Welcome to the National Transport Library Catalogue

Normal view MARC view

Interaction and uncertainty-aware motion planning for autonomous vehicles using model predictive control

By: Language: English Summary language: Swedish Series: Linköping Studies in Science and Technology. Licentiate Thesis ; 1964Publication details: Linköping : Linköping University Electronic Press, 2023Description: 57 sISBN:
  • 9789180752008
Subject(s): Online resources: Dissertation note: Lic.-avh. (sammanfattning) Linköping : Linköpings universitet, 2023 Abstract: Motion planning plays a significant role in enabling advances of autonomous vehicles in saving lives and improving traffic efficiency. In a predictive motion-planning strategy, the ego vehicle predicts the motion of surrounding vehicles and uses these predictions to plan collision-free reference trajectories. In dynamic multi-vehicle traffic environments, a key research question is how to consider vehicle-to-vehicle interactions and motion uncertainties of the surrounding vehicles in the motion planner to achieve resilient motion planning of the autonomous ego vehicle. This Licentiate Thesis proposes a model predictive control (MPC)-based approach to achieve safe motion planning in uncertain and dynamic multi-vehicle driving environments. MPC has been widely applied for the motion planning of autonomous vehicles. However, designing resilient MPC-based motion planners that consider interactions and uncertainties of surrounding vehicles remains an open and challenging problem, which is the primary motivation for the research presented in this thesis. This thesis makes several contributions toward solving the interaction and uncertainty-aware motion-planning problems.Abstract: Rörelseplanering spelar en betydande roll för att möjliggöra framsteg inom autonoma fordon med potential att rädda liv genom att undvika olyckor och förbättra trafikeffektiviteten. I en prediktiv rörelseplaneringsstrategi predikterar det egna fordonet rörelsen hos omgivande fordon och använder dessa prediktioner för att planera en säker trajektoria. I dynamiska trafiksituationer med multipla omgivande fordon är en central forskningsfråga hur man ska ta hänsyn till de omgivande fordonens interaktioner och rörelseosäkerheter för att åstadkomma en robust rörelseplanering. Den här licentiatavhandlingen föreslår en modellprediktiv regleringsansats (MPC) för rörelseplanering i osäkra och dynamiska flerfordonsmiljöer. Robust och säker modellprediktiv regleringsbaserad rörelseplanering som tar hänsyn till interaktioner och osäkerheter hos rörelsen för omgivande fordon är ett öppet och utmanande problem, vilket är den primära motiveringen för den forskning som presenteras i denna avhandling. Modellprediktiv reglering (MPC) är en vanlig ansats för rörelseplanering för autonoma fordon. Denna avhandling presenterar metoder som är steg mot att lösa rörelseplaneringsproblemet där interaktion mellan fordon och osäkerhet i rörelser för omgivande fordon beaktas.
Item type: Licentiate thesis
No physical items for this record

Lic.-avh. (sammanfattning) Linköping : Linköpings universitet, 2023

Motion planning plays a significant role in enabling advances of autonomous vehicles in saving lives and improving traffic efficiency. In a predictive motion-planning strategy, the ego vehicle predicts the motion of surrounding vehicles and uses these predictions to plan collision-free reference trajectories. In dynamic multi-vehicle traffic environments, a key research question is how to consider vehicle-to-vehicle interactions and motion uncertainties of the surrounding vehicles in the motion planner to achieve resilient motion planning of the autonomous ego vehicle. This Licentiate Thesis proposes a model predictive control (MPC)-based approach to achieve safe motion planning in uncertain and dynamic multi-vehicle driving environments. MPC has been widely applied for the motion planning of autonomous vehicles. However, designing resilient MPC-based motion planners that consider interactions and uncertainties of surrounding vehicles remains an open and challenging problem, which is the primary motivation for the research presented in this thesis. This thesis makes several contributions toward solving the interaction and uncertainty-aware motion-planning problems.

Rörelseplanering spelar en betydande roll för att möjliggöra framsteg inom autonoma fordon med potential att rädda liv genom att undvika olyckor och förbättra trafikeffektiviteten. I en prediktiv rörelseplaneringsstrategi predikterar det egna fordonet rörelsen hos omgivande fordon och använder dessa prediktioner för att planera en säker trajektoria. I dynamiska trafiksituationer med multipla omgivande fordon är en central forskningsfråga hur man ska ta hänsyn till de omgivande fordonens interaktioner och rörelseosäkerheter för att åstadkomma en robust rörelseplanering. Den här licentiatavhandlingen föreslår en modellprediktiv regleringsansats (MPC) för rörelseplanering i osäkra och dynamiska flerfordonsmiljöer. Robust och säker modellprediktiv regleringsbaserad rörelseplanering som tar hänsyn till interaktioner och osäkerheter hos rörelsen för omgivande fordon är ett öppet och utmanande problem, vilket är den primära motiveringen för den forskning som presenteras i denna avhandling. Modellprediktiv reglering (MPC) är en vanlig ansats för rörelseplanering för autonoma fordon. Denna avhandling presenterar metoder som är steg mot att lösa rörelseplaneringsproblemet där interaktion mellan fordon och osäkerhet i rörelser för omgivande fordon beaktas.