基于凸集图优化的自动驾驶汽车运动规划
本文研究利用凸集图（GCS）优化来近似自动驾驶中非线性最优控制问题的解。通过将自由空间表示为有向图上的凸区域并集，采用贝塞尔曲线参数化路径和多项式时间缩放，在简化动力学模型下保证凸约束。实验表明，该方法生成的轨迹与非线性规划方法高度一致，但计算效率更高，对初始值不敏感。
自动驾驶汽车的运动规划是一项关键挑战，需要在复杂环境中实时生成无碰撞且动态可行的轨迹。传统方法主要分为两类：非线性最优控制方法和几何规划方法。非线性最优控制能够提供高精度的解，但计算开销大且对初始值敏感；几何规划方法虽然扩展性好，但往往将路径选择与轨迹优化分离，导致解的质量受限。近日，arXiv上提交的一篇论文（2605.14199）提出了一种基于凸集图（Graphs of Convex Sets, GCS）优化的新方法，旨在桥接这两类方法的优势。
该方法的核心思想是将自由空间表示为有限个凸区域的并集，并将这些区域组织成一个有向图。通过这种表示，非凸的几何结构可以通过离散的连接决策来处理，同时每个区域内部的轨迹约束保持凸性。车辆的路径使用贝塞尔曲线进行参数化，而时间演化则通过一个多项式时间缩放函数来描述。在动力学方面，论文采用了小侧偏角和线性轮胎假设下的简化自行车模型，从而可以将动态可行性的要求近似为对轨迹导数的凸约束。
为了验证该方法的有效性，研究人员在CommonRoad基准场景上进行了评估，包括静态障碍物回避和车道变换等典型驾驶操作。他们将GCS方法与非线性离散时间最优控制方法进行了对比。结果表明，GCS方法生成的轨迹与非线性规划方法得到的轨迹高度一致，都能确保无碰撞和动态一致性。更重要的是，GCS方法在计算效率上明显优于非线性方法，并且对初始值的敏感性显著降低。
值得注意的是，GCS方法并非完全替代非线性优化，而是提供一种高效近似。在实时应用中，这种近似足以生成高质量轨迹，同时满足计算时间约束。论文还讨论了该方法在更复杂动力学模型下的扩展性，以及与其他运动规划框架的结合潜力。这些发现表明，GCS提供了一种结构化的非线性运动规划问题近似框架，能够捕捉主要的几何和动态效应，同时保持连续松弛下的凸性。这一成果为自动驾驶系统在实时场景下的高效运动规划提供了新的可能性，有望在未来的实际部署中发挥作用。论文作者Matheus Wagner等详细分析了方法的理论特性和实验表现，为后续研究奠定了基础。