driving comfort and speed limits. While classical sampling-based, lattice-based, and optimization-based planning methods can generate smooth and short paths, they often do not consider the dynamics of the environment. Some techniques do consider it, but they rely on updating the environment on-the-go rather than explicitly accounting for the dynamics, which is not suitable for self-driving. To address this, we propose a novel method based on the Neural Field Optimal Motion Planner (NFOMP), which outperforms state-of-the-art approaches in terms of normalized curvature and the number of cusps. Our approach embeds previously known moving obstacles into the neural field collision model to account for the dynamics of the environment. We also introduce time profiling of the trajectory and non-linear velocity constraints by adding Lagrange multipliers to the trajectory loss function. We applied our method to solve the optimal motion planning problem in an urban environment using the BeamNG.tech driving simulator. An autonomous car drove the generated trajectories in three city scenarios while sharing the road with the obstacle vehicle. Our evaluation shows that the maximum acceleration the passenger can experience instantly is -7.5 m/s^2 and that 89.6% of the driving time is devoted to normal driving with accelerations below 3.5 m/s^2. The driving style is characterized by 46.0% and 31.4% of the driving time being devoted to the light rail transit style and the moderate driving style, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google