Härtill 5 uppsatser

Diss. (sammanfattning) Linköping : Linköpings universitet, 2024

In a predictive motion-planning strategy, the autonomous ego vehicle needs to predict the motion of surrounding obstacles and use predictions to plan collision-free reference trajectories. In multi-vehicle traffic environments, a key research question is how to consider vehicle-to-vehicle interactions, behavior uncertainties, and environmental influence on the motion of surrounding obstacles to achieve resilient motion planning of the autonomous ego vehicle. This thesis proposes context-aware motion-planning methods for autonomous driving in uncertain and dynamic environments, and makes several contributions to design motion-planning strategies with the desired performance. The first contribution is designing an interaction-aware moving target model predictive control (MPC). This method is formulated based on integrating an interaction-aware motion-prediction model and time-varying reference targets of the receding-horizon optimal control problem for proactive and non-local trajectory planning in multi-vehicle dynamic traffic scenarios. For the second contribution, the proposed interaction-aware moving target MPC planner is extended to account for the multi-modal motion uncertainties of surrounding vehicles, including both the maneuver and trajectory uncertainties. Based on the modeling of uncertainties, a safety-awareness parameter is designed to compute the obstacle occupancy to achieve a trade-off between the performance and robustness of the motion planner. The third contribution is learning motion uncertainties of obstacles to reduce the conservativeness of the motion planner while pursuing robustness. To this end, a robust motion-planning method is designed for autonomous driving systems based on learning the unknown control set of dynamic obstacles. The learned control set is then applied to predict the reachable set of obstacles to formulate a collision-avoidance constraint. The effectiveness of the method is validated in hardware experiments involving reach-avoid planning problems for mobile robots, and in simulations of autonomous forced merging that incorporates both decision-making and trajectory planning. The fourth contribution is an environment-aware motion-planning strategy, where the method achieves environment awareness by predicting sensible maneuvers of surrounding vehicles considering road-geometry constraints.

För självkörande fordon är säker och effektiv manövrering i trafiksituationer med flera medtrafikanter i en osäker omgivning en central utmaning. En förutseende rörelseplaneringsstrategi försöker förutse omgivande trafikens rörelser och sen använda dessa prediktioner för att planera kollisionsfria vägar. En central forskningsfråga i trafikmiljöer med flera bilar är hur interaktion mellan bilar, osäkerhet i körbeteenden och omgivningsfaktorers påverkan ska hanteras för att möjliggöra säker rörelseplanering. Denna avhandling presenterar rörelseplaneringsmetoder för självkörande bilar i osäkra och dynamiska miljöer samt bidrar till utformningen av strategier som uppnår önskad prestanda. Det första bidraget består av en strategi för interaktionsmedveten modellprediktiv reglering (MPC). Metoden bygger på integration av en interaktionsmedveten modell för att förutse rörelsen för de omgivande bilarna samt ett tidsvarierande referensmål för den egna bilen. Resultatet är en proaktiv rörelseplanering i dynamiska trafikmiljöer med flera bilar som möjliggör inte bara lokal omplanering av vägen. Det andra bidraget utökar MPC-metoden till att också kunna hantera multimodala rörelseosäkerheter hos omgivningen, vilket inkluderar osäkerheter i både körmanöver och specifik väg. Metoden inkluderar modellering av dessa osäkerheter samt införandet av en parameter som möjliggör en avvägning mellan prestanda och robusthet hos rörelseplaneraren. Det tredje bidraget fokuserar på automatiskt lärande under körning av rörelseosäkerheter hos omgivande bilar för att undvika att rörelse planeraren är alltför försiktig, utan att säkerheten kompromissas med. Metoden bygger på inlärning av de omgivande bilarnas körbeteenden, med efterföljande strategier för att förutsäga vilken del av vägen de kan uppta under den närmaste framtiden. Det fjärde bidraget är en omgivningsmedveten rörelseplaneringsstrategi som förutsäger möjliga körmanövrar hos omgivande bilar med hänsyn till vägens egenskaper. Genom att integrera sådana faktorer kan metoden effektivt förutse rörelsen för omgivande bilar, vilket sen används för att formulera kollisionsundvikande kriterier i rörelseplaneringsproblemet.