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
Цитирование для раздела "Список литературы":
Корнев И. Ю., Кибалов В. И., Шипитько О. С.
Алгоритм локального планирования пути автономного транспортного средства на основе многокритериальной оптимизации траектории в пространственной решетке состояний.
Сенсорные системы.
2021.
Т. 35.
№ 2.
С. 164–174. doi: 10.31857/S0235009221020062
Цитирование для раздела "References":
Kornev I. Y., Kibalov V. I., Shipitko O. S.
Algoritm lokalnogo planirovaniya puti avtonomnogo transportnogo sredstva na osnove mnogokriterialnoi optimizatsii traektorii v prostranstvennoi reshetke sostoyanii
[Local path finding in autonomous car state lattice based on multi-criteria optimization].
Sensornye sistemy [Sensory systems].
2021.
V. 35(2).
P. 164–174
(in Russian). doi: 10.31857/S0235009221020062
Список литературы:
- 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
- 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
- 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
- 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
- Pivtoraiko M., Kelly A. Efficient constrained path planning via search in state lattices. Internat. Sympos. Artific. Intell., Robot. Automat. Space. 2005. P. 1–7.
- 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
- Rösmann C., Feiten W., Wösch T., Hoffmann F., Bertram T. Trajectory modification considering dynamic constraints of autonomous robots. VDE. 2012. P. 1–6.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
