Optimization-based Motion Planning for Autonomous Parking Considering Dynamic Obstacle: A Hierarchical Framework

要約

この論文では、制約された環境における自動運転車 (AV) の効率的な駐車操作を促進するために、グラフ検索アルゴリズムとモデル予測制御を統合する階層フレームワークを紹介します。
高レベルの計画段階では、フレームワークに従来のハイブリッド A* の最適化されたバリアントであるシナリオベースのハイブリッド A* (SHA*) が組み込まれ、静的な障害物を考慮しながら初期パスを生成します。
このグローバル パスは、低レベルの NLP 問題の初期推定として機能します。
低レベルの最適化フェーズでは、動的障害を回避するために、非線形モデル予測制御 (NMPC) ベースのフレームワークが展開されます。
SHA* のパフォーマンスは 148 のシミュレーション シナリオを通じて経験的に検証され、提案された階層フレームワークの有効性はリアルタイムの縦列駐車シミュレーションによって実証されています。

要約(オリジナル)

This paper introduces a hierarchical framework that integrates graph search algorithms and model predictive control to facilitate efficient parking maneuvers for Autonomous Vehicles (AVs) in constrained environments. In the high-level planning phase, the framework incorporates scenario-based hybrid A* (SHA*), an optimized variant of traditional Hybrid A*, to generate an initial path while considering static obstacles. This global path serves as an initial guess for the low-level NLP problem. In the low-level optimizing phase, a nonlinear model predictive control (NMPC)-based framework is deployed to circumvent dynamic obstacles. The performance of SHA* is empirically validated through 148 simulation scenarios, and the efficacy of the proposed hierarchical framework is demonstrated via a real-time parallel parking simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google