DNFOMP：用于自主机器人在杂乱环境中导航的动态神经场优化运动规划
摘要：动态环境中的运动规划是自动驾驶中最复杂的挑战之一。安全性是一个关键要求，同时还要考虑驾驶舒适性和速度限制。虽然经典的基于采样、基于格子和基于优化的规划方法可以生成平滑和短路径，但它们通常不考虑环境动态性。一些技术确实考虑了环境动态性，但它们依赖于即时更新环境，而不是明确考虑动态性，这对于自动驾驶来说不合适。为了解决这个问题，我们提出了一种基于神经场最优运动规划器（NFOMP）的新方法，它在归一化曲率和拐点数量方面优于现有方法。我们的方法将之前已知的移动障碍物嵌入到神经场碰撞模型中，以考虑环境的动态性。我们还通过向轨迹损失函数添加Lagrange乘子来引入轨迹的时间分析和非线性速度约束。我们将我们的方法应用于在城市环境中解决最优运动规划问题，使用BeamNG.tech驾驶模拟器。一辆自动驾驶汽车在三个城市场景中行驶生成的轨迹，与障碍车辆共享道路。我们的评估结果显示，乘客可即时体验的最大加速度为-7.5 m/s^2，89.6％的行驶时间用于低于3.5 m/s^2的正常驾驶。驾驶风格以46.0％的时间用于轻轨交通风格，31.4％的时间用于温和驾驶风格。
作者：Maksim Katerishich, Mikhail Kurenkov, Sausar Karaf, Artem Nenashev, Dzmitry Tsetserukou
论文ID：2308.03539
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-08