Frenet Frame Planning
- También llamado: Frenet planner, Frenet optimal trajectory planning, Frenet-frame trajectory generation
- Categoría: Planning & manipulation › Motion planning
- Etiquetas: trajectory-generation, autonomous-driving, sampling-based-planning, lane-change
Planificación de trayectorias en coordenadas alineadas con la carretera, distancia a lo largo de un camino de referencia y desplazamiento lateral respecto a él, normalmente muestreando muchas trayectorias candidatas suaves y eligiendo la válida más barata.
Definición
La planificación en el sistema de referencia de Frenet (Frenet frame planning) describe el movimiento de un vehículo respecto a una curva de referencia, normalmente la línea central de un carril, en lugar de en x e y globales. La posición se da mediante la longitud de arco s a lo largo de la curva y el desplazamiento lateral con signo d respecto a ella, medido en el sistema móvil tangente–normal de la curva, que recibe su nombre de las fórmulas de Frenet–Serret. En estas coordenadas, mantenerse en el carril significa mantener d cerca de cero, cambiar de carril significa llevar d al desplazamiento del carril siguiente y seguir al tráfico significa controlar s a lo largo del tiempo, lo que hace que las funciones de coste y las restricciones sean sencillas de escribir.
La formulación más usada es la de Werling, Ziegler, Kammel y Thrun (ICRA 2010). Planifica el movimiento lateral y el longitudinal por separado como polinomios en el tiempo: polinomios de quinto grado para el desplazamiento lateral y para tareas longitudinales con una posición objetivo, como seguir a otro vehículo o detenerse, y polinomios de cuarto grado para mantener una velocidad objetivo. Cada polinomio minimiza el jerk entre el estado actual y un estado final. El planificador muestrea muchos estados finales, como distintos desplazamientos laterales, tiempos de llegada y velocidades objetivo, combina candidatos laterales y longitudinales, los convierte de nuevo a coordenadas cartesianas y descarta los que superan los límites de curvatura, aceleración o velocidad o colisionan con obstáculos previstos. Se ejecuta el candidato válido de menor coste, que pondera el jerk, el tiempo y la desviación respecto al objetivo, y la planificación se repite a alta frecuencia partiendo del plan anterior para que las trayectorias sucesivas sean coherentes. A baja velocidad, el desplazamiento lateral se planifica mejor en función de s que del tiempo.
El enfoque depende de una buena línea de referencia. La curva debe ser suave y de curvatura continua, y la conversión de vuelta a coordenadas cartesianas falla cuando el desplazamiento lateral se acerca al radio de curvatura, lo que ocurre en curvas cerradas con desplazamientos grandes. La planificación en el sistema de referencia de Frenet es adecuada para carreteras y carriles estructurados; para aparcamientos o espacios abiertos se usan en su lugar planificadores como Hybrid A.
Por qué importa
La conducción por carretera se describe de forma natural respecto a los carriles, y las coordenadas de Frenet convierten el mantenimiento de carril, los cambios de carril, las incorporaciones y el seguimiento de vehículos en problemas unidimensionales sencillos. La formulación por muestreo es fácil de implementar, da trayectorias suaves y cómodas, y se ha convertido en un planificador estándar para la enseñanza y como referencia para vehículos autónomos.
Aplicaciones clave
- Mantenimiento de carril, cambios de carril y adelantamientos en autopistas
- Seguimiento de vehículos, incorporaciones y detención en líneas en conducción urbana
- Planificadores de referencia en plataformas de investigación y simuladores de conducción autónoma
- Seguimiento de caminos para robots que se mueven a lo largo de pasillos, hileras o vías
- Trazadas de carreras planificadas respecto a la línea central de un circuito
En la práctica
En una autopista, un vehículo autónomo de pruebas construye un spline suave a lo largo del centro de su carril actual como línea de referencia. En cada ciclo de planificación muestrea desplazamientos laterales finales para su propio carril y los carriles vecinos, varias duraciones de maniobra y un conjunto de velocidades objetivo. Genera los polinomios correspondientes, convierte cada candidato a x, y, orientación y curvatura, rechaza los que superan los límites de confort o de los neumáticos o pasan demasiado cerca de las trayectorias previstas de los coches cercanos, y pasa la trayectoria restante más barata a un controlador de seguimiento. Un cambio de carril se produce cuando un candidato que termina en el carril siguiente pasa a ser el más barato, por ejemplo cuando el coche de delante frena.
Ideas erróneas comunes
- La planificación en el sistema de referencia de Frenet es un único algoritmo — es una elección de coordenadas; el muestreo con polinomios es el enfoque habitual, pero los planificadores basados en optimización también trabajan en coordenadas de Frenet
- Las trayectorias son factibles porque son suaves en el sistema de Frenet — los límites de curvatura y aceleración deben comprobarse después de convertir de nuevo a coordenadas cartesianas
- Funciona en cualquier sitio — necesita un camino de referencia suave y se degrada en curvas cerradas y en espacios abiertos sin carriles
- La planificación lateral y la longitudinal son totalmente independientes — se planifican por separado por comodidad, pero deben combinarse y comprobarse juntas
Quién debería saberlo
- Ingenieros de planificación para conducción autónoma
- Investigadores que usan simuladores de conducción como CARLA
- Desarrolladores de robots móviles que siguen rutas estructuradas
- Estudiantes que aprenden generación de trayectorias
Tecnologías relacionadas
- Trayectorias polinómicas de quinto y cuarto grado
- Fórmulas de Frenet–Serret
- Líneas de referencia con splines cúbicos
- Planificador de retícula de estados (state lattice planner)
- Control predictivo basado en modelo
- Simulador CARLA
Términos relacionados
- Trajectory Planning
- Bicycle model
- Model Predictive Control
- Obstacle Avoidance
- Nonholonomic Constraint
- Hybrid A*
Proyectos relacionados
- 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