FSDP: Fast and Safe Data-Driven Overtaking Trajectory Planning for Head-to-Head Autonomous Racing Competitions

📄 arXiv: 2503.06075v2 📥 PDF

作者: Cheng Hu, Jihao Huang, Wule Mao, Yonghao Fu, Xuemin Chi, Haotong Qin, Nicolas Baumann, Zhitao Liu, Michele Magno, Lei Xie

分类: cs.RO

发布日期: 2025-03-08 (更新: 2025-08-16)

备注: accepted by IROS 2025

🔗 代码/项目: GITHUB

💡 一句话要点

提出FSDP，用于资源受限的自主竞速中快速安全的数据驱动超车轨迹规划。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主竞速 轨迹规划 超车策略 模型预测控制 高斯过程 Frenet坐标系 双层优化 实时性

📋 核心要点

  1. 自主竞速中，生成满足车辆动力学约束、安全且实时的超车轨迹极具挑战性，尤其是在资源受限的硬件上。
  2. FSDP通过稀疏高斯预测提高对手预测效率和精度，并采用双层二次规划框架生成兼顾可行性和安全的超车轨迹。
  3. 实验表明，FSDP在超车成功率、对手速度、轨迹平滑度和计算效率方面均优于现有技术，性能提升显著。

📝 摘要（中文）

本文提出了一种快速且安全的数据驱动规划器（FSDP），旨在解决自主竞速中生成超车轨迹的挑战。该轨迹必须满足车辆动力学约束，并确保在资源受限的硬件上实现安全性和实时性。FSDP引入稀疏高斯预测，以提高对手预测的计算效率和准确性。此外，该方法采用双层二次规划框架，利用对手预测生成超车轨迹。第一层使用多项式拟合生成粗略轨迹，从中导出参考状态和控制输入，供第二层使用。第二层在Frenet坐标系中构建模型预测控制优化问题，生成满足运动学可行性和安全性的轨迹。在F1TENTH平台上的实验结果表明，该方法优于现有技术，超车成功率提高了8.93%，允许更高的对手速度，确保了更平滑的自车轨迹，并减少了74.04%的计算时间（与预测样条方法相比）。代码已开源。

🔬 方法详解

问题定义：自主竞速车辆需要在满足自身动力学约束的前提下，安全、快速地超越前方车辆。现有方法通常计算复杂度高，难以在资源受限的硬件上实现实时性，或者安全性不足，容易发生碰撞。因此，如何在保证安全的前提下，提高超车轨迹规划的效率是亟待解决的问题。

核心思路：FSDP的核心思路是利用数据驱动的方法，结合稀疏高斯过程预测对手车辆的未来轨迹，并在此基础上，通过双层优化框架生成自车安全可行的超车轨迹。这种方法既考虑了对手的动态行为，又保证了自车轨迹的运动学可行性和安全性。

技术框架：FSDP包含以下主要模块：1) 稀疏高斯过程对手预测模块：利用历史数据预测对手车辆的未来轨迹。2) 基于多项式拟合的粗略轨迹生成模块：生成一条初步的超车轨迹，为后续优化提供参考。3) 基于模型预测控制（MPC）的精细轨迹优化模块：在Frenet坐标系下，以粗略轨迹为参考，优化生成满足运动学约束和安全约束的最终轨迹。整个流程是先粗略规划，再精细优化，从而保证效率和安全性。

关键创新：FSDP的关键创新在于：1) 引入稀疏高斯过程进行对手预测，提高了预测的计算效率和准确性。2) 提出双层优化框架，将轨迹规划问题分解为粗略轨迹生成和精细轨迹优化两个阶段，降低了计算复杂度。3) 在Frenet坐标系下进行MPC优化，简化了约束条件，提高了优化效率。

关键设计：稀疏高斯过程采用贪婪算法选择代表性数据点，以减少计算量。双层优化框架中，第一层使用五次多项式拟合生成粗略轨迹，第二层使用二次规划求解MPC问题。MPC的损失函数包含轨迹平滑性、与参考轨迹的偏差以及安全距离等因素。安全约束通过定义安全距离阈值来实现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FSDP在F1TENTH平台上相比于State-of-the-Art的Predictive Spliner方法，超车成功率提高了8.93%，同时允许对手以更高的速度行驶，保证了自车轨迹的平滑性，并将计算时间减少了74.04%。这些结果验证了FSDP在自主竞速场景下的有效性和优越性。

🎯 应用场景

该研究成果可应用于自主竞速、自动驾驶、无人车避障等领域。通过提高轨迹规划的效率和安全性，可以提升无人车在复杂环境下的运动能力和安全性，加速自动驾驶技术的落地应用。此外，该方法还可应用于机器人运动规划、无人机路径规划等领域，具有广泛的应用前景。

📄 摘要（原文）

Generating overtaking trajectories in autonomous racing is a challenging task, as the trajectory must satisfy the vehicle's dynamics and ensure safety and real-time performance running on resource-constrained hardware. This work proposes the Fast and Safe Data-Driven Planner to address this challenge. Sparse Gaussian predictions are introduced to improve both the computational efficiency and accuracy of opponent predictions. Furthermore, the proposed approach employs a bi-level quadratic programming framework to generate an overtaking trajectory leveraging the opponent predictions. The first level uses polynomial fitting to generate a rough trajectory, from which reference states and control inputs are derived for the second level. The second level formulates a model predictive control optimization problem in the Frenet frame, generating a trajectory that satisfies both kinematic feasibility and safety. Experimental results on the F1TENTH platform show that our method outperforms the State-of-the-Art, achieving an 8.93% higher overtaking success rate, allowing the maximum opponent speed, ensuring a smoother ego trajectory, and reducing 74.04% computational time compared to the Predictive Spliner method. The code is available at: https://github.com/ZJU-DDRX/FSDP.