Path Planning for Autonomous Vehicles in Unknown Semi-structured Environments
本文为其姊妹篇会议论文（Practical Search Techniques in Path Planning for Autonomous Driving）的扩展，时隔一年发表在机器人顶刊 IJRR 上，内容无太大变化。
算法分为两步：
- A* 搜索的变体，结合车辆动力学，进行路径搜索；
- 数值非线性优化提升解的质量，新增结合先验信息模块；
1 Introduction
- 主要难点：
- 连续变量的优化；
- 时间成本
- 非结构化环境
2 Hybrid-state A* Search
- 算法描述：
- 自车起始状态：
- 目标状态：
- 扩展的4D状态空间：
， 是自车的行进方向，前进or后退 - 惩罚倒车（乘性惩罚）和切换行驶方向（加性惩罚）的行为。
- 自车起始状态：
- 本文没有速度规划，使用固定的 5 mph 速度
- 节点从open list中pop out，根据运动学连接三个节点：最大左转，直行，最大右转，hybrid A*生成的轨迹一定是可达的，但不保证全局最优。
Heuristics
- 使用了两个启发式函数：
non-holonomic-without-obstacles heuristic, 忽略障碍物，但考虑到汽车的非完整性。holonomic-with-obstacles heuristic，与上一个启函数对称，忽略汽车的非完整约束，考虑障碍物地图计算最短路径。
- During the Urban Challenge, we used a 160 m X 160 m grid with 1 m X 5 deg resolution.
- 用 Reed–Shepp model 优化hybrid A*的解，计算最优的 Reed–Shepp path
- Reeds, J. A. and Shepp, L. A. (1990). Optimal paths for a car that goes both forwards and backwards. Pacific Journal of Mathematics, 145(2): 367–393.
- 变分辨率搜索（Variable Resolution
Search），计算中期望竟可能精细的分辨率，主要原因在于：
- 完整性，分辨率太粗，狭窄的通道不能通过；
- 最优性，粗分辨率导致轨迹在最优解附近震荡了；
- 计算效率；
- 具体实施：在宽阔的地方使用大步长，在狭窄的地方使用小步长；利用Generalized
Voronoi Diagram (GVD)中的
变化规划的弧长长度，实现变分辨率， 是最近障碍物距离， 是GVD最近边界的距离；
3 Trajectory Optimization
- 计算流程：
- Hybrid A*（0.5-1m）
- R-S曲线（0.5-1m）
- 共轭梯度轨迹平滑（0.5-1m）
- 非参数插值（5-10cm）
- 共轭梯度轨迹平滑（5-10cm）
Trajectory Smoothing via Conjugate Gradient
- 该步骤同之前的文章，此处不再描述；
Guaranteeing Smoother Safety
- 共轭梯度轨迹平滑中虽然加了碰撞惩罚，但是并不能保证无碰撞，优化目标也没考虑车身形状，因此不能精确优化轨迹。如果在共轭梯度轨迹平滑模块内实施精确的碰撞检测，那么计算量又会过大；
- 共轭梯度法平滑的轨迹如果不安全，则锚定住A* solution中的相关点。迭代优化其余点，直到collision-free
Navigation Potential Using the Voronoi Field
- 使用了Voronoi Field得到导航信息，这部分和之前论文一样，不重复介绍。
4 Graph-guided Path Planning in Semi-structured Environments
Trajectory Smoothing in Semi-structured Environments
本文增加了这部分内容，在GC优化项中增加了一项。感觉意义不是太大，这里不再介绍。
总结
本文和之前的会议论文差不多，感觉意义新加部分意义不是很大。