Towards A General-Purpose Motion Planning for Autonomous Vehicles Using Fluid Dynamics

通用的自动/自主驾驶车辆运动规划器承诺处理各种自动驾驶功能（ADF）的运动规划任务（包括战术决策和轨迹生成）在不同的操作设计域（ODD）中。设计通用的运动规划器的挑战源于几个因素：a）应该处理具有不同语义信息的大量场景，b）应该考虑长期决策制定和短期轨迹生成之间的强耦合，c）必须考虑车辆动力学的非完整约束，d）运动规划器必须在实时运行时具有计算效率。文献中现有的方法要么仅限于特定的场景（基于逻辑），要么是数据驱动的（基于学习），因此缺乏可解释性，而这对于安全关键的自动驾驶系统（ADS）非常重要。本文提出了一种基于流体力学理论的新型通用运动规划解决方案，然后采用计算效率高的技术，即格子玻尔兹曼方法，生成时空向量场，该向量场根据自车的非完整动力学模型用于生成可行的候选轨迹。最终选择具有优良驾驶品质、效率和安全性的轨迹来计算即将到来的控制信号，即油门/刹车和转向角度。所提出的方法在高速公路驾驶、匝道合流和路口穿越场景中进行了模拟评估，并发现其在模型预测控制（MPC）基础上的传统运动规划解决方案表现更好。

提出一种新的通用运动规划方案，解决自动驾驶系统中的决策制定和轨迹生成问题，同时考虑到场景语义信息、长短期决策之间的耦合、非完整约束以及实时计算的要求。

借鉴流体力学理论，采用格子玻尔兹曼方法生成时空向量场，结合自车非完整动力学模型生成可行的候选轨迹，并选择最优轨迹计算出控制信号。

通过仿真实验验证了该方法在高速公路行驶、匝道合流和路口穿越等场景中的优越性，相较于基于模型预测控制的传统运动规划方案更加有效。

相关研究包括基于逻辑或学习的特定场景运动规划方案，以及基于模型预测控制的通用运动规划方案。