Effiziente Bahnplanung für autonomes Rennen auf dreidimensionalen Rennstrecken mit Online-Generierung der Rennlinie

Conceptos Básicos

Unser Ansatz zur lokalen Bahnplanung für autonomes Rennen auf komplexen 3D-Rennstrecken ermöglicht die Einhaltung der Rennlinie und eine bessere Ausnutzung des dynamischen Potenzials im Vergleich zu bestehenden Ansätzen. Durch die Online-Generierung der Rennlinie können Abweichungen von der Rennlinie effizient kompensiert werden.

Resumen

In diesem Beitrag wird ein neuer Ansatz zur lokalen Bahnplanung für autonomes Rennen auf dreidimensionalen Rennstrecken vorgestellt.
Der Kern des Ansatzes ist eine angepasste Trajektoriengenerierung, die es ermöglicht, die Rennlinie auch auf komplexen Rennstrecken genau nachzufahren. Dazu werden die Trajektorien relativ zur Rennlinie generiert, anstatt die üblichen jerk-optimalen Kurven zu verwenden. Dadurch können die Geometrie und Dynamik der Rennlinie besser abgebildet werden.
Zusätzlich wird der Einfluss der 3D-Effekte der Rennstrecke, wie Steigung und Querneigung, in die Bahnplanung integriert. Dafür werden erweiterte gg-Diagramme verwendet, die neben der Geschwindigkeit auch die vertikale Beschleunigung berücksichtigen.
Im Vergleich zu bestehenden Ansätzen, die eine offline berechnete Rennlinie verwenden, wird in diesem Beitrag auch eine Online-Generierung der Rennlinie untersucht. Dadurch können Abweichungen von der Rennlinie, z.B. durch Überholmanöver, besser kompensiert werden.
In Simulationsexperimenten auf einer ovalen und einer komplexen Rennstrecke konnte gezeigt werden, dass der vorgestellte Ansatz niedrigere Rundenzeiten und eine bessere Ausnutzung der dynamischen Grenzen ermöglicht.

Estadísticas

Die Rundenzeit auf der Las Vegas Motor Speedway (LVMS) beträgt mit dem vorgestellten Ansatz 27,12 Sekunden.
Die Rundenzeit auf dem Mount Panorama Circuit in Bathurst (MPCB) beträgt mit dem vorgestellten Ansatz 125,96 Sekunden.

Citas

"Unser Ansatz zur lokalen Bahnplanung für autonomes Rennen auf komplexen 3D-Rennstrecken ermöglicht die Einhaltung der Rennlinie und eine bessere Ausnutzung des dynamischen Potenzials im Vergleich zu bestehenden Ansätzen."
"Durch die Online-Generierung der Rennlinie können Abweichungen von der Rennlinie effizient kompensiert werden."

Ideas clave extraídas de

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

by Leve... a las arxiv.org 03-28-2024

https://arxiv.org/pdf/2403.18643.pdf

Consultas más profundas

Wie könnte der vorgestellte Ansatz zur lokalen Bahnplanung um weitere Manövervielfalt erweitert werden, um komplexere Überholmanöver zu ermöglichen?

Um die Manövervielfalt des vorgestellten Ansatzes zur lokalen Bahnplanung zu erweitern und komplexere Überholmanöver zu ermöglichen, könnten folgende Schritte unternommen werden:

Generierung von Trajektorien für spezifische Manöver: Statt sich nur auf jerk-optimale oder relative Trajektorien zu beschränken, könnten spezifische Trajektorien für verschiedene Manöver wie schnelles Ein- und Ausweichen, enge Kurvenfahrten oder schnelle Überholmanöver generiert werden.

Berücksichtigung von Hindernissen und dynamischen Objekten: Die Planung sollte Hindernisse und dynamische Objekte in Echtzeit berücksichtigen, um adaptive Manöver zu ermöglichen, die auf unvorhergesehene Situationen reagieren können.

Integration von Kollisionsvermeidungsalgorithmen: Durch die Integration von Kollisionsvermeidungsalgorithmen können Fahrzeuge sicher und effizient um Hindernisse herum navigieren, was die Manövervielfalt erhöht.

Optimierung der Trajektorien für spezifische Szenarien: Indem die Trajektorien an die spezifischen Anforderungen und Gegebenheiten des Rennstreckenlayouts angepasst werden, können komplexere und effektivere Überholmanöver geplant werden.

Wie könnte der vorgestellte Ansatz zur lokalen Bahnplanung um weitere Manövervielfalt erweitert werden, um komplexere Überholmanöver zu ermöglichen?

Um die Manövervielfalt des vorgestellten Ansatzes zur lokalen Bahnplanung zu erweitern und komplexere Überholmanöver zu ermöglichen, könnten folgende Schritte unternommen werden:

Generierung von Trajektorien für spezifische Manöver: Statt sich nur auf jerk-optimale oder relative Trajektorien zu beschränken, könnten spezifische Trajektorien für verschiedene Manöver wie schnelles Ein- und Ausweichen, enge Kurvenfahrten oder schnelle Überholmanöver generiert werden.

Berücksichtigung von Hindernissen und dynamischen Objekten: Die Planung sollte Hindernisse und dynamische Objekte in Echtzeit berücksichtigen, um adaptive Manöver zu ermöglichen, die auf unvorhergesehene Situationen reagieren können.

Integration von Kollisionsvermeidungsalgorithmen: Durch die Integration von Kollisionsvermeidungsalgorithmen können Fahrzeuge sicher und effizient um Hindernisse herum navigieren, was die Manövervielfalt erhöht.

Optimierung der Trajektorien für spezifische Szenarien: Indem die Trajektorien an die spezifischen Anforderungen und Gegebenheiten des Rennstreckenlayouts angepasst werden, können komplexere und effektivere Überholmanöver geplant werden.

Wie lässt sich die Effektivität der Online-Generierung der Rennlinie in komplexeren Szenarien mit mehreren Fahrzeugen weiter untersuchen?

Um die Effektivität der Online-Generierung der Rennlinie in komplexeren Szenarien mit mehreren Fahrzeugen weiter zu untersuchen, könnten folgende Ansätze verfolgt werden:

Simulation von Multi-Fahrzeug-Szenarien: Durch die Simulation von Szenarien mit mehreren Fahrzeugen, die sich dynamisch auf der Rennstrecke bewegen, können verschiedene Überholmanöver und Interaktionen getestet werden, um die Leistungsfähigkeit der Online-Rennliniengenerierung zu bewerten.

Variation der Anzahl und Geschwindigkeit der Fahrzeuge: Durch die Variation der Anzahl der Fahrzeuge und ihrer Geschwindigkeiten können verschiedene Verkehrsdichten und -geschwindigkeiten simuliert werden, um die Reaktionsfähigkeit und Effektivität der Online-Rennliniengenerierung zu bewerten.

Berücksichtigung von dynamischen Hindernissen: Die Einbeziehung von dynamischen Hindernissen, die sich unvorhersehbar auf der Rennstrecke bewegen, kann die Robustheit und Anpassungsfähigkeit der Online-Rennliniengenerierung in komplexen Szenarien testen.

Messung von Leistungskennzahlen: Durch die Messung von Leistungskennzahlen wie Durchsatz, Reaktionszeit auf sich ändernde Bedingungen und Effizienz der Überholmanöver kann die Effektivität der Online-Rennliniengenerierung in komplexen Szenarien quantitativ bewertet werden.