Integrace plánovačů trajektorie pro automatické řízení vozidel

Abstract

Tato práce zkoumá integraci různých plánovačů trajektorie pro autonomní vozidla s cílem zlepšit způsob, jakým autonomní systémy plánují své dráhy. Práce se zaměřila na spojení nízkoúrovňového gradientního plánovače s vysokoúrovňovým plánovačem, který využívá částečně pozorovatelný Markovův rozhodovací proces (POMDP). Oba plánovače byly původně vyvinuty v C++ a Robot Operating System 1 (ROS 1). Integrace zahrnovala adaptaci těchto plánovačů pro kompatibilitu s jazykem Rust, jejich migraci na ROS 2 a nastavení spolehlivého zpracování mapových dat, včetně převodu OpenDRIVE na Lanelet2, za účelem vytvoření propojeného řídicího systému. Jednotné nastavení bylo úspěšně navrženo a implementováno, přičemž byly opraveny některé problémy v nízkoúrovňovém plánovači a vytvořeno funkční rozhraní ROS 2 pro simulační prostředí Car Learning to Act (CARLA) simulátoru. Tento projekt ukazuje, jak lze tyto různé metody plánování spojit v rámci moderní robotické architektury, což by mohlo pomoci při vývoji budoucích systémů autonomního řízení.

This thesis explores the integration of different trajectory planners for self-driving vehicles, with the goal of improving how autonomous systems plan their paths. The work focused on combining a low-level gradient-based planner with a high-level planner that uses a Partially Observable Markov Decision Process (POMDP). Both planners were originally developed in C++ and Robot Operating System 1 (ROS 1). The integration involved adapting these planners for Rust compatibility, migrating them to ROS 2, and setting up reliable map data handling, including converting OpenDRIVE to Lanelet2, to create a connected control system. The unified setup was successfully designed and implemented, with some issues in the low-level planner being fixed and a working ROS 2 interface for the Car Learning to Act (CARLA) simulation environment being built. This project demonstrates how these different planning methods can be brought together within a modern robotics framework, which could help with developing future autonomous driving systems.