Open Source Robotics

Eine kuratierte Sammlung hochwertiger Open-Source-Robotikprojekte, Werkzeuge und Software für die Robotik-Community.

Frenet Frame Planning

  • Auch genannt: Frenet planner, Frenet optimal trajectory planning, Frenet-frame trajectory generation
  • Kategorie: Planning & manipulation › Motion planning
  • Schlagwörter: trajectory-generation, autonomous-driving, sampling-based-planning, lane-change

Trajektorienplanung in straßenbezogenen Koordinaten, also Abstand entlang eines Referenzpfades und seitlicher Versatz davon, meist durch Sampeln vieler glatter Kandidatentrajektorien und Auswahl der günstigsten gültigen.

Definition

Die Planung im Frenet-Koordinatensystem (Frenet frame planning) beschreibt die Bewegung eines Fahrzeugs relativ zu einer Referenzkurve, meist der Mittellinie einer Fahrspur, statt in globalen x- und y-Koordinaten. Die Position wird durch die Bogenlänge s entlang der Kurve und den vorzeichenbehafteten seitlichen Versatz d von ihr angegeben, gemessen im mitbewegten Tangenten–Normalen-System der Kurve, das nach den Frenet–Serret-Formeln benannt ist. In diesen Koordinaten bedeutet Spurhalten, d nahe null zu halten, ein Spurwechsel bedeutet, d auf den Versatz der Nachbarspur zu bringen, und Folgefahrt bedeutet, s über die Zeit zu regeln. Das macht Kostenfunktionen und Nebenbedingungen einfach formulierbar.

Die weit verbreitete Formulierung stammt von Werling, Ziegler, Kammel und Thrun (ICRA 2010). Sie plant Quer- und Längsbewegung getrennt als Polynome in der Zeit: Polynome fünften Grades für den seitlichen Versatz und für Längsaufgaben mit Zielposition, etwa Folgen oder Anhalten, und Polynome vierten Grades zum Halten einer Zielgeschwindigkeit. Jedes Polynom minimiert den Ruck zwischen dem aktuellen Zustand und einem Endzustand. Der Planer sampelt viele Endzustände, etwa unterschiedliche seitliche Versätze, Ankunftszeiten und Zielgeschwindigkeiten, kombiniert Quer- und Längskandidaten, rechnet sie in kartesische Koordinaten zurück und verwirft jene, die Grenzen für Krümmung, Beschleunigung oder Geschwindigkeit überschreiten oder mit vorhergesagten Hindernissen kollidieren. Der gültige Kandidat mit den niedrigsten Kosten, die Ruck, Zeit und Abweichung vom Ziel gewichten, wird ausgeführt, und die Planung wiederholt sich mit hoher Rate ausgehend vom vorherigen Plan, damit aufeinanderfolgende Trajektorien konsistent bleiben. Bei niedriger Geschwindigkeit plant man den seitlichen Versatz besser als Funktion von s statt der Zeit.

Der Ansatz hängt von einer guten Referenzlinie ab. Die Kurve muss glatt mit stetiger Krümmung sein, und die Rückrechnung in kartesische Koordinaten bricht zusammen, wenn der seitliche Versatz sich dem Krümmungsradius nähert, was in engen Kurven mit großem Versatz geschieht. Die Planung im Frenet-Koordinatensystem eignet sich für strukturierte Straßen und Fahrspuren; für Parkplätze oder offene Flächen werden stattdessen Planer wie Hybrid A eingesetzt.

Warum es wichtig ist

Fahren auf Straßen lässt sich natürlich relativ zu Fahrspuren beschreiben, und Frenet-Koordinaten machen Spurhalten, Spurwechsel, Einfädeln und Folgefahrt zu einfachen eindimensionalen Problemen. Die Sampling-Formulierung ist leicht zu implementieren, liefert glatte, komfortable Trajektorien und ist zu einem Standardplaner für Lehre und Vergleich bei autonomen Fahrzeugen geworden.

Wichtige Anwendungen

  • Spurhalten, Spurwechsel und Überholen auf Autobahnen
  • Folgefahrt, Einfädeln und Halten an Haltelinien im Stadtverkehr
  • Vergleichsplaner in Forschungsplattformen und Simulatoren für autonomes Fahren
  • Pfadfolge für Roboter, die sich entlang von Korridoren, Reihen oder Gleisen bewegen
  • Ideallinien im Rennsport, relativ zur Mittellinie der Strecke geplant

In der Praxis

Auf einer Autobahn erzeugt ein selbstfahrendes Testfahrzeug als Referenzlinie einen glatten Spline entlang der Mitte seiner aktuellen Spur. In jedem Planungszyklus sampelt es seitliche Endversätze für die eigene Spur und die Nachbarspuren, mehrere Manöverdauern und eine Menge von Zielgeschwindigkeiten. Es erzeugt die passenden Polynome, rechnet jeden Kandidaten in x, y, Fahrtrichtung und Krümmung um, verwirft jene, die Komfort- oder Reifengrenzen überschreiten oder den vorhergesagten Pfaden benachbarter Autos zu nahe kommen, und übergibt die günstigste verbleibende Trajektorie an einen Folgeregler. Ein Spurwechsel geschieht, wenn ein Kandidat, der in der Nachbarspur endet, am günstigsten wird, zum Beispiel wenn das vorausfahrende Auto langsamer wird.

Häufige Missverständnisse

  • Die Planung im Frenet-Koordinatensystem ist ein einzelner Algorithmus — sie ist eine Wahl der Koordinaten; Sampling mit Polynomen ist der übliche Ansatz, aber auch optimierungsbasierte Planer arbeiten in Frenet-Koordinaten
  • Trajektorien sind zulässig, weil sie im Frenet-System glatt sind — Grenzen für Krümmung und Beschleunigung müssen nach der Rückrechnung in kartesische Koordinaten geprüft werden
  • Sie funktioniert überall — sie braucht einen glatten Referenzpfad und verschlechtert sich in engen Kurven und auf offenen Flächen ohne Fahrspuren
  • Quer- und Längsplanung sind völlig unabhängig — sie werden der Einfachheit halber getrennt geplant, müssen aber kombiniert und gemeinsam geprüft werden

Wer das wissen sollte

  • Planungsingenieure für autonomes Fahren
  • Forscher, die Fahrsimulatoren wie CARLA nutzen
  • Entwickler mobiler Roboter, die strukturierten Routen folgen
  • Studierende, die Trajektoriengenerierung lernen

Verwandte Technologien

  • Trajektorien aus Polynomen fünften und vierten Grades
  • Frenet–Serret-Formeln
  • Referenzlinien aus kubischen Splines
  • Zustandsgitter-Planer (State Lattice Planner)
  • Modellprädiktive Regelung
  • CARLA-Simulator

Verwandte Begriffe

  • Trajectory Planning
  • Bicycle model
  • Model Predictive Control
  • Obstacle Avoidance
  • Nonholonomic Constraint
  • Hybrid A*

Verwandte Projekte

  • Ruckig: Real-time jerk-constrained time-optimal trajectory generation for robots and machines
  • Vision Pilot: Autoware Foundation's open-source L2 ADAS stack from a single camera
  • python_simple_mppi: MPPI control derived and implemented in numpy, with four worked examples
  • NVIDIA Alpamayo: NVIDIA's open driving VLA models that plan a path and explain it, with sim, RL and data

Diese Website benötigt JavaScript. Bitte aktivieren Sie JavaScript, um unsere Open-Source-Robotikprojekte zu erkunden.