Sampling-Based Motion Planning with Online Racing Line Generation for Autonomous Driving on Three-Dimensional Race Tracks

现有的自动驾驶赛车轨迹规划方法采用基于采样的方法，生成大量的最优抖动轨迹，根据惩罚离线计算的赛车线的偏差的成本函数选择最有利的可行轨迹。虽然在椭圆形赛道上取得了成功，但由于最优抖动边缘的简单几何形状无法捕捉赛车线的复杂性，在复杂赛道上面临局限。此外，它们只考虑二维赛道，可能忽略或超越实际的动态潜力。在本文中，我们提出了一种基于采样的本地轨迹规划方法，用于自动驾驶赛车，即使在复杂的赛道上也可以保持赛车线的圈速，并考虑赛道的三维效应。在模拟实验中，我们证明了我们的方法相比现有方法实现了更低的圈速和更好的动态限制利用率。我们还研究了在线赛车线生成的影响，其中从当前车辆状态规划时间最优解，限制空间视野，与离线计算的封闭赛车线相对比。我们表明，将基于采样的规划器与在线赛车线生成相结合，可以在多车情况下显著降低圈速。

本文旨在提出一种基于采样的本地轨迹规划方法，以解决自主赛车在复杂赛道上维持比赛线的圈数和考虑赛道三维效应的问题。同时，研究在线比赛线生成对多车辆场景下的圈数影响。

本文提出的方案是基于采样的本地轨迹规划方法，该方法可以维持比赛线的圈数，即使在复杂赛道上，也可以考虑赛道的三维效应。通过与现有方法的比较，本文展示了该方法在实验中实现了更低的圈数和更好的动态极限利用率。

实验结果表明，本文提出的方法可以在复杂赛道上维持比赛线的圈数和考虑赛道三维效应。同时，与在线比赛线生成相结合，可以显著降低多车辆场景下的圈数。本文的方法可以为自主赛车技术的进一步发展提供参考。

在这个领域中，最近的相关研究包括使用深度学习进行自主赛车的轨迹规划，以及使用强化学习进行自主赛车的控制。