基於凸集圖最佳化的自動駕駛汽車運動規劃

自動駕駛汽車的運動規劃是一項關鍵挑戰，需要在複雜環境中即時生成無碰撞且動態可行的軌跡。傳統方法主要分為兩類：非線性最優控制方法和幾何規劃方法。非線性最優控制能夠提供高精度的解，但計算開銷大且對初始值敏感；幾何規劃方法雖然擴充套件性好，但往往將路徑選擇與軌跡最佳化分離，導致解的質量受限。近日，arXiv上提交的一篇論文（2605.14199）提出了一種基於凸集圖（Graphs of Convex Sets, GCS）最佳化的新方法，旨在橋接這兩類方法的優勢。

該方法的核心思想是將自由空間表示為有限個凸區域的並集，並將這些區域組織成一個有向圖。透過這種表示，非凸的幾何結構可以透過離散的連線決策來處理，同時每個區域內部的軌跡約束保持凸性。車輛的路徑使用貝塞爾曲線進行引數化，而時間演化則透過一個多項式時間縮放函式來描述。在動力學方面，論文采用了小側偏角和線性輪胎假設下的簡化腳踏車模型，從而可以將動態可行性的要求近似為對軌跡導數的凸約束。

為了驗證該方法的有效性，研究人員在CommonRoad基準場景上進行了評估，包括靜態障礙物迴避和車道變換等典型駕駛操作。他們將GCS方法與非線性離散時間最優控制方法進行了對比。結果表明，GCS方法生成的軌跡與非線性規劃方法得到的軌跡高度一致，都能確保無碰撞和動態一致性。更重要的是，GCS方法在計算效率上明顯優於非線性方法，並且對初始值的敏感性顯著降低。

值得注意的是，GCS方法並非完全替代非線性最佳化，而是提供一種高效近似。在即時應用中，這種近似足以生成高質量軌跡，同時滿足計算時間約束。論文還討論了該方法在更復雜動力學模型下的擴充套件性，以及與其他運動規劃框架的結合潛力。這些發現表明，GCS提供了一種結構化的非線性運動規劃問題近似框架，能夠捕捉主要的幾何和動態效應，同時保持連續鬆弛下的凸性。這一成果為自動駕駛系統在即時場景下的高效運動規劃提供了新的可能性，有望在未來的實際部署中發揮作用。論文作者Matheus Wagner等詳細分析了方法的理論特性和實驗表現，為後續研究奠定了基礎。