DOI: https://doi.org/10.1109/tcyb.2025.3632366
PMID: https://pubmed.ncbi.nlm.nih.gov/41525599
تاريخ النشر: 2026-01-12
المؤلف: Lei Zheng وآخرون
الموضوع الرئيسي: خوارزميات تخطيط المسار الروبوتي
نظرة عامة
تتناول هذه الورقة البحثية التحدي المتمثل في ضمان القيادة الآمنة والفعالة للمركبات الذاتية في البيئات الديناميكية والم occluded من خلال تقديم نهج تخطيط حرج للطوارئ مدرك للاختناق. تستخدم الطريقة تحليل الوصول لتقييم المخاطر، مع الاستفادة من مجموعات المركبات الوهمية القابلة للوصول للأمام لتحديد حدود السرعة الديناميكية المدركة للمخاطر. يتم دمج هذه الحدود في إطار برمجة غير خطية ثنائية التقعر (NLP) يفرض السلامة من خلال قيود الحواجز الزمانية والمكانية بينما يقوم بتحسين مسارات الاستكشاف والاحتياطي ضمن سياق تخطيط الأفق المتراجع.
لتسهيل الحساب في الوقت الحقيقي وتنسيق المسارات، يقوم المؤلفون بتنفيذ طريقة توافق الاتجاه المتناوب للمعاملات (ADMM)، التي تقوم بتفكيك NLP ثنائي التقعر إلى مشاكل فرعية مقبولة. تم التحقق من النهج المقترح من خلال كل من المحاكاة والتجارب الواقعية التي أجريت في تقاطعات مختنقة، مما يظهر تحسينات كبيرة في السلامة وكفاءة السفر. تشير النتائج إلى أن الطريقة تمكن من توليد مسارات آمنة في الوقت الحقيقي، حتى تحت ظروف عقبات متغيرة. يمكن العثور على مزيد من التفاصيل على موقع المشروع.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للمركبات الذاتية (AVs) في تحويل التنقل الحضري، لا سيما في التنقل عبر البيئات الديناميكية مثل التقاطعات الحضرية. على الرغم من التقدم في تخطيط المسارات، لا تزال هناك تحديات في ضمان السلامة والكفاءة، خاصة بسبب الاختناقات التي تعيق رؤية المستشعرات. تؤكد الورقة على الحاجة إلى أن تقوم المركبات الذاتية بتقييم مخاطر الاختناق باستمرار وإعادة تخطيط المسارات استجابةً للطوارئ غير المتوقعة، والتي تشمل الحركات غير المتوقعة للمركبات الوهمية (PVs). تعاني الطرق الحالية، رغم وعودها، غالبًا من صعوبة حسابية في سيناريوهات المرور الكثيف، مما يتطلب نهجًا مبتكرًا لإعادة تخطيط المسارات في الوقت الحقيقي.
لمعالجة هذه التحديات، يقترح المؤلفون مخطط طوارئ مدرك للاختناق يدمج تحليل الوصول عبر الإنترنت لتقييم المخاطر مع طريقة توافق الاتجاه المتناوب للمعاملات (ADMM) للتحسين. يهدف إطار تخطيط المسارات المزدوج هذا إلى تحسين مسار استكشاف للوعي بالوضع ومسار احتياطي للسلامة، مما يضمن انتقالات سلسة في وجود المركبات الوهمية المختنقة. توضح الورقة فعالية هذا النهج من خلال المحاكاة والتجارب الواقعية، مما يظهر إمكانيته للتطبيق في الوقت الحقيقي في البيئات الحضرية المعقدة. ستتناول الأقسام التالية من الورقة صياغة المشكلة، والنهج التخطيطي المقترح، ونتائج التحقق.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة ونتائج خوارزمية تخطيط الطوارئ المدركة للاختناق، التي تم اختبارها على روبوت TianRacer ذاتي القيادة مزود بـ NVIDIA Jetson Xavier NX. تم إجراء التجارب في تقاطع رباعي الاتجاهات مصغر، حيث أنشأت الهياكل الثابتة اختناقات للرؤية للروبوت. شمل الإعداد ثلاثة مركبات مشاة ديناميكية محيطة (PVs) واستخدم نظام OptiTrack لتقدير الحالة بدقة وكشف العقبات، محققًا دقة بمستوى المليمتر عند تردد 180 هرتز. تم تنفيذ الخوارزمية على منصة Ubuntu 20.04 LTS مع ROS Noetic، مما يسمح بمهام تحسين في الوقت الحقيقي بتردد تحكم يبلغ 10 هرتز.
