A Survey on Hybrid Motion Planning Methods for Automated Driving Systems
作者: MReza Alipour Sormoli, Konstantinos Koufos, Mehrdad Dianati, Roger Woodman
分类: cs.RO, eess.SY
发布日期: 2024-06-08
💡 一句话要点
综述混合运动规划方法，提升自动驾驶系统在复杂环境下的决策与轨迹生成能力。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自动驾驶 运动规划 混合方法 战术决策 轨迹生成 数据驱动 逻辑驱动
📋 核心要点
- 传统运动规划方法难以应对自动驾驶系统日益增长的复杂性和多样性需求，尤其是在未预见场景下的决策。
- 混合运动规划方法通过融合数据驱动和逻辑驱动等多种技术，旨在提升运动规划的性能、安全性和泛化能力。
- 该综述对混合运动规划方法进行分类和比较，分析其优缺点，为研究人员提供深入的见解和未来研究方向的指导。
📝 摘要（中文）
本文全面综述了自动驾驶系统（ADS）中混合运动规划方法的研究进展。运动规划是自动驾驶模块化架构的关键组成部分，连接上游感知模块和下游底层控制信号。传统运动规划器主要针对特定自动驾驶功能（ADF）设计，但高度自动化驾驶系统（ADS）的不断发展需要运动规划能够支持更广泛的ADF，包括未预见的情况。因此，研究界提出了“混合”方法，旨在通过结合数据驱动（基于学习）和逻辑驱动（分析）等多种技术来提高运动规划性能。近年来，在战术决策（TDM）和轨迹生成（TG）方面，以及将这些算法集成到运动规划模块中，混合方法的研究取得了显著进展，提高了效率、准确性和安全性。本文对现有文献进行了及时而全面的回顾，根据混合运动规划器所包含的组件类型进行分类，例如基于采样的规划器与基于优化/学习的规划器的组合。通过评估所面临的挑战和局限性，以及评估它们是否侧重于TG和/或TDM，对不同类别进行比较。希望本文能够帮助研究人员深入了解混合运动规划的当前趋势，并为未来的研究方向提供启示。
🔬 方法详解
问题定义：自动驾驶系统需要在复杂和动态环境中安全有效地规划车辆的运动轨迹。传统的运动规划方法，如基于规则的方法，难以应对各种复杂场景，泛化能力较弱。而基于学习的方法，虽然具有一定的泛化能力，但可能缺乏安全性和可解释性。因此，需要一种能够结合两者的优点，既能保证安全性和可解释性，又能具有较强泛化能力的运动规划方法。
核心思路：混合运动规划方法的核心思路是将不同的运动规划技术结合起来，例如将基于规则的方法和基于学习的方法结合，或者将基于采样的规划方法和基于优化的方法结合。通过结合不同方法的优点，可以克服单一方法的局限性，从而提高运动规划的性能。这种混合方法旨在利用数据驱动方法的适应性和学习能力，以及逻辑驱动方法的安全性和可解释性。
技术框架：混合运动规划方法的技术框架通常包括以下几个模块：感知模块、决策模块、轨迹生成模块和控制模块。感知模块负责获取环境信息，决策模块负责根据环境信息做出决策，轨迹生成模块负责生成车辆的运动轨迹，控制模块负责控制车辆按照生成的轨迹运动。在混合运动规划方法中，决策模块和轨迹生成模块通常会采用混合的方法，例如使用基于规则的方法进行初步决策，然后使用基于学习的方法进行优化。
关键创新：混合运动规划的关键创新在于如何有效地结合不同的运动规划技术。一种常见的做法是将基于规则的方法和基于学习的方法结合起来，例如使用基于规则的方法进行初步决策，然后使用基于学习的方法进行优化。另一种做法是将基于采样的规划方法和基于优化的方法结合起来，例如使用基于采样的规划方法生成候选轨迹，然后使用基于优化的方法选择最优轨迹。
关键设计：混合运动规划的关键设计包括如何选择合适的运动规划技术，如何将不同的运动规划技术结合起来，以及如何设计合适的损失函数和网络结构。例如，在将基于规则的方法和基于学习的方法结合起来时，需要考虑如何平衡两者的权重，以及如何设计合适的损失函数来训练学习模型。在设计网络结构时，需要考虑如何提取环境特征，以及如何将环境特征映射到运动轨迹。
🖼️ 关键图片
📊 实验亮点
该综述总结了近年来混合运动规划方法的研究进展，并对不同方法进行了分类和比较。通过分析不同方法的优缺点，为研究人员提供了深入的见解和未来研究方向的指导。该综述还指出了混合运动规划方法面临的挑战和未来的发展趋势，例如如何提高混合运动规划方法的鲁棒性和可解释性。
🎯 应用场景
混合运动规划方法可广泛应用于各种自动驾驶场景，例如城市道路、高速公路和停车场等。通过结合不同方法的优势，可以提高自动驾驶系统在复杂环境下的安全性、效率和舒适性。此外，该方法还可以应用于机器人导航、无人机飞行等领域，具有广阔的应用前景。
📄 摘要（原文）
Motion planning is an essential element of the modular architecture of autonomous vehicles, serving as a bridge between upstream perception modules and downstream low-level control signals. Traditional motion planners were initially designed for specific Automated Driving Functions (ADFs), yet the evolving landscape of highly automated driving systems (ADS) requires motion for a wide range of ADFs, including unforeseen ones. This need has motivated the development of the ``hybrid" approach in the literature, seeking to enhance motion planning performance by combining diverse techniques, such as data-driven (learning-based) and logic-driven (analytic) methodologies. Recent research endeavours have significantly contributed to the development of more efficient, accurate, and safe hybrid methods for Tactical Decision Making (TDM) and Trajectory Generation (TG), as well as integrating these algorithms into the motion planning module. Owing to the extensive variety and potential of hybrid methods, a timely and comprehensive review of the current literature is undertaken in this survey article. We classify the hybrid motion planners based on the types of components they incorporate, such as combinations of sampling-based with optimization-based/learning-based motion planners. The comparison of different classes is conducted by evaluating the addressed challenges and limitations, as well as assessing whether they focus on TG and/or TDM. We hope this approach will enable the researchers in this field to gain in-depth insights into the identification of current trends in hybrid motion planning and shed light on promising areas for future research.