Frenet Frame Planning
- Aussi appelé: Frenet planner, Frenet optimal trajectory planning, Frenet-frame trajectory generation
- Catégorie: Planning & manipulation › Motion planning
- Mots-clés: trajectory-generation, autonomous-driving, sampling-based-planning, lane-change
Planification de trajectoire en coordonnées alignées sur la route, distance le long d'un chemin de référence et décalage latéral par rapport à lui, généralement en échantillonnant de nombreuses trajectoires candidates lisses et en choisissant la moins coûteuse parmi les valides.
Définition
La planification dans le repère de Frenet (Frenet frame planning) décrit le mouvement d'un véhicule par rapport à une courbe de référence, généralement l'axe central d'une voie, plutôt qu'en x et y globaux. La position est donnée par l'abscisse curviligne s le long de la courbe et par le décalage latéral signé d par rapport à elle, mesuré dans le repère mobile tangente–normale de la courbe, qui doit son nom aux formules de Frenet–Serret. Dans ces coordonnées, rester dans sa voie revient à maintenir d proche de zéro, changer de voie revient à amener d au décalage de la voie suivante, et suivre le trafic revient à contrôler s au cours du temps, ce qui rend les fonctions de coût et les contraintes simples à écrire.
La formulation la plus répandue est celle de Werling, Ziegler, Kammel et Thrun (ICRA 2010). Elle planifie séparément les mouvements latéral et longitudinal sous forme de polynômes en temps : des polynômes de degré cinq pour le décalage latéral et pour les tâches longitudinales avec une position cible, comme suivre ou s'arrêter, et des polynômes de degré quatre pour maintenir une vitesse cible. Chaque polynôme minimise le jerk entre l'état courant et un état final. Le planificateur échantillonne de nombreux états finaux, par exemple différents décalages latéraux, temps d'arrivée et vitesses cibles, combine les candidats latéraux et longitudinaux, les reconvertit en coordonnées cartésiennes et écarte ceux qui dépassent les limites de courbure, d'accélération ou de vitesse ou qui entrent en collision avec les obstacles prédits. Le candidat valide de plus faible coût, pondérant jerk, temps et écart par rapport au but, est exécuté, et la planification se répète à haute fréquence en partant du plan précédent afin que les trajectoires successives restent cohérentes. À basse vitesse, il vaut mieux planifier le décalage latéral en fonction de s que du temps.
L'approche dépend d'une bonne ligne de référence. La courbe doit être lisse, à courbure continue, et la reconversion en coordonnées cartésiennes échoue lorsque le décalage latéral approche le rayon de courbure, ce qui se produit dans les virages serrés avec de grands décalages. La planification dans le repère de Frenet convient aux routes et aux voies structurées ; pour les parkings ou les espaces ouverts, on utilise plutôt des planificateurs tels que Hybrid A.
Pourquoi c'est important
La conduite sur route se décrit naturellement par rapport aux voies, et les coordonnées de Frenet transforment le maintien dans la voie, les changements de voie, l'insertion et le suivi en problèmes simples à une dimension. La formulation par échantillonnage est facile à implémenter, produit des trajectoires lisses et confortables, et est devenue un planificateur standard d'enseignement et de référence pour les véhicules autonomes.
Applications principales
- Maintien dans la voie, changements de voie et dépassements sur autoroute
- Suivi de véhicule, insertion et arrêt aux lignes en conduite urbaine
- Planificateurs de référence dans les plateformes de recherche et les simulateurs de conduite autonome
- Suivi de chemin pour des robots qui se déplacent le long de couloirs, de rangs ou de voies
- Trajectoires de course planifiées par rapport à l'axe central d'un circuit
En pratique
Sur autoroute, un véhicule d'essai autonome construit une spline lisse le long du centre de sa voie actuelle pour servir de ligne de référence. À chaque cycle de planification, il échantillonne des décalages latéraux finaux pour sa propre voie et les voies voisines, plusieurs durées de manœuvre et un ensemble de vitesses cibles. Il génère les polynômes correspondants, convertit chaque candidat en x, y, cap et courbure, rejette ceux qui dépassent les limites de confort ou d'adhérence des pneus ou qui s'approchent trop des trajectoires prédites des voitures voisines, et transmet la trajectoire restante la moins coûteuse à un contrôleur de suivi. Un changement de voie a lieu lorsqu'un candidat se terminant dans la voie suivante devient le moins coûteux, par exemple quand la voiture de devant ralentit.
Idées reçues
- La planification dans le repère de Frenet est un algorithme unique — c'est un choix de coordonnées ; l'échantillonnage par polynômes est l'approche courante, mais des planificateurs fondés sur l'optimisation travaillent aussi en coordonnées de Frenet
- Les trajectoires sont réalisables parce qu'elles sont lisses dans le repère de Frenet — les limites de courbure et d'accélération doivent être vérifiées après reconversion en coordonnées cartésiennes
- Elle fonctionne partout — elle a besoin d'un chemin de référence lisse et se dégrade dans les virages serrés et dans les espaces ouverts sans voies
- Les planifications latérale et longitudinale sont totalement indépendantes — elles sont planifiées séparément par commodité, mais doivent être combinées et vérifiées ensemble
Qui devrait le savoir
- Ingénieurs en planification pour la conduite autonome
- Chercheurs qui utilisent des simulateurs de conduite comme CARLA
- Développeurs de robots mobiles qui suivent des itinéraires structurés
- Étudiants qui apprennent la génération de trajectoires
Technologies associées
- Trajectoires polynomiales de degré cinq et quatre
- Formules de Frenet–Serret
- Lignes de référence en splines cubiques
- Planificateur à treillis d'états (state lattice planner)
- Commande prédictive
- Simulateur CARLA
Termes associés
- Trajectory Planning
- Bicycle model
- Model Predictive Control
- Obstacle Avoidance
- Nonholonomic Constraint
- Hybrid A*
Projets associés
- 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