面向自动驾驶车辆的轨迹流预测与机动决策

决策、运动规划和轨迹预测在自动驾驶系统中至关重要。通过准确预测其他道路使用者的运动，可以增强自动驾驶系统的决策能力，使其在应对动态和不可预测的环境时更加有效，并能更好地适应多样化的道路场景。本文提出了用于不同机动（包括无保护左转、超车和保持车道）决策与运动规划的 FFStreams++ 方法。FFStreams++ 结合了基于采样和基于搜索的方法，其中迭代地生成并优化不同机动的采样新轨迹，随后调用启发式搜索规划器寻找最优规划。我们使用规划领域定义语言 (PDDL) 对自动驾驶系统进行建模，并使用启发式 Fast-Forward 规划器搜索最优规划。在该方法中，问题的初始状态通过流被迭代修改，从而生成特定于机动的轨迹候选，并增加迭代层级直到找到最优规划。FFStreams++ 集成了一个查询连接网络模型，用于预测每个周围障碍物可能的未来轨迹及其概率。所提出的方法在 CommonRoad 仿真框架上进行了测试。我们使用一组随机生成的交叉口超车和无保护左转驾驶场景来评估 FFStreams++ 规划器。测试结果证实，所提出的方法能够有效执行各种机动，以确保安全并降低与附近交通参与者发生碰撞的风险。