Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

Frenet Frame Planning

  • 又稱: Frenet planner, Frenet optimal trajectory planning, Frenet-frame trajectory generation
  • 類別: Planning & manipulation › Motion planning
  • 標籤: trajectory-generation, autonomous-driving, sampling-based-planning, lane-change

在與道路對齊的座標中進行的軌跡規劃,即沿參考路徑的距離與相對它的橫向偏移,通常是對許多平滑的候選軌跡取樣,並選出成本最低的有效軌跡。

定義

Frenet 座標系規劃(Frenet frame planning)是相對於一條參考曲線(通常是車道中心線),而不是在全域 x 與 y 中描述車輛的運動。位置由沿曲線的弧長 s 與相對曲線的帶正負號橫向偏移 d 表示,兩者在曲線隨之移動的切向–法向座標系中量測,這個座標系以 Frenet–Serret 公式命名。在這些座標中,維持在車道內代表讓 d 接近零,變換車道代表把 d 移到相鄰車道的偏移量,跟車則代表控制 s 隨時間的變化,這讓成本函數與約束很容易寫出。

廣為使用的表述來自 Werling、Ziegler、Kammel 與 Thrun(ICRA 2010)。它把橫向與縱向運動分開規劃,表示為時間的多項式:橫向偏移,以及有目標位置的縱向任務(例如跟車或停車),使用五次多項式;維持目標速度則使用四次多項式。每個多項式都讓目前狀態與終點狀態之間的急動度(jerk)最小。規劃器對許多終點狀態取樣,例如不同的橫向偏移、抵達時間與目標速度,將橫向與縱向候選組合起來,轉換回笛卡兒座標,並捨棄超過曲率、加速度或速度限制,或與預測障礙物碰撞的候選。在有效的候選中,成本最低者(權衡急動度、時間與偏離目標的程度)會被執行;規劃以高頻率重複,並從前一次的規劃開始,以保持前後軌跡的一致。在低速時,橫向偏移最好以 s 而非時間的函數來規劃。

這種方法仰賴一條好的參考線。曲線必須平滑且曲率連續,而當橫向偏移接近曲率半徑時,轉換回笛卡兒座標就會失效,這會發生在偏移量大的急彎上。Frenet 座標系規劃適合結構化的道路與車道;對於停車場或開放空間,則改用 Hybrid A 等規劃器。

為何重要

道路駕駛本來就是相對於車道來描述的,而 Frenet 座標把車道維持、變換車道、匯入與跟車變成簡單的一維問題。這種取樣表述容易實作,能產生平滑、舒適的軌跡,已成為自動駕駛車輛的標準教學規劃器與基準規劃器。

主要應用

  • 高速公路上的車道維持、變換車道與超車
  • 市區駕駛中的跟車、匯入與在停止線停車
  • 自動駕駛研究平台與模擬器中的基準規劃器
  • 沿走廊、作物行或軌道移動之機器人的路徑跟隨
  • 相對於賽道中心線規劃的賽車路線

實際應用

在高速公路上,一輛自動駕駛測試車沿目前車道的中心建立一條平滑的樣條曲線作為參考線。每個規劃週期,它對本車道與相鄰車道的橫向終點偏移、數種操控時長以及一組目標速度取樣。它產生對應的多項式,把每個候選轉換為 x、y、航向與曲率,剔除超過舒適度或輪胎極限、或與附近車輛的預測路徑太接近的候選,再把剩下成本最低的軌跡交給追蹤控制器。當一個終止於相鄰車道的候選變成成本最低時,例如前車減速時,就會變換車道。

常見誤解

  • Frenet 座標系規劃是單一演算法 — 它是一種座標選擇;以多項式取樣是常見做法,但以最佳化為基礎的規劃器也在 Frenet 座標中運作
  • 軌跡在 Frenet 座標系中平滑,所以是可行的 — 曲率與加速度的限制必須在轉換回笛卡兒座標後檢查
  • 它在任何地方都適用 — 它需要平滑的參考路徑,在急彎與沒有車道的開放空間中表現會變差
  • 橫向與縱向規劃完全獨立 — 為了方便而分開規劃,但必須組合起來一起檢查

誰需要了解

  • 自動駕駛規劃工程師
  • 使用 CARLA 等駕駛模擬器的研究人員
  • 沿結構化路線移動的移動機器人開發者
  • 學習軌跡生成的學生

相關技術

  • 五次與四次多項式軌跡(quintic and quartic polynomial trajectories)
  • Frenet–Serret 公式
  • 三次樣條參考線(cubic spline reference lines)
  • 狀態格點規劃器(state lattice planner)
  • 模型預測控制(model predictive control)
  • CARLA 模擬器

相關術語

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

相關專案

  • 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

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。