أظهرت النتائج قدرة TianRacer على التنقل عبر التقاطع المختنق مع تعديل سرعته ديناميكيًا استجابةً لمخاطر الاصطدام المحتملة من المركبات المحيطة. على وجه التحديد، حافظت المركبة الكهربائية (EV) على سرعة تبلغ حوالي 0.5 م/ث ولكنها خفضت سرعتها إلى 0.3 م/ث عند الاقتراب من التقاطع لتجنب الاصطدامات. تم تسجيل متوسط وقت التحسين لتخطيط المسار عند 27.33 مللي ثانية، مع حد أقصى قدره 44.65 مللي ثانية، مما يشير إلى فعالية الخوارزمية للتطبيقات في الوقت الحقيقي. أظهر التحليل الإحصائي لأوقات التحسين عبر أعداد متغيرة من العقبات أداءً متسقًا، مما يعزز قوة الخوارزمية المقترحة في البيئات المعقدة وغير المؤكدة.
نتائج
في هذا القسم، يقيم المؤلفون نهج تخطيط الطوارئ الخاص بهم من خلال المحاكاة والتجارب الواقعية، مع التركيز على بيئة تقاطع مختنق تحت ظروف مرور كثيفة. تستخدم الدراسة منصة روبوت متحرك من نوع Ackermann لإظهار التطبيق العملي للطريقة. يتم توضيح معلمات المركبة الرئيسية في الجدول I، بما في ذلك السرعات القصوى، ونطاقات التسارع، وقدرات الإدراك. تشمل المحاكاة عشرة مركبات محيطة (SVs) تلتزم بقوانين المرور على اليمين، مع تكليف المركبة الذاتية (EV) بالتنقل عبر التقاطع مع الحفاظ على مسارها. تستخدم المركبة الذاتية مسارين مخططين: مسار استكشاف يهدف إلى الكفاءة ومسار احتياطي يركز على السلامة.
تشير النتائج إلى أن مخطط الطوارئ المدرك للاختناق يتفوق بشكل كبير على الطرق الأساسية، مثل النهج غير المدرك للاختناق، Control-Tree، وST-RHC. على وجه التحديد، يحقق مخطط الطوارئ وقت عبور قدره 12.50 ثانية، وهو أسرع بنسبة 30.17% و23.78% من ST-RHC وControl-Tree، على التوالي. بالإضافة إلى ذلك، يحافظ على سرعة طولية متوسطة أعلى (4.68 م/ث) مقارنة بالأسس، التي تعاني من سرعات دنيا أقل بسبب الكبح الحذر. كما أن الكفاءة الحسابية للمخطط المقترح ملحوظة، حيث تتطلب فقط 23.83 مللي ثانية لكل تحسين، مما يجعلها أسرع بنسبة 44.75% من ST-RHC و90.86% أسرع من Control-Tree، مما يظهر قدرتها على إعادة التخطيط في الوقت الحقيقي في البيئات الديناميكية.
مناقشة
في هذا القسم، يتناول البحث مشكلة تمكين التنقل الآمن للمركبات الكهربائية (EVs) في البيئات المختنقة، حيث تعيق العقبات الثابتة والمركبات المحيطة الديناميكية (SVs) الرؤية. يتم نمذجة ديناميات المركبة الكهربائية (EV) باستخدام نموذج سيارة دوبين، وتقدم الدراسة مفاهيم مجموعة الوصول الأمامية (FRS) ومجموعة الوصول الخلفية (BRS) لتعريف الحالات القابلة للوصول من قبل المركبة الكهربائية (EV) تحت مدخلات تحكم مختلفة على مدى زمني محدد. تهدف صياغة المشكلة إلى تقليل جهد التحكم وأخطاء تتبع الهدف مع ضمان عدم تداخل مجموعات المركبة الكهربائية (EV) القابلة للوصول مع العقبات، مما يفرض قيود السلامة.
تستخدم المنهجية حاجزًا زمنيًا مكانيًا للحفاظ على السلامة وتستخدم تهيئة المسار بناءً على منحنيات بيزير عالية الرتبة، مما يضمن انتقالات سلسة والامتثال للقيود الحركية. تتضمن الدراسة أيضًا نهج تقييم المخاطر باستخدام طريقة SRQ لتحديد المخاطر في المناطق المختنقة، مع تعديل ديناميكي لحدود السرعة القصوى لمسارات الاستكشاف والاحتياطي. يتم إعادة صياغة مشكلة التحسين كمشكلة برمجة غير خطية ثنائية التقعر (NLP)، والتي يتم حلها بكفاءة باستخدام طريقة توافق الاتجاه المتناوب للمعاملات (ADMM). يسمح هذا النهج بالنظر المتزامن في السلامة والكفاءة وتناسق المسار، مما يعزز في النهاية استقرار وموثوقية تنقل المركبة الكهربائية (EV) في البيئات الصعبة.
القيود
تستند قيود مخطط الطوارئ المدرك للاختناق المقترح بشكل أساسي إلى افتراضه أن جميع المركبات المشاركة (PVs) تبقى ضمن مسارات القيادة المخصصة لها. يحد هذا القيد من فعالية المخطط في البيئات غير المنظمة والمختنقة بشدة، لا سيما في السيناريوهات التي تتضمن عقبات كثيفة مثل المشاة، حيث تصبح تقديرات المخاطر الموثوقة باستخدام طريقة تقدير المخاطر (SRQ) صعبة. لمعالجة هذه القيود، يُقترح دمج نهج التعلم المتقدم لتقييم المخاطر ووحدات التحكم المدفوعة بالبيانات الهجينة. علاوة على ذلك، يمكن أن يمكّن اعتماد طرق الإدراك النشطة من إجراء تعديلات ديناميكية على المسار للمركبة الكهربائية (EV) في السيناريوهات غير المنظمة، مما يعزز السلامة، على الرغم من التكلفة المحتملة لتناسق الحركة.
في الختام، تقدم الدراسة إطار تخطيط طوارئ مدرك للاختناق يدمج بفعالية تقييم المخاطر القائم على SRQ في نموذج برمجة غير خطية ثنائية التقعر (NLP)، يتم حله باستخدام نهج طريقة توافق الاتجاه المتناوب للمعاملات (ADMM). يحقق هذا الإطار توازنًا ملحوظًا بين السلامة والكفاءة في البيئات الديناميكية والمختنقة، كما يتضح من الانخفاض الكبير في مدة المهمة—حتى 30.17%—مقارنةً بالطرق الأساسية في المحاكاة. تؤكد التجارب الواقعية على منصة روبوتية بمقياس 1:10 التطبيق العملي للإطار، مما يظهر قابلية التوسع مع تردد إعادة التخطيط الذي يتجاوز 20 هرتز، حتى مع زيادة كثافة العقبات. ستركز الأبحاث المستقبلية على تعزيز قابلية تطبيق الإطار في السيناريوهات الخارجية المعقدة التي تتضمن تفاعلات المشاة.
DOI: https://doi.org/10.1109/tcyb.2025.3632366
PMID: https://pubmed.ncbi.nlm.nih.gov/41525599
Publication Date: 2026-01-12
Author(s): Lei Zheng et al.
Primary Topic: Robotic Path Planning Algorithms
Overview
This research paper addresses the challenge of ensuring safe and efficient driving for autonomous vehicles in dynamic and occluded environments by introducing an occlusion-aware contingency safety-critical planning approach. The method utilizes reachability analysis for risk assessment, employing forward reachable sets of phantom vehicles to establish risk-aware dynamic velocity boundaries. These boundaries are integrated into a biconvex nonlinear programming (NLP) framework that enforces safety through spatiotemporal barrier constraints while optimizing exploration and fallback trajectories within a receding horizon planning context.
To facilitate real-time computation and trajectory coordination, the authors implement the consensus alternating direction method of multipliers (ADMM), which decomposes the biconvex NLP into manageable convex subproblems. The proposed approach is validated through both simulations and real-world experiments conducted in occluded intersections, demonstrating significant improvements in safety and travel efficiency. The results indicate that the method enables the generation of safe trajectories in real-time, even under varying obstacle conditions. Further details can be found on the project’s website.
Introduction
The introduction of this research paper highlights the critical role of autonomous vehicles (AVs) in transforming urban mobility, particularly in navigating dynamic environments such as urban intersections. Despite advancements in trajectory planning, challenges remain in ensuring safety and efficiency, especially due to occlusions that hinder sensor visibility. The paper emphasizes the need for AVs to continuously assess occlusion risks and replan trajectories in response to unforeseen contingencies, which include the unpredictable movements of phantom vehicles (PVs). Existing methods, while promising, often struggle with computational tractability in dense traffic scenarios, necessitating innovative approaches to real-time trajectory replanning.
To address these challenges, the authors propose an occlusion-aware contingency planner that integrates online reachability analysis for risk assessment with a consensus alternating direction method of multipliers (ADMM) for optimization. This dual-trajectory planning framework aims to optimize an exploration trajectory for situational awareness and a fallback trajectory for safety, ensuring smooth transitions in the presence of occluded PVs. The paper outlines the effectiveness of this approach through simulations and real-world experiments, demonstrating its potential for real-time application in complex urban environments. The subsequent sections of the paper will delve into problem formulation, the proposed planning approach, and validation results.
Methods
In this section, the authors detail the experimental setup and results of their occlusion-aware contingency planning algorithm, tested on an autonomous TianRacer robot equipped with an NVIDIA Jetson Xavier NX. The experiments were conducted in a scaled four-way intersection, where static block structures created visibility occlusions for the robot. The setup included three surrounding dynamic pedestrian vehicles (PVs) and utilized the OptiTrack system for precise state estimation and obstacle detection, achieving millimeter-level accuracy at a frequency of 180 Hz. The algorithm was implemented on an Ubuntu 20.04 LTS platform with ROS Noetic, allowing for real-time optimization tasks with a control frequency of 10 Hz.
The results demonstrated the TianRacer’s ability to navigate the occluded intersection while dynamically adjusting its speed in response to potential collision risks from the surrounding PVs. Specifically, the EV maintained a speed of approximately 0.5 m/s but reduced its speed to 0.3 m/s when approaching the intersection to avoid collisions. The average optimization time for trajectory planning was recorded at 27.33 ms, with a maximum of 44.65 ms, indicating the algorithm’s effectiveness for real-time applications. Statistical analysis of optimization times across varying numbers of obstacles showed consistent performance, reinforcing the robustness of the proposed algorithm in complex and uncertain environments.
Results
In this section, the authors evaluate their contingency planning approach through simulations and real-world experiments, focusing on an occluded intersection environment under dense traffic conditions. The study employs an Ackermann mobile robot platform to demonstrate the practical applicability of the method. Key vehicle parameters are outlined in Table I, including maximum velocities, acceleration ranges, and perception capabilities. The simulations involve ten surrounding vehicles (SVs) adhering to right-hand traffic regulations, with the ego vehicle (EV) tasked to navigate through the intersection while maintaining its lane. The EV utilizes two planned trajectories: an exploration trajectory aimed at efficiency and a fallback trajectory prioritizing safety.
The results indicate that the proposed occlusion-aware contingency planner significantly outperforms baseline methods, such as the occlusion-ignorant approach, Control-Tree, and ST-RHC. Specifically, the contingency planner achieves a traversal time of 12.50 seconds, which is 30.17% and 23.78% faster than ST-RHC and Control-Tree, respectively. Additionally, it maintains a higher average longitudinