Closed-Loop-RRT* path planning for a vehicle-trailer system

Abstract

I de siste 10 årene har det blitt gjort betydelige fremskritt innenfor utvikling av autonome kjøretøy. Dette er motivert av autonome kjøretøys potensiale til å både være ressursbesparende og skape tryggere kjøretøy. Denne masteroppgaven skal studere autonome biler med en tilkoblet henger. Hengeren legger til en ekstra ustabil frihetsgrad som gjør at styring av systemet blir mer utfordrende. For at kjøret-henger systemet skal kunne navigere i et ustrukturert miljø som en parkeringsplass, må en planleggings-algoritme brukes. Planleggings-algoritmen må planlegge en bane som kan gjennomføres av kjøretøyet samtidig som banen også må hindre at kjøretøyet kolliderer med obstruksjoner. Dette er en utfordrende oppgave, fordi kjøretøyet har ikke-holonomiske begrensninger som setter grenser for hvilke baner som kan brukes. Det må også tas hensyn til at kjøretøyet ikke må miste kontroll på hengeren slik at hengeren knekkes over mot kjøretøyet.

Denne masteroppgaven presenterer en ny planleggingsmetode for å konstruere en kjørbar bane mellom to sett av tilstander av kjøretøy-henger systemet i et åpent miljø. Denne type planlegger kalles en lokal planlegger siden den ikke kan navigere rundt obstruksjoner. Den kjørbare banen er generert ved å på første steg approksimere banen med en "Dubins path". Deretter blir banen forbedret i to steg. Hvert seg simulerer kjøretøy-hengeren i lukket sløyfe ("closed-loop") rundt banen konstruert av det forrige steget. Resultatet er en kjørbar bane som et kjøretøy-henger system kan følge fra en tilstand til en annen.

En global planlegger basert på "Rapidly-exploring Random Tree Star" (RRT*) og Closed-Loop RRT (CL-RRT) blir også presentert. RRT* har fordelen fremfor andre RRT baserte planleggere at den er probabilistisk optimal, som betyr at løsningen den returnerer vil konvergere mot den optimale løsningen med tid. Den lokale planleggeren som er beskrevet ovenfor blir bruk til å finne snarveier i treet, slik at planleggeren får den optimale oppførselen til RRT*. Etter det forfatteren vet, har det ikke tidligere vært implementert RRT* for kjøretøy-henger systemer, og dette kan skyldes at det ikke har vært en tilgjengelig en egnet lokal planlegger.

Den globale planleggeren ble testet med Monte Carlo simuleringer i to miljøer. Resultatene viser at den globale planleggeren kan lage kjørbare og korte baner i et realistisk miljø som skal simulere en parkeringsplass. Det er også vist at den lokale planleggeren kan lage kjørbare baner mellom et bredt sett av tilstander. Konvergensraten til algoritmen er likevel for langsom til bruk for de fleste sanntidssystemer som krever en optimal løsning.

The last decade has brought considerable improvements to the field of autonomous vehicles, due to their potential of saving cost and increasing safety. This master thesis studies autonomous vehicles with a trailer attached. The trailer adds an unstable degree of freedom to the system, making the control of the system more complicated. A path planner algorithm is required for an autonomous vehicle-trailer system to navigate an unstructured environment, such as a parking lot. The path planner must create a feasible path that the vehicle-trailer system can follow while also avoiding obstructions. This is a challenging task due to the nonholonomic constraint on the system that limits the possible paths. Care must also be taken in reverse motion such that the trailer does not fold onto the vehicle in a jackknife configuration.

This master thesis presents a new planner for creating a feasible path between two sets of states of the vehicle-trailer system in an unstructured environment. Such a planner is called a local planner since it cannot navigate around obstructions. The feasible path is generated by first approximating the path with a Dubins path and then improving upon the path in two additional stages. Each of these stages simulates a closed-loop vehicle-trailer around the reference created by the previous stage. This results in a feasible path that a vehicle-trailer system can follow from one pose to the other.

A global planner based on Rapidly-exploring Random Tree Star (RRT*) and Closed-Loop RRT (CL-RRT) is also presented. RRT* has the advantage over other RRT-based planners in that it is probabilistic optimal, meaning the solution will converge to an optimal solution with time. The local planner described above is used to find shortcuts in the path, enabling the optimal behavior of RRT*. To the authors' knowledge RRT* has not been implemented for vehicle-trailer systems before, likely due to the problem of finding a suitable local planner.

The global planner was tested using Monte Carlo-simulations in two environments. The results show that the global planner is able to create feasible and short paths in a realistic scenario simulating a parking lot. It is also shown that the local planner created feasible paths between a wide range of states. However, the convergence rate of the algorithm is too slow for most real-time applications that require an optimal solution.