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

📄 arXiv: 2505.09475v1 📥 PDF

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

分类: cs.RO

发布日期: 2025-05-14

备注: 9 pages, 10 figures. Tanmay P. Patel, Connor Wilson, and Ellina R. Zhang contributed equally

💡 一句话要点

aUToPath：融合混合栅格与自由空间搜索的城市自动驾驶统一规划与控制框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 路径规划 运动控制 混合规划 模型预测控制

📋 核心要点

  1. 城市环境自动驾驶面临复杂场景下的全局路径规划与控制难题，现有方法难以兼顾效率与安全性。
  2. aUToPath融合预计算栅格地图与动态自由空间采样，生成最优行驶走廊，并使用SCP-MPC优化轨迹。
  3. 仿真实验表明，该方法在复杂场景中具有高成功率和可比的运行时间，实车测试验证了其在真实环境中的有效性。

📝 摘要（中文）

本文提出了一种名为aUToPath的统一在线框架，用于全局路径规划和控制，以解决在复杂城市环境中自动导航的挑战。该框架的关键组成部分是一种新颖的混合规划器，它结合了预先计算的栅格地图与动态自由空间采样，从而在复杂场景中高效地生成最优的可行驶走廊。我们的系统还采用了基于序列凸规划(SCP)的模型预测控制(MPC)，以将走廊优化为平滑、动态一致的轨迹。通过单个优化问题同时生成轨迹及其相应的控制命令，解决了分离方法的局限性，保证了安全可行的路径。在随机生成的、障碍物丰富的场景中进行的仿真结果证明了基于自由空间自适应信息树 (AIT)规划器的成功率，以及与基于栅格的规划器相当的运行时间。在雪佛兰Bolt EUV上的完整系统真实世界实验进一步验证了在密集障碍物区域的性能，证明没有违反交通、运动学或车辆约束，并在八次试验中实现了100%的成功率。

🔬 方法详解

问题定义：城市自动驾驶需要在复杂、动态的环境中进行全局路径规划和控制。现有的方法，如基于栅格的规划器，计算效率高但难以处理复杂几何形状；而基于采样的规划器，虽然能处理复杂环境，但计算成本较高，难以满足实时性要求。此外，传统的路径规划和控制通常是分离的，可能导致规划的路径无法被车辆精确执行，或者控制过程违反车辆的动力学约束。

核心思路：aUToPath的核心思路是将预计算的栅格地图与动态自由空间采样相结合，利用栅格地图的效率和自由空间采样的灵活性，生成最优的可行驶走廊。然后，使用基于序列凸规划（SCP）的模型预测控制（MPC）来优化这些走廊，生成平滑、动态一致的轨迹，并同时生成控制命令，从而保证路径的可执行性和安全性。

技术框架：aUToPath系统包含以下主要模块：1) 混合规划器：结合预计算的栅格地图和动态自由空间采样，使用改进的AIT*算法生成初始路径。2) 轨迹优化器：使用基于SCP的MPC，将初始路径优化为平滑、动态可行的轨迹，并生成相应的控制命令。3) 车辆控制：将MPC生成的控制命令发送给车辆，实现自动驾驶。

关键创新：aUToPath的关键创新在于其混合规划器和统一的规划与控制框架。混合规划器能够高效地生成高质量的初始路径，而统一的规划与控制框架则能够保证路径的可执行性和安全性，避免了传统分离方法的局限性。此外，使用SCP-MPC能够有效地处理车辆的非线性动力学约束。

关键设计：混合规划器中，栅格地图用于快速搜索可行区域，而自由空间采样则用于在复杂区域生成更优的路径。AIT*算法被改进以适应混合搜索空间。在SCP-MPC中，目标函数包括路径长度、平滑度、与障碍物的距离等，约束条件包括车辆的运动学和动力学约束、交通规则等。SCP通过迭代线性化非线性约束来解决非凸优化问题。

📊 实验亮点

在随机生成的复杂场景中，基于自由空间AIT*的规划器成功率高，运行时间与基于栅格的规划器相当。在雪佛兰Bolt EUV上的实车实验中，aUToPath在密集障碍物区域实现了100%的成功率，没有违反交通、运动学或车辆约束，验证了其在真实世界中的有效性。

🎯 应用场景

aUToPath框架可应用于各种自动驾驶车辆，尤其是在城市复杂交通环境中的应用。该技术能够提高自动驾驶系统的安全性、可靠性和效率，降低交通事故风险，并提升交通流畅性。未来，该研究可扩展到更复杂的场景，例如包含行人、自行车等多种交通参与者的混合交通流环境。

📄 摘要（原文）

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.