基于轨迹预测考虑人工势场的路径规划

《IEEE Transactions on Vehicular Technology》：Path Planning Considering Artificial Potential Fields Based on Trajectory Prediction

基于深度学习的轨迹预测与人工势场融合的多目标路径规划方法在复杂交通场景中表现出色，相比基线方法提升最小预期碰撞时间8.72%和效率36%，同时维持舒适性与规则符合性。

　　

摘要：

随着深度学习技术的发展，轨迹预测的准确性显著提高。利用预测的轨迹进行运动规划可以更有效地降低车辆之间发生碰撞的风险。然而，先前的研究表明，直接在规划中使用预测轨迹往往会导致性能不佳，甚至可能引发碰撞。为了解决这个问题，我们提出了一种新的框架，该框架将轨迹预测与人工势场（APFs）相结合，使得预测结果能够有效地应用于规划中。在本文中，我们介绍了一个轨迹规划框架，该框架基于深度学习实现的轨迹预测和车辆间的相互作用构建了一个时空风险（STR）场。规划模块采用了一种基于优化的方法，考虑了多个目标，包括安全性、舒适性、规则遵从性、效率以及人性化体验。在真实世界数据集上的评估表明，与基线驾驶安全场（DSF）方法相比，我们的方法在最小预期碰撞时间（ACT_min）方面提高了8.72%，在效率方面提高了36.0%。与其他竞争方法相比，我们的方法在ACT_min方面提高了10.67%，同时在舒适性、效率和人性化体验方面保持了竞争力。NuPlan闭环实验的结果表明，我们的方法在复杂场景中表现出更强的规划能力，超越了所有基线方法的性能。此外，闭环实验还证明了我们的方法能够在高度交互的交通场景中实现连续且无碰撞的规划。