自動運転/計画・制御2025/5/1arXiv:2505.09475

aUToPath: 都市環境における自動運転車のためのハイブリッドラティスと自由空間探索を用いた統合計画・制御

aUToPath: Unified Planning and Control for Autonomous Vehicles in Urban Environments Using Hybrid Lattice and Free-Space Search

シェア:X Threads Facebook LINE はてブ Bluesky

都市環境での自動運転ナビゲーションのために、事前計算されたラティスマップと動的自由空間サンプリングを組み合わせたハイブリッドプランナと、逐次凸計画法に基づくモデル予測制御を統合したフレームワークを提案し、シミュレーションと実車実験で有効性を示した。

詳しい要約

1. どんなもの？

- 都市環境での自律走行を対象に、global path-planning と control を統合したオンライン枠組み aUToPath を提案する論文。 - 混雑環境で走行可能な corridor を生成する hybrid planner を中核に持つ。 - SCP ベースの MPC で corridor を滑らかで動的に整合した trajectory に精緻化する。 - trajectory と制御指令を単一の最適化問題で同時に生成する。

2. 先行研究と比べてどこがすごい？

- 従来の decoupled な planning と control の分離手法の限界を、単一最適化で trajectory と制御指令を同時生成することで克服しようとする点。 - pre-computed lattice maps と dynamic free-space sampling を組み合わせ、混雑環境で効率的に corridor を生成する点。 - 安全性と実行可能性を保証しつつ、lattice ベース planner 並みの runtime と free-space AIT* ベース planner の success rate を両立させる点。

3. 技術・手法の肝は？

- 新規 hybrid planner が pre-computed lattice maps と dynamic free-space sampling を統合し、混雑シナリオで最適な driveable corridors を生成する。 - SCP ベースの MPC により corridor を滑らかで動的に整合した trajectory へ精緻化する。 - trajectory 生成と制御指令生成を単一の最適化問題として解く統合設計を採る。

4. どうやって有効だと検証した？

- ランダム生成した障害物の多いシナリオの simulation で、free-space AIT* ベース planner の success rate と lattice ベース planner に匹敵する runtime を示した。 - Chevrolet Bolt EUV を用いた実世界実験を dense obstacle fields で実施し、traffic・kinematic・vehicle 制約違反がなく、8 試行で 100% の success rate を達成した。

5. 議論はある？

- 要旨からは不明。 - 実世界実験は 8 試行と限られており、より多様な都市環境や交通状況への一般化については要旨からは不明。

6. 次に読むべき論文は？

- free-space Adaptively Informed Trees* (AIT*) - lattice-based planner - sequential convex programming (SCP) - model predictive control (MPC)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Tanmay P. Patel, Connor Wilson, Ellina R. Zhang, Morgan Tran, Chang Keun Paik, Steven L. Waslander, Timothy D. Barfoot

分類: cs.RO

原文アブストラクト

This paper presents aUToPath, a unified online framework for global path-planning and control to address the challenge of autonomous navigation in cluttered urban environments. A key component of our framework is a novel hybrid planner that combines pre-computed lattice maps with dynamic free-space sampling to efficiently generate optimal driveable corridors in cluttered scenarios. Our system also features sequential convex programming (SCP)-based model predictive control (MPC) to refine the corridors into smooth, dynamically consistent trajectories. A single optimization problem is used to both generate a trajectory and its corresponding control commands; this addresses limitations of decoupled approaches by guaranteeing a safe and feasible path. Simulation results of the novel planner on randomly generated obstacle-rich scenarios demonstrate the success rate of a free-space Adaptively Informed Trees* (AIT*)-based planner, and runtimes comparable to a lattice-based planner. Real-world experiments of the full system on a Chevrolet Bolt EUV further validate performance in dense obstacle fields, demonstrating no violations of traffic, kinematic, or vehicle constraints, and a 100% success rate across eight trials.

arXivで原文を読む →arXiv概要ページ

← 論文一覧