Safe Trajectory Planning for Autonomous Vehicles Using Motion Primitives: A Moving Horizon Approach

Autonomous systems, from self-driving cars to intelligent manufacturing robots, are increasingly integrated into everyday life, making their safe and reliable interaction with humans and their environments critical. This work addresses the challenges of motion planning and control in dynamic and uncertain environments. It presents a robust, hierarchical planning and control approach based on moving-horizons, which ensures high performance, safety, and robustness in the face of uncertainty while exploiting different operational modes to enhance efficiency.

At the heart of this work is a computational and modeling framework for planning under uncertainty, using the principle of moving-horizon decision making to predict the system’s behavior over a receding horizon. The proposed approach decomposes the system dynamics into a parameterized set of motion primitives, representing different operational modes, and restricts feasible nominal trajectories to sequences of these primitives.

This method results in a mixed-integer mathematical programming problem that explicitly accounts for uncertainty. It is designed to accommodate a wide range of dynamical systems. By integrating interval reachability analysis with set-based robust control, the approach approximates nonlinear system dynamics through the applied primitives. The framework is computationally efficient and suitable for real-time applications.

A key contribution of this work is the decomposition of planning and control through a contract-based interaction between a high-level planner and a low-level controller. This interaction encapsulates the capabilities of the low-level controller within the planner's constraints, simplifying trajectory planning. In addition, integration with optimal control extends safety and performance beyond the planning horizon.

The methodologies developed are applicable to a broad spectrum of autonomous vehicles. Simulation results demonstrate the practicality and effectiveness of the approach in real-world scenarios.

Autonome Systeme, von selbstfahrenden Autos bis hin zu intelligenten Fertigungsrobotern, sind zunehmend in unser tägliches Leben integriert, wodurch ihre sichere und zuverlässige Interaktion mit Menschen und ihrer Umgebung unerlässlich wird. Diese Arbeit befasst sich mit den Herausforderungen der Bewegungsplanung und Regelung in dynamischen und unsicheren Umgebungen. Sie stellt einen robusten, hierarchischen Planungsansatz vor, der auf bewegten Horizonten basiert und sowohl Modellinformationen des Systems als auch der Umgebung nutzt. Dieser Ansatz gewährleistet hohe Leistungsfähigkeit, Sicherheit und Robustheit gegenüber Unsicherheiten und berücksichtigt verschiedene Betriebsmodi des Systems, um die Gesamteffizienz zu steigern.

Im Zentrum dieser Arbeit steht ein modellbasierter Ansatz zur Planung unter Unsicherheit, der das Prinzip der modellprädiktiven Regelung verwendet, um das Verhalten des Systems über einen sich fortlaufend aktualisierenden Zeithorizont vorherzusagen. Der Ansatz zerlegt die Systemdynamik in eine parametrisierte Menge von Bewegungsprimitiven, die unterschiedliche Betriebsmodi des Systems repräsentieren, und beschränkt die zulässigen Trajektorien auf Sequenzen dieser Primitiven.

Diese Methode führt zu einem gemischt-ganzzahligen Optimierungsproblem, das Unsicherheiten explizit berücksichtigt. Der Ansatz ist in der Lage, ein breites Spektrum dynamischer Systeme abzudecken. Durch die Kombination von Intervall-Erreichbarkeitsanalysen mit mengenbasierter robuster Regelung wird die nichtlineare Systemdynamik durch die Bewegungsprimitive unter Berücksichtigung von Unsicherheitsmengen approximiert. Das entwickelte Rahmenwerk ist rechnerisch effizient und für Echtzeitanwendungen geeignet.

Ein wesentlicher Beitrag dieser Arbeit liegt in der Trennung von Planung und Regelung durch eine vertragsbasierte Interaktion zwischen einem auf langsamerer Zeitskala operierenden Planer und einem schnelleren Regler. Diese Kopplung ermöglicht eine einfache Abstraktion der Fähigkeiten des Reglers in der Trajektorienplanung und gewährleistet dabei Sicherheit. Die Integration optimierungsbasierter Verfahren erhöht die Sicherheit und Leistungsfähigkeit und maximiert das Potenzial des autonomen Systems.

Die entwickelten Methoden sind auf verschiedene Klassen autonomer Fahrzeuge anwendbar. Simulationen und experimentelle Ergebnisse belegen die Praktikabilität und Effizienz des Ansatzes in realen Szenarien.