Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks

📄 arXiv: 2508.04436v1 📥 PDF

作者: Yujia Lu, Chong Wei, Lu Ma

分类: cs.RO, eess.SY

发布日期: 2025-08-06

💡 一句话要点

提出混合学习优化框架以解决高速公路轨迹规划问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 自主驾驶 轨迹规划 图神经网络 混合整数规划 碰撞避免 实时系统 交通安全

📋 核心要点

  1. 现有的自主驾驶轨迹规划方法在快速变化的高速公路环境中存在高碰撞风险，反应时间有限，难以保证安全性。
  2. 本文提出的混合轨迹规划框架结合了学习方法的适应性与优化方法的安全性，采用双层架构进行高效规划。
  3. 实验结果显示，该方法在复杂场景中成功率超过97%，平均规划时间仅为54毫秒，验证了其实时性和有效性。

📝 摘要（中文）

自主高速公路驾驶由于环境快速变化和反应时间有限，面临较高的碰撞风险，因此需要可靠且高效的轨迹规划。本文提出了一种混合轨迹规划框架，将基于学习的方法的适应性与基于优化的方法的正式安全保障相结合。该框架采用双层架构：上层使用图神经网络（GNN）预测人类驾驶的纵向速度，底层则利用混合整数二次规划（MIQP）进行路径优化。主要贡献在于底层路径优化模型，通过引入离散车辆几何的线性近似，显著降低计算复杂度，同时严格执行时空非重叠约束，以正式保证整个规划过程中的碰撞避免。实验结果表明，该规划器在复杂的真实紧急场景中生成高度平滑、无碰撞的轨迹，成功率超过97%，平均规划时间为54毫秒，确认了其实时能力。

🔬 方法详解

问题定义：本文旨在解决自主高速公路驾驶中的轨迹规划问题，现有方法在快速变化环境中难以保证安全性和实时性，存在较高的碰撞风险。

核心思路：提出的混合轨迹规划框架通过结合图神经网络和混合整数二次规划，利用学习的适应性和优化的安全性，来实现高效且安全的轨迹规划。

技术框架：该框架分为两层：上层使用图神经网络（GNN）从真实高速公路数据中学习人类驾驶的纵向速度特征，下层则通过混合整数二次规划（MIQP）进行路径优化，确保轨迹的安全性与平滑性。

关键创新：底层路径优化模型引入了离散车辆几何的线性近似，显著降低了计算复杂度，并通过严格的时空非重叠约束，确保了碰撞避免的正式保障。

关键设计：模型中采用了特定的损失函数以平衡轨迹平滑性与安全性，GNN的网络结构经过优化以提高预测精度，MIQP的求解过程则通过高效算法实现实时规划。

📊 实验亮点

实验结果表明，所提出的轨迹规划器在复杂的真实紧急场景中成功率超过97%，平均规划时间为54毫秒，显示出其优越的实时性能，相较于传统方法有显著提升。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车、高速公路交通管理系统及智能交通基础设施。通过提高轨迹规划的安全性与实时性，能够有效降低交通事故风险，提升自动驾驶系统的可靠性和用户信任度，具有重要的实际价值和未来影响。

📄 摘要（原文）

Autonomous highway driving presents a high collision risk due to fast-changing environments and limited reaction time, necessitating reliable and efficient trajectory planning. This paper proposes a hybrid trajectory planning framework that integrates the adaptability of learning-based methods with the formal safety guarantees of optimization-based approaches. The framework features a two-layer architecture: an upper layer employing a graph neural network (GNN) trained on real-world highway data to predict human-like longitudinal velocity profiles, and a lower layer utilizing path optimization formulated as a mixed-integer quadratic programming (MIQP) problem. The primary contribution is the lower-layer path optimization model, which introduces a linear approximation of discretized vehicle geometry to substantially reduce computational complexity, while enforcing strict spatiotemporal non-overlapping constraints to formally guarantee collision avoidance throughout the planning horizon. Experimental results demonstrate that the planner generates highly smooth, collision-free trajectories in complex real-world emergency scenarios, achieving success rates exceeding 97% with average planning times of 54 ms, thereby confirming real-time capability.