Open Source Robotics

Una raccolta curata di progetti, strumenti e software di robotica open source di alta qualità per la comunità della robotica.

Frenet Frame Planning

  • Detto anche: Frenet planner, Frenet optimal trajectory planning, Frenet-frame trajectory generation
  • Categoria: Planning & manipulation › Motion planning
  • Tag: trajectory-generation, autonomous-driving, sampling-based-planning, lane-change

Pianificazione della traiettoria in coordinate allineate alla strada, distanza lungo un percorso di riferimento e scostamento laterale da esso, di solito campionando molte traiettorie candidate regolari e scegliendo la valida meno costosa.

Definizione

La pianificazione nel riferimento di Frenet (Frenet frame planning) descrive il moto di un veicolo rispetto a una curva di riferimento, di solito la linea centrale di una corsia, invece che in x e y globali. La posizione è data dall'ascissa curvilinea s lungo la curva e dallo scostamento laterale con segno d rispetto a essa, misurato nel riferimento mobile tangente–normale della curva, che prende il nome dalle formule di Frenet–Serret. In queste coordinate, restare in corsia significa mantenere d vicino a zero, cambiare corsia significa portare d allo scostamento della corsia successiva e seguire il traffico significa controllare s nel tempo, il che rende semplici da scrivere le funzioni di costo e i vincoli.

La formulazione più diffusa è quella di Werling, Ziegler, Kammel e Thrun (ICRA 2010). Pianifica il moto laterale e quello longitudinale separatamente come polinomi nel tempo: polinomi di quinto grado per lo scostamento laterale e per i compiti longitudinali con una posizione obiettivo, come seguire un altro veicolo o fermarsi, e polinomi di quarto grado per mantenere una velocità obiettivo. Ogni polinomio minimizza il jerk tra lo stato attuale e uno stato finale. Il pianificatore campiona molti stati finali, come diversi scostamenti laterali, tempi di arrivo e velocità obiettivo, combina candidati laterali e longitudinali, li riconverte in coordinate cartesiane e scarta quelli che superano i limiti di curvatura, accelerazione o velocità o che collidono con gli ostacoli previsti. Viene eseguito il candidato valido con il costo più basso, che pesa jerk, tempo e scostamento dall'obiettivo, e la pianificazione si ripete ad alta frequenza partendo dal piano precedente per mantenere coerenti le traiettorie successive. A bassa velocità conviene pianificare lo scostamento laterale in funzione di s anziché del tempo.

L'approccio dipende da una buona linea di riferimento. La curva deve essere regolare, con curvatura continua, e la riconversione in coordinate cartesiane non funziona più quando lo scostamento laterale si avvicina al raggio di curvatura, cosa che accade nelle curve strette con grandi scostamenti. La pianificazione nel riferimento di Frenet è adatta a strade e corsie strutturate; per parcheggi o spazi aperti si usano invece pianificatori come Hybrid A.

Perché è importante

La guida su strada si descrive naturalmente rispetto alle corsie, e le coordinate di Frenet trasformano il mantenimento della corsia, i cambi di corsia, gli inserimenti e l'inseguimento dei veicoli in semplici problemi monodimensionali. La formulazione a campionamento è facile da implementare, produce traiettorie regolari e confortevoli ed è diventata un pianificatore standard per la didattica e come riferimento per i veicoli autonomi.

Applicazioni principali

  • Mantenimento della corsia, cambi di corsia e sorpassi in autostrada
  • Inseguimento dei veicoli, inserimenti e arresto alle linee nella guida urbana
  • Pianificatori di riferimento nelle piattaforme di ricerca e nei simulatori per la guida autonoma
  • Inseguimento del percorso per robot che si muovono lungo corridoi, filari o binari
  • Traiettorie di gara pianificate rispetto alla linea centrale di un circuito

In pratica

In autostrada, un veicolo autonomo di prova costruisce una spline regolare lungo il centro della corsia attuale come linea di riferimento. A ogni ciclo di pianificazione campiona scostamenti laterali finali per la propria corsia e per quelle vicine, diverse durate di manovra e un insieme di velocità obiettivo. Genera i polinomi corrispondenti, converte ogni candidato in x, y, orientamento e curvatura, scarta quelli che superano i limiti di comfort o degli pneumatici o passano troppo vicino ai percorsi previsti delle auto vicine e passa la traiettoria rimanente meno costosa a un controllore di inseguimento. Un cambio di corsia avviene quando un candidato che termina nella corsia successiva diventa il meno costoso, per esempio quando l'auto davanti rallenta.

Idee sbagliate comuni

  • La pianificazione nel riferimento di Frenet è un singolo algoritmo — è una scelta di coordinate; il campionamento con polinomi è l'approccio comune, ma anche i pianificatori basati sull'ottimizzazione lavorano in coordinate di Frenet
  • Le traiettorie sono ammissibili perché sono regolari nel riferimento di Frenet — i limiti di curvatura e accelerazione vanno verificati dopo la riconversione in coordinate cartesiane
  • Funziona ovunque — richiede un percorso di riferimento regolare e peggiora nelle curve strette e negli spazi aperti senza corsie
  • La pianificazione laterale e quella longitudinale sono del tutto indipendenti — vengono pianificate separatamente per comodità, ma devono essere combinate e verificate insieme

Chi dovrebbe saperlo

  • Ingegneri di pianificazione per la guida autonoma
  • Ricercatori che usano simulatori di guida come CARLA
  • Sviluppatori di robot mobili che seguono percorsi strutturati
  • Studenti che imparano la generazione di traiettorie

Tecnologie correlate

  • Traiettorie polinomiali di quinto e quarto grado
  • Formule di Frenet–Serret
  • Linee di riferimento con spline cubiche
  • Pianificatore a reticolo di stati (state lattice planner)
  • Controllo predittivo basato su modello
  • Simulatore CARLA

Termini correlati

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

Progetti correlati

  • 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

Questo sito richiede JavaScript. Attiva JavaScript per esplorare i nostri progetti di robotica open source.