Návrh systému pro plánování mise autonomního vozidla

Abstract

Algoritmy pro plánování pohybu autonomního vozidla jsou známým problémem a jeho vyřešení by znamenalo významný posun v jejich vývoji. Oproti plánování cesty, což je problém, na který máme mnoho efektivních a rychlých algoritmů, plánování trajektorie ve stavovém prostoru je stále řešený problém. Tato závěrečná práce se zaměřuje na návrh a vývoj plánovacího algoritmu pro autonomní vozidlo, který by plánoval trajektorii v jeho stavovém prostoru. Navržený algoritmus je obecným algoritmem, který je možné nasadit na různé typy modelů vozidel a respektuje dopravní a bezpečností pravidla a jejich priority. Navržený algoritmus je kombinací method postavených na náhodném vzorkování stavového prostoru vozidla a metody zvané \gls{mvp}, tedy plánování které porušuje nejméně pravidel. Knihovna, které je vyvinuta v rámci této práce a která implementuje navržený algoritmus umožňuje testy na reálné platformě. K testování jsou použity výpočetní jednotky z platformy a kromě vytvořených testovacích scénářů jsou zpracovány také data získané z provozu vozidla. Práce je součástí týmového úsilí k vytvoření plně autonomní testovací platformy. Autor se jako jediný v týmu zaměřuje na práci plánovacím algoritmu, nicméně pokud je to nezbytné, ostatní součásti autonomního systému a platformy jsou v této práci také popsány.

Motion planning is a known challenge that allows further advancement of autonomous vehicles. Path-planning algorithms are well-established and efficient. However, designing an algorithm that would plan a state-space trajectory remains a challenge. This thesis focuses on designing and developing a motion planning algorithm for an autonomous vehicle. The designed random sampling minimum violation planning algorithm is a general algorithm that can be used on multiple nonholonomic models and respects traffic and safety rules in compliance with their priorities. The goal is achieved by implementing an algorithm that combines random sampling algorithms (\gls{rrt}) and \gls{mvp}. The developed library allowed tests on real hardware of a subscale platform with recorded data from the drive, proving computational efficiency and practical results of the thesis. The work is done as part of the team project which is aimed at designing and developing a full autonomous vehicle. Other parts of the pipeline, apart from motion planning, are not described in this thesis unless necessary for the goals of the thesis.