Plánování trasy pro autonomní vozidlo se zpracováním informací na hraně mobilní sítě

Abstract

Tato práce se zaměřuje na implementaci algoritmů pro autonomní řízení s možností přenést zpracování těchto algoritmů z vozidla na hranu mobilní sítě. Jsou implementovány a vyhodnoceny tři algoritmy pro plánování trasy, a to algoritmy A*, Rapidly exploring Random Tree (RRT) a RRT*. Dále je zkoumána a do autonomního vozidla implementována detekce dynamických překážek. Detekce překážek se provádí na základě porovnání mapy a lidarových dat. Sledování naplánované trasy je zajištěno algoritmem Pure Pursuit a Model Predictive Control (MPC). Algoritmy jsou testovány na modelu autonomního vozidla rozšířeném o komunikaci přes 5G mobilní síť s možností zpracovávat úlohy na hraně mobilní sítě. Cílem této práce je zkoumat, zda je vhodné zpracovávat algoritmy pro autonomní řízení na hraně mobilní sítě. Uskutečněné experimenty ukazují, že algoritmy plánující trasu jsou vhodné pro offloadování z důvodu vysoké výpočetní náročnosti. Algoritmy pro detekci dynamických překážek a sledování trasy je možné offloadovat, avšak výsledky jsou velmi závislé na současném stavu komunikačního kanálu.

This thesis focuses on the implementation of algorithms for autonomous driving with the ability to offload processing of these algorithms from the vehicle to the edge of the mobile network. Three algorithms for path planning, namely A*, Rapidly exploring Random Tree (RRT) and RRT* algorithms are implemented and evaluated. Furthermore, dynamic obstacle detection is investigated and implemented to the autonomous vehicle. The obstacle detection is performed based on a comparison of the map and lidar data. Tracking of the planned path is provided by Pure Pursuit algorithm and Model Predictive Control (MPC). The algorithms are tested on a model of autonomous vehicle enhanced with communication capabilities to offload processing to the edge servers via 5G mobile network. The aim of this paper is to investigate whether it is suitable to process algorithms for autonomous driving at the network edge. The conducted experiments show that path planning algorithms are suitable for offloading due to the high computational intensity. Algorithms for dynamic obstacle detection and path following are offloadable within a specified deadline, but the results are highly dependent on the current communication channel state.