Trajectory Planning for Autonomous Driving in Unstructured Scenarios Based on Graph Neural Network and Numerical Optimization

要約

構造化されていない環境では、障害物が多様で車線区分がないため、インテリジェント車両の軌道計画は困難な作業になります。
従来の軌道計画方法には通常、経路計画、速度計画、軌道の最適化などの複数の段階が含まれます。
これらの方法では、各段階で多数のパラメータを手動で設計する必要があり、その結果、作業負荷と計算上の負担が大きくなります。
エンドツーエンドの軌道計画方法はシンプルで効率的ですが、構造化されていないシナリオでは軌道が車両のダイナミクスや障害物回避の制約を満たすことを保証できないことがよくあります。
したがって、この論文では、グラフ ニューラル ネットワーク (GNN) と数値最適化に基づく新しい軌道計画方法を提案します。
提案手法は (1) GNN を用いた初期軌道予測、(2) 数値最適化を用いた軌道最適化の 2 段階から構成されます。
まず、グラフ ニューラル ネットワークが環境情報を処理して大まかな軌道を予測し、従来の経路と速度の計画を置き換えます。
この予測された軌道は、数値最適化段階の初期解として機能し、車両のダイナミクスと障害物回避の制約を確実に遵守するように軌道を最適化します。
提案されたアルゴリズムの実現可能性を検証するためにシミュレーション実験を実施し、他の主流の計画アルゴリズムと比較しました。
結果は、提案された方法が軌道計画プロセスを簡素化し、計画効率を大幅に向上させることを示しています。

要約(オリジナル)

In unstructured environments, obstacles are diverse and lack lane markings, making trajectory planning for intelligent vehicles a challenging task. Traditional trajectory planning methods typically involve multiple stages, including path planning, speed planning, and trajectory optimization. These methods require the manual design of numerous parameters for each stage, resulting in significant workload and computational burden. While end-to-end trajectory planning methods are simple and efficient, they often fail to ensure that the trajectory meets vehicle dynamics and obstacle avoidance constraints in unstructured scenarios. Therefore, this paper proposes a novel trajectory planning method based on Graph Neural Networks (GNN) and numerical optimization. The proposed method consists of two stages: (1) initial trajectory prediction using the GNN, (2) trajectory optimization using numerical optimization. First, the graph neural network processes the environment information and predicts a rough trajectory, replacing traditional path and speed planning. This predicted trajectory serves as the initial solution for the numerical optimization stage, which optimizes the trajectory to ensure compliance with vehicle dynamics and obstacle avoidance constraints. We conducted simulation experiments to validate the feasibility of the proposed algorithm and compared it with other mainstream planning algorithms. The results demonstrate that the proposed method simplifies the trajectory planning process and significantly improves planning efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google