Forschung zur Entscheidungsfindung und Planung von Fahrspurwechseln autonomer Fahrzeuge basierend auf GCN und Optimierung von mehrsegmentigen polynomialen Kurven

Dieses Papier berücksichtigt die interaktiven Effekte zwischen dem Ego-Fahrzeug und anderen Fahrzeugen in einer dynamischen Fahrumgebung und schlägt eine Methode zur Entscheidungsfindung und Trajektorienplanung des Fahrspurwechsels autonomer Fahrzeuge vor, die auf graphbasierten Faltungsnetzwerken (GCNs) und der Optimierung von mehrsegmentigen polynomialen Kurven basiert. Zunächst wird ein hierarchisches Modell für die dynamische Fahrumgebung angewendet, das die dynamischen Interaktionsinformationen von Fahrszenen in Form von graphstrukturierten Daten aggregiert. Graphfaltung neuronale Netzwerke werden verwendet, um Interaktionsinformationen zu verarbeiten und Entscheidungsbefehle für das Fahrverhalten des Ego-Fahrzeugs zu generieren. Anschließend werden kollisionsfreie befahrbare Bereiche basierend auf den Informationen der dynamischen Fahrszenen konstruiert. Eine optimierungsbasierte Trajektorienplanungsmethode für mehrsegmentige polynomielle Kurven wird verwendet, um das Optimierungsmodell zu lösen, wobei kollisionsfreie Bewegungsbahnen erzeugt werden, die dynamische Einschränkungen erfüllen und das Fahrspurwechselverhalten des Fahrzeugs effizient abschließen. Schließlich werden Simulationen und Straßenversuche mit Fahrzeugen für die vorgeschlagene Methode durchgeführt. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode traditionelle Entscheidungs- und Planungsmethoden übertrifft, gute Robustheit, Echtzeit-Leistung und starke allgemeine Fähigkeiten in Szenarien aufweist.