Towards Safe Autonomous Driving: A Real-Time Motion Planning Algorithm on Embedded Hardware

📄 arXiv: 2601.03904v1 📥 PDF

作者: Korbinian Moller, Glenn Johannes Tungka, Lucas Jürgens, Johannes Betz

分类: cs.RO

发布日期: 2026-01-07

备注: 7 pages, submitted to the IEEE Intelligent Vehicles Symposium (IV 2026), Detroit, MI, United States

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种嵌入式实时运动规划算法，用于保障自动驾驶安全。

🎯 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 实时系统 嵌入式系统 功能安全 轨迹规划 故障安全

📋 核心要点

  1. 现有自动驾驶运动规划方法在系统故障时缺乏主动安全保障机制，难以确保车辆安全。
  2. 提出一种轻量级的基于采样的轨迹规划器，部署在汽车级嵌入式平台上，持续计算轨迹。
  3. 实验结果表明，该规划器具有确定的时序行为和有界的延迟，验证了在安全认证硬件上进行实时轨迹规划的可行性。

📝 摘要（中文）

为了确保自动驾驶车辆的功能安全，运动规划模块不仅需要在严格的实时约束下运行，还需要在系统发生故障时保持可控性。现有的安全保障概念，如在线验证（OV），提供了检测不可行规划输出的安全层。然而，它们缺乏一种主动机制来确保在主规划器失效时安全运行。本文提出了迈向故障安全自动驾驶（AD）主动安全扩展的第一步。我们在运行实时操作系统（RTOS）的汽车级嵌入式平台上部署了一个轻量级的基于采样的轨迹规划器。该规划器在有限的计算资源下持续计算轨迹，为未来的应急规划架构奠定基础。实验结果表明，该方法具有确定的时序行为，延迟有界且抖动最小，验证了在安全认证硬件上进行轨迹规划的可行性。该研究强调了将主动回退机制作为下一代安全保障框架组成部分的潜力和剩余挑战。代码已开源。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车辆在主运动规划器失效时，如何通过一个轻量级的、实时的备用规划器来保障车辆安全的问题。现有方法主要依赖在线验证等被动安全机制，缺乏主动干预能力，无法在主规划器完全失效时提供有效的安全保障。

核心思路：核心思路是设计一个能够在计算资源受限的嵌入式平台上实时运行的轨迹规划器，该规划器能够持续生成可行的轨迹，作为主规划器失效时的安全备份。通过轻量化的设计和实时性优化，确保在紧急情况下能够快速接管车辆控制。

技术框架：整体框架包含以下几个主要模块：1）环境感知模块（假设已存在，提供车辆周围环境信息）；2）轨迹采样模块，负责生成候选轨迹；3）碰撞检测模块，用于评估轨迹的安全性；4）轨迹评估模块，根据预定义的成本函数选择最优轨迹；5）控制指令生成模块，将选定的轨迹转化为车辆控制指令。整个流程在一个实时操作系统（RTOS）上运行，以保证时间确定性。

关键创新：关键创新在于将基于采样的轨迹规划算法成功部署在汽车级的嵌入式硬件平台上，并实现了实时性。此外，该方法强调了在资源受限条件下进行轨迹规划的设计思路，为未来开发更复杂的安全保障系统提供了基础。

关键设计：论文中没有详细描述具体的参数设置、损失函数或网络结构，因为这是一个基于采样的传统轨迹规划方法。关键设计在于算法的轻量化和实时性优化，例如采用高效的碰撞检测算法、简化轨迹评估模型等。此外，RTOS的选择和配置也是保证实时性的关键。

📊 实验亮点

实验结果表明，该轨迹规划器能够在汽车级嵌入式平台上以确定的时序行为运行，延迟有界且抖动最小。这验证了在安全认证硬件上进行实时轨迹规划的可行性，为开发更可靠的自动驾驶安全系统奠定了基础。具体的性能数据（如延迟和抖动的具体数值）在论文中未明确给出，但强调了其有界性。

🎯 应用场景

该研究成果可应用于自动驾驶车辆的安全保障系统，作为主运动规划器失效时的安全备份。通过实时生成可行的轨迹，确保车辆在紧急情况下仍能保持可控状态，降低事故风险。此外，该方法也可用于其他需要实时运动规划的机器人系统，如无人机、移动机器人等。

📄 摘要（原文）

Ensuring the functional safety of Autonomous Vehicles (AVs) requires motion planning modules that not only operate within strict real-time constraints but also maintain controllability in case of system faults. Existing safeguarding concepts, such as Online Verification (OV), provide safety layers that detect infeasible planning outputs. However, they lack an active mechanism to ensure safe operation in the event that the main planner fails. This paper presents a first step toward an active safety extension for fail-operational Autonomous Driving (AD). We deploy a lightweight sampling-based trajectory planner on an automotive-grade, embedded platform running a Real-Time Operating System (RTOS). The planner continuously computes trajectories under constrained computational resources, forming the foundation for future emergency planning architectures. Experimental results demonstrate deterministic timing behavior with bounded latency and minimal jitter, validating the feasibility of trajectory planning on safety-certifiable hardware. The study highlights both the potential and the remaining challenges of integrating active fallback mechanisms as an integral part of next-generation safeguarding frameworks. The code is available at: https://github.com/TUM-AVS/real-time-motion-planning