论文链接：https://arxiv.org/pdf/2406.15430
摘要
本文介绍了使用基于视觉的BEV方法实现自动泊车规划。自动代客泊车（AVP）是高级自动驾驶系统的重要功能，着重于“人机交互”过程中的终点任务，以应对“最后一公里”的挑战。自动泊车算法的感知模块已经从使用超声波雷达和全局场景精确地图匹配实现定位的局部感知演变为高级无地图鸟瞰图（BEV）感知的解决方案。BEV场景对自动泊车规划任务的实时性能和安全性提出了更高的要求。
本文基于A*算法提出了一种改进的自动泊车算法，其集成了车辆运动学模型、启发式函数优化、双向搜索和贝塞尔曲线优化来提高规划算法的计算速度和实时性。本文采用了数值优化方法来生成最终的泊车轨迹，确保了泊车路径的安全性。本文所提出的方法在常用的工业CARLA-ROS联合仿真环境中进行实验验证。
与传统算法相比，本文方法在更具挑战性的碰撞风险测试案例中缩短了计算时间，并且提高了舒适度指标的性能。
主要贡献
本文的贡献总结如下：
1）本文优化了A*算法以提高其规划速度，并且解决了路径不连续和转弯过多的问题，从而满足了BEV局部地图路径规划的高实时性和高轨迹质量要求；
2）本文使用优化器在局部地图中搜寻无障碍的泊车轨迹，以确保良好的避障安全性；
3）本文在仿真器中进行若干组对比实验，证明了所提出的规划方法在实时性、安全性和舒适性方面优于传统的A*算法与几何曲线方法的结合。
论文图片和表格
总结
本文总结了当前自动泊车任务的特点，讨论了传统的感知方法，并且分析了传统自动泊车规划方法的优势和缺陷。研究表明，BEV局部地图下的自动泊车任务对规划算法的实时性和安全性提出了更高的要求，这是传统方法无法满足的。因此，本文提出了一种新的自动驾驶泊车规划方案，其适合于BEV局部地图。
本文通过针对性改进并且结合传统方法，成功地实现了卓越的规划效果。所提出方法的主要优势包括：
1）采用改进的A*算法来生成导航路径，提高算法计算速度以确保实时性；
2）采用数值优化方法来生成泊车路径，以确保安全性；
3）与传统方法相比，在路径生成中提供了更高水平的舒适性。
本文所提出的算法与传统的自动泊车规划方法均在Python测试环境和仿真器中进行测试。测试包括算法运行时间、危险场景用例和舒适性验证。实验结果表明，与传统的方法相比，在实时性、安全性和舒适性方面得到显著提升。该方法更适合于满足BEV局部地图下的自动泊车规划任务的要求。今后，知识图和机器学习方法可用于改进本工作。
发表回复