Sampling Based Motion Planning for Heavy Duty Autonomous Vehicles
Niclas Evestedt · 2016
The automotive industry is undergoing a revolution where the more traditional mechanical values are replaced by an ever increasing number of Advanced Driver Assistance Systems (ADAS) where advanced algorithms and software development are taking a bigger role.Increased safety, reduced emissions and the possibility of completely new business models are driving the development and most automotive companies have started projects that aim towards fully autonomous vehicles.For industrial applications that provide a closed environment, such as mining facilities, harbors, agriculture and airports, full implementation of the technology is already available with increased productivity, reliability and reduced wear on equipment as a result.However, it also gives the opportunity to create a safer working environment when human drivers can be removed from dangerous working conditions.Regardless of the application an important part of any mobile autonomous system is the motion planning layer.In this thesis sampling-based motion planning algorithms are used to solve several non-holonomic and kinodynamic planning problems for car-like robotic vehicles in different application areas that all present different challenges.First we present an extension to the probabilistic sampling-based Closed-Loop Rapidly exploring Random Tree (CL-RRT) framework that significantly increases the probability of drawing a valid sample for platforms with second order differential constraints.When a tree extension is found infeasible a new acceleration profile that tries to brings the vehicle to a full stop before the collision occurs is calculated.A resimulation of the tree extension with the new acceleration profile is then performed.The framework is tested on a heavy-duty Scania G480 mining truck in a simple constructed scenario.Furthermore, we present two different driver assistance systems for the complicated task of reversing with a truck with a dolly-steered trailer.The first is a manual system where the user can easily construct a kinematically feasible path through a graphical user interface.The second is a fully automatic planner, based on the CL-RRT algorithm where only a start and goal position need to be provided.For both approaches, the internal angles of the trailer configuration are stabilized using a Linear Quadratic (LQ) controller and path following is achieved through a pure-pursuit control law.The systems are demonstrated on a small-scale test vehicle with good results.Finally, we look at the planning problem for an autonomous vehicle in an urban setting with dense traffic for two different time-critical maneuvers, namely, intersection merging and highway merging.In these situations, a social interplay between drivers is often necessary in order to perform a safe merge.To model this interaction a prediction engine is developed and used to predict the future evolution of the complete traffic scene given our own intended trajectory.Real-time capabilities are demonstrated through a series of simulations with varying traffic densities.It is shown, in simulation, that the proposed method is capable of safe merging in much denser traffic compared to a base-line method where a constant velocity model is used for predictions.v Populärvetenskaplig sammanfattningFordonsindustrin genomgår just nu en revolution där en rad avancerade förarstödsystem och tjänster introduceras vilket innebär att avancerad algoritm och mjukvaruutveckling får en allt viktigare roll.Ökad säkerhet, minskade utsläpp och möjligheten för helt nya affärsmodeller är drivande krafter bakom utvecklingen och de flesta större fordonstillverkare har startat projekt som siktar mot helt självkörande bilar där föraren är frånkopplad kontrollen av fordonet.Trafikolyckor är den globalt sett vanligaste dödsorsaken för människor mellan 15 och 29 år vilket motiverar utvecklingen av säkrare transportsystem men många forskningsfrågor kring rimligheten och effekterna av ett helt automatiserat transportsystem återstår.För industriella applikationer så som gruvor, hamnar, jordbruk eller flygplatser där en avgränsad yta finns är möjligheterna för full implementation mycket närmare och finns redan idag implementerat på många ställen.Ökad produktivitet, tillgänglighet och minskat slitage på utrustning är några av vinsterna man ser men även möjligheten att flytta människor från farliga arbetsmiljöer, som tex underjordsgruvor där risken för olyckor är större, till kontrollcentraler ovan jord där maskiner kan fjärrstyras eller en automatiserad process kan övervakas.Oavsett applikationen så är möjligheten att effektivt planera och utföra säkra förflyttningar av ett robotiserat fordon en viktig del av ett autonomt system.I den här avhandlingen använder vi oss av stickprovsbaserad rörelseplanering för icke-holonomiska och kinodynamiska planeringsproblem för en rad olika applikationer som alla har olika utmaningar.Först presenterar vi en vidareutveckling av den sannolikhetsbaserade stickprovsalgoritmen Rapidly exploring Random Tree (RRT) där vi utvecklar en metod där vi genom att använda information från flera simuleringar av systemet kan beräkna en giltig hastighetsprofil som kan användas för att rätta till ett misslyckat stickprov.Denna metod ökar markant sannolikheten för att dra ett stickprov som genererar en giltig trajektoria i kritiska lägen.Systemet har sedan testats på en lastbil anpassad för gruvapplikationer.Vi presenterar även två olika förarstödsystem för att förenkla den komplicerade uppgiften att backa med en lastbil med tungt släp.Först visar vi ett manuellt system där en förare enkelt kan planera en kinematiskt korrekt bana genom att använda ett grafiskt användargränssnitt och sedan ett annat system med helt automatiserad planering av en bana från en startpunkt till en slutpunkt med hjälp av RRT.Dessa system testades sedan på en småskalig testplattform med goda resultat.Slutligen studerades ett planeringsproblem för att hantera korsningar och påfarter på motorväg i tät trafik där ett samspel mellan förare ofta är nödvändigt för att genomföra en manöver.En prediktionsmotor baserad på smarta förarmodeller används för att prediktera hur hela trafikscenen utvecklas framåt i tiden beroende på vår egen trajektoria.Genom diskretisering och snabba uträkningar av flera lämpliga hastighetsprofiler som kan utvärderas genom prediktionsmotorn så kan en slutgiltigt trajektoria för det egna fordonet bestämmas.viiFirst of all, I would like to give a special thanks to my supervisor Assoc.Prof. Daniel Axehill for his support and encouragement throughout this work.He has a genuine interest in what we do and his door is always open for discussions and new ideas.Without his support this thesis would most likely not have been finished, probably not even started.I would also like to thank Oskar Ljungqvist and Erik Ward for the fantastic collaboration and fruitful discussions we have had during the last years.I would also like to show my gratitude to my co-supervisor Prof. Fredrik Gustafsson and Prof. Svante Gunnarsson for inviting me to be part of the Automatic Control group.I am also very grateful for their help and flexibility when arranging a possibility to finish this thesis even after I moved away from Linköping.Thanks to Ninna Stensgård for making sure everything runs smoothly and for the help with all practical matters.I would also like to acknowledge FFI/