Lane-change obstacle-avoidance MPC for safe autonomous driving

Abstract

Autonomes Fahren hat Potenzial den Verkehr der Zukunft sicherer und effizienter zu machen, und zwar nicht nur für selbstfahrende Autos, sondern auch für alle anderen Verkehrsteilnehmer. Mit diesem Ziel im Blick wird in dieser Arbeit ein Regler entwickelt, der Spurwechselmanöver planen und ausführen kann und gleichzeitig Hindernisvermeidung impliziert gewährleistet. Dies wird nicht nur in bestimmten, speziell abgestimmten Szenarien erreicht, sondern ist vielseitig und universell einsetzbar. Erreicht wird dies durch den Einsatz einer modellprädiktiven Regelung (MPC), um die Spurwechselentscheidung und die Hindernisvermeidung systematisch über gemischt-ganzzahlige Variablen in das Optimierungsproblem einzubeziehen. Die kollektive Wahrnehmung wird genutzt, um die Positionsprädiktionen anderer Verkehrsteilnehmer in das Optimierungsproblem einzubeziehen. Die zweischichtige MPC-Archtitektur kombiniert einen High-Level-Controller, welcher versucht eine Referenzgeschwindigkeit zu halten, und einen Low-Level-Controller, welcher versucht einen Zeitabstand zum Vorderfahrzeug zu halten. Dabei trifft der High-Level-Controller die Spurwechselentscheidung und der Low-Level-Controller berechnet die angewandten Inputs. Dies führt zu sicheren und realistischen Trajektorien (bestehend aus einem zukünftigen Pfad und einem Geschwindigkeitsverlauf). Das Problem ist effizient in Frenet-Koordinaten formuliert, und aufgrund der linearen Natur des Systems ist die Lösung garantiert global optimal. Gemischt-ganzzahlige Probleme sind NP-schwer und bieten kein brauchbares maximum für die Lösungszeit, daher wird eine Methode zur Reduzierung der Berechnungszeit auf nahezu Echtzeitfähigkeit entwickelt, das Solution Space Splitting: Die Domäne des High-Level-Control-Problems wird aufgeteilt, um mehrere leichter zu lösende Unterprobleme zu erzeugen, die zudem hard-constrained sind, um nicht vorteilhafte Spurwechsel schnell verwerfen zu können. Der resultierende Regler wurde in zahlreichen Szenarien getestet, sowohl im Autobahn- als auch im Stadtverkehr und über ein Spektrum unterschiedlicher Geschwindigkeiten. Mit einer Co-Simulation in CARLA, einer hyper-realistischen Verkehrssimulationssoftware, die eine Grafik-Engine verwendet, wurde eine komplexere Fahrzeugdynamik berücksichtigt.

Autonomous driving has the potential to make the traffic of the future safer and more efficient, not only for self-driving cars, but for all road users. With that goal in mind, a controller is developed in this work that can plan and execute lane change maneuvers while guaranteeing obstacle avoidance capabilities. This is not only achieved in certain, specially tuned scenarios, but is versatile and universally applicable. This is achieved by using model predictive control (MPC) to systematically include the lane change decision and obstacle avoidance into the optimization problem via mixed-integer variables. Collective perception is utilized to include the prediction of other road users in the optimization problem. A Two-layer MPC architecture combines a high-level controller with reference velocity tracking for the lane change decision and a low-level controller with time-gap tracking to calculate the applied inputs, which leads to safe and realistic trajectories (consisting of the future path and velocity profile). The system is efficiently formulated in Frenet coordinates, and due to the linear nature of the system, the solution is guaranteed to be globally optimal. Mixed integer problems are NP-hard and do not provide useful worst-case bounds on solving effort, therefore a method to reduce the calculation time to near real-time capability is introduced, called Solution Space splitting: The domain of the high-level control problem is divided to create multiple simpler sub-problems, which are hard constraint to quickly discard non-advantageous lane changes. The resulting controller was tested in multiple scenarios, highway- and urban traffic, over a range of different velocities, and via a co-simulation with CARLA to account for a more complex vehicle dynamic.