2023 年自動駕駛汽車 CommonRoad 運動規劃競賽結果報告

核心概念

本文總結了 2023 年 CommonRoad 自動駕駛汽車運動規劃競賽的結果，重點介紹了兩種表現最佳的運動規劃方法，並分析了它們在各種模擬交通場景中的性能。

摘要

2023 年自動駕駛汽車 CommonRoad 運動規劃競賽結果報告

簡介

本文總結了 2023 年舉辦的第三屆 CommonRoad 自動駕駛汽車運動規劃競賽的結果。競賽旨在為自動駕駛汽車運動規劃領域的研究人員提供一個公平比較不同方法的平台。參賽者需要開發運動規劃器，為各種模擬交通場景生成可行的軌跡，並根據效率、安全性、舒適性和對交通規則的遵守情況進行評估。

競賽形式

• 參賽團隊需要解決編碼在基準場景中的運動規劃問題，這些場景涵蓋高速公路和城市環境，並包含各種交通參與者，例如轎車、巴士和自行車。
• 競賽提供兩種場景：非互動式場景（其他交通參與者不對自動駕駛汽車的行為做出反應）和互動式場景（使用 SUMO 交通模擬器，其他交通參與者會對自動駕駛汽車的行為做出反應）。
• 評估標準包括：可行軌跡（無碰撞、符合運動學和道路規則）和成本函數（評估軌跡的效率、安全性和舒適性）。

參賽者

• 石溪大學：開發了一種基於可達集的決策模組，用於識別最合適的行駛走廊，並使用最優控制問題來生成與非線性車輛模型一致的軌跡。
• 慕尼黑工業大學：開發了一種名為 FRENETIX 的基於採樣的運動規劃器，該規劃器採用模組化設計，並集成了運動預測和遮擋感知規劃等功能。

結果

• 兩種運動規劃器都能在規定的時間內成功解決大量場景。
• 慕尼黑工業大學的團隊獲得了競賽的第一名，他們的規劃器在大部分場景中都能生成成本最低的解決方案。
• 石溪大學的團隊獲得了第二名。

結論

• 本文比較了兩種採用不同策略的運動規劃方法：基於可達集的決策模組與基於採樣的方法。
• 儘管策略不同，但兩種規劃器在競賽中都表現出色，證明了它們在解決複雜運動規劃問題方面的有效性。
• 未來研究方向包括開發更強大的運動預測和遮擋感知規劃演算法，以及探索基於強化學習的優化方法。

統計資料

超過 500 個場景被用於競賽。
評估在 6 小時後計時結束。
允許使用最多兩個核心進行計算。
所有計算均在一台配備兩個 AMD EPYC 7763 處理器和 2 TB 內存的服務器上執行。
慕尼黑工業大學的運動規劃器成功解決了 130 個場景，其中 84 個場景的解決方案成本最低。
石溪大學的運動規劃器成功解決了 116 個場景，其中 54 個場景的解決方案成本最低。

引述

"The main goal of the competition is to provide a fair comparison of different motion planning approaches on a large number of realistic traffic scenarios."
"The benchmark scenarios are realistic since real road networks are used and the behaviors of the traffic participants are either adapted from real-world recordings or simulated by state-of-the-art traffic simulators."
"The competition additionally also considers a realistic vehicle model with nonlinear dynamics and parameters taken from a real Ford Escort."

從以下內容提煉的關鍵洞見

Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles

by Niklas Kochd... 於 arxiv.org 11-12-2024

https://arxiv.org/pdf/2411.06425.pdf