Hybrid Motion Planning based on Sampling and Optimization Methods for On-road Autonomous Driving in Dynamic Scenarios

Abstract

자동차가 발명된 이래 자동차 안에는 운전자의 편의와 안전을 향상시키기 위해 다양한 기술이 연구되고 적용되어 왔다. 최근에는 급속한 컴퓨터의 발전에 힘입어 운전자의 운전부담을 줄이고 안전을 향상시키기 위해 차량 스스로 운전이 가능케하는 자율주행자동차 연구가 활발히 진행되고 있다. 자율주행자동차란 운전자의 개입없이 자동차를 목적지까지 안전하게 제어하는 지능형 자동차 기술로써, 스스로 주변물체를 인지하고 주행상황을 파악하여 실시간으로 안전한 방향과 속도를 결정하는 시스템을 의미한다. 안전한 자율주행을 위해서는 정확히 주변물체를 인식하는 환경인지기술과 차량을 안전한 방향으로 움직일 수 있도록 움직임을 결정하는 경로생성기술이 핵심적인 요소이다. 특히, 경로생성기술은 다양한 주행환경 속에서 승객의 안전 및 승차감을 고려하여 최적의 경로를 생성하는 기술로 자율주행자동차의 전반적인 거동 및 주행전략을 결정하는 중요한 요소이다. 안전한 자율주행 경로를 생성하기 위해서는 차량의 위치, 도로의 종류 및 형상, 교통법규, 차량의 동적특성 뿐만 아니라 주변차량의 움직임 등 다양한 주행요소들을 고려해야 한다. 뿐만 아니라, 끊임없이 변하는 주변차량의 움직임은 경로생성 문제를 실시간으로 변화시키기 때문에 안전한 자율주행 주행경로 생성을 어렵게 만든 요소 중 하나이다. 이러한 역동적인 환경에서 경로생성 문제의 어려움을 극복하기 위해, 본 연구에서는 샘플링 및 수치적 최적화 기법의 융합을 통해 효율적으로 자율주행경로를 생성하는 방법을 제안한다. 샘플링 및 수치적 최적화 기법의 융합 기반 경로생성 알고리즘은 복잡한 경로생성 문제를 효율적으로 해결하기 위해 경로계획환경 모델링 (Planning space), 샘플링 기반 거시적 경로결정 (Sampling-based macroscopic trajectory planning), 수치적 최적화 기반 미시적 경로결정 (Optimization-based microscopic trajectory planning)의 세개의 계층적인 단계로 구성된다. 본 방법은 샘플링 기법을 통해 전체 경로생성 문제를 적은 연산만으로도 해결 가능한 여러 개의 선형 최적화 (Linear optimization) 문제로 분리한다. 각 선형문제를 수치적 기법을 통해 해결함으로써 동적인 주행시나리오에 따른 실시간 최적 경로를 생성할 수 있도록 한다. 본 연구에서는 제안된 융합 기반의 경로생성 알고리즘 성능의 우수성을 시뮬레이션 및 주행 실험을 통해 검증하였다. 시뮬레이션 검증을 통해 차선변경 및 교차로 등의 다양한 동적 시나리오 따른 제안된 방법의 효율성을 검증하였다. 또한, 실도로 주행 테스트를 통해 본 알고리즘의 효용성 및 실시간 성능의 우수성을 검증하였다.; Autonomous driving is an intelligent technology to navigate a car to the destination without a human’s intervention. For safe and comfortable driving, motion planning for autonomous driving determines the safe maneuvers and trajectory to avoid collisions with obstacles within the physical limits of the vehicle. However, this is a challenging problem owing to the variety and complexity of driving environments on highway and urban roads. The problem should involve the consideration of numerous aspects, such as road geometry, lane-structured roads, traffic regulations, traffic participants, and physical vehicle limitations. Furthermore, the dynamic movements of surrounding traffic participants such as vehicles, motorcycles, bicycles, and pedestrians make the problem more complicated. The motion planner should predict their future motion and determine a safe action. This requires the ability to react to the changes in the driving environments in real time. For these reasons, motion planning needs an efficient method to handle complex and dynamic driving environments. To solve these problems, this dissertation proposes hybrid motion-planning schemes based on sampling and numerical optimization methods. The sampling method generates trajectory candidates based on the predefined patterns and then selects the best one among the candidates with cost evaluation. Since their cost function can represent both discrete and continuous elements of driving environments, this approach is a powerful method for managing a complex environment for autonomous driving. However, the coverage of the planning algorithm is restricted by the number of the predefined patterns. If a vehicle faces unexpected situations which is not included in the predefined patterns, this method cannot overcome the situation. To cover various scenarios of on-road driving, countless patterns are required. This means that it takes a tremendous computational effort to generate the optimal trajectory for real driving conditions. In contrast to the sampling method, the numerical optimization-based approach finds a trajectory based on a mathematical optimization programming with a cost function and constraints. Since this method defines a motion planning problem through an online mathematical modeling without the offline candidate’s patterns, this method can generate various trajectories adapted to complex driving environments. It means that its resultant trajectory has high flexibility to the changes of driving situations. Despite these advantages, it is difficult to apply this method to highly dynamic driving scenarios because their predicted motions increase nonlinearity of the optimization problem. As described above, the sampling-based and optimization-based methods have complementary characteristics for motion planning. To maximize these effects, this dissertation presents hybrid schemes of motion planning for on-road autonomous driving. The proposed methods separate a whole planning problem into multiple simple sub-problems by using the sampling method. With this simplification, each sub-problem can be solved by the numerical optimization within real-time constraints. Among these candidates, the optimal trajectory is selected by considering driving safety, comfort, and driving preference. With the integration of the two approaches, the proposed methods provide both multi-maneuvering ability and high flexibility for dynamic on-road scenarios. These enhanced ability helps the motion planner handle various and dynamic driving scenarios. The proposed algorithms were evaluated with intensive simulations and experiments in dynamic scenarios, such as lane changes and intersections.