Trajectory Planning for Autonomous Driving in Unstructured Scenarios Based on Graph Neural Network and Numerical Optimization

在非结构化环境中，障碍物种类繁多，缺乏车道标记，这使得智能车辆的轨迹规划成为一项具有挑战性的任务。传统的轨迹规划方法通常包括多个阶段，包括路径规划、速度规划和轨迹优化。这些方法需要为每个阶段手动设计大量参数，导致工作量和计算负担很大。虽然端到端轨迹规划方法简单高效，但它们往往无法确保在非结构化场景中轨迹符合车辆动力学和避障约束。因此，本文提出了一种基于图神经网络（GNN）和数值优化的新型轨迹规划方法。该方法包括两个阶段：（1）使用GNN进行初始轨迹预测，（2）使用数值优化进行轨迹优化。首先，图神经网络处理环境信息并预测大致轨迹，替代传统的路径和速度规划。这个预测的轨迹作为数值优化阶段的初始解，优化轨迹以确保符合车辆动力学和避障约束。我们进行了仿真实验，验证了所提出算法的可行性，并将其与其他主流规划算法进行了比较。结果表明，所提出的方法简化了轨迹规划过程，显著提高了规划效率。

论文试图提出一种新的轨迹规划方法，以解决在无结构环境下车辆轨迹规划的挑战性问题。

论文提出了一种基于图神经网络和数值优化的轨迹规划方法，该方法包括两个阶段：使用图神经网络进行初始轨迹预测，使用数值优化进行轨迹优化。

论文在仿真实验中验证了该算法的可行性，并与其他主流规划算法进行了比较。结果表明，该方法简化了轨迹规划过程，显著提高了规划效率。

最近的相关研究包括：基于深度学习的轨迹规划方法、基于传统路径规划的轨迹规划方法等。