Dynamics-Aware Adaptive Corridors with Feasibility-Perturbed Trust-Region SQP for Certified Nonholonomic Motion Planning
作者: Yang Shi
分类: cs.RO, eess.SY
发布日期: 2026-10-05
💡 一句话要点
提出动态感知自适应走廊以解决非完整运动规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)
关键词: 非完整运动规划 动态感知 自适应走廊 信赖域方法 优化算法 自动驾驶 碰撞避免
📋 核心要点
- 现有的基于优化的停车规划方法在时间样本处施加碰撞约束，导致车辆在样本间可能与障碍物发生碰撞，缺乏可执行轨迹。
- 本文提出了一种新的规划器，确保每次优化迭代都满足离散化动力学，并在样本间保持车辆矩形无障碍物。
- 在820个基准案例中，该规划器成功解决了818个问题，且在99%的初始猜测与障碍物相交的情况下，成功率达到96.5%。
📝 摘要（中文）
基于优化的停车规划器通常仅在时间样本处施加碰撞约束，导致车辆角落可能在样本间切入障碍物，直到求解器收敛之前没有可执行的轨迹。本文提出了一种针对具有倒车功能的类汽车车辆的规划器，其中优化阶段的每次迭代都准确满足离散化的动力学，并保持整个车辆矩形在样本间无障碍物。每个时间间隔接收一个凸走廊，确保所有车辆角落在两端保持在走廊内，并通过一个扫掠边界缩小走廊。实验结果显示，该规划器在820个基准案例中成功解决818个问题，且在99%的初始猜测与障碍物相交的情况下，成功率达到96.5%。
🔬 方法详解
问题定义：本文旨在解决基于优化的停车规划中，车辆在样本间可能与障碍物碰撞的问题。现有方法仅在时间样本处施加碰撞约束，导致无法保证车辆在整个路径上的安全性。
核心思路：提出了一种新的规划器，确保每次优化迭代都满足离散化的动力学，并保持车辆矩形在样本间无障碍物。通过引入动态感知的自适应走廊，规划器能够有效避免碰撞。
技术框架：整体架构包括优化阶段、走廊生成和动态反馈三个主要模块。优化阶段通过信赖域序列二次规划方法进行，每次迭代都在动态约束下进行。走廊生成模块负责创建和调整走廊以适应车辆的运动。
关键创新：最重要的技术创新在于引入了动态感知的自适应走廊设计，使得每次迭代都能保持车辆在安全区域内，避免了传统方法中可能的碰撞风险。
关键设计：在设计中，走廊的收缩由扫掠边界控制，确保车辆角落在走廊内。采用了反馈机制来验证每一步的可行性，确保成本单调递减，并在走廊停止变化时达到KKT点或违反约束条件。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该规划器在820个基准案例中成功解决了818个问题，且在99%的初始猜测与障碍物相交的情况下，成功率达到96.5%。与类似的精确碰撞基线相比，其操控时间中位数仅增加0.7%。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、智能停车系统和机器人导航等。通过确保车辆在复杂环境中的安全运动，该方法能够提高自动驾驶系统的可靠性和效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Optimisation-based parking planners usually impose collision constraints only at the time samples, so a vehicle corner can cut an obstacle between samples, and no executable trajectory exists until the solver converges. We present a planner for car-like vehicles with reverse gear in which every iterate of the optimisation phase satisfies the discretised dynamics exactly and keeps the whole vehicle rectangle clear of obstacles between the samples. Each time interval receives one convex corridor that holds all vehicle corners at both ends and is shrunk by a sweep margin bounding how far the corner paths leave their chords. Separating half-planes give the corridors a direction out of obstacles when the initial guess is in collision; later, heading-aligned boxes are grown from the speed, curvature and step of the current iterate and rebuilt after accepted steps. A feasibility-perturbed trust-region sequential quadratic programming method projects each step onto the dynamics by feedback and verifies it exactly; the cost decreases monotonically, and once the corridors stop changing, limit points are Karush-Kuhn-Tucker points of the corridor-constrained problem or violate a constraint qualification. On 820 benchmark cases the planner succeeds in 818 without penetration (797 from the first initial guess), none of the 7103 evaluated optimisation-phase iterates is unusable, and it succeeds in 96.5% of the cases when 99% of the initial guesses intersect an obstacle. Its maneuvers take 0.7% longer in the median than those of a similarly certified exact-collision baseline. The guarantees hold for the planning model, not for a physical vehicle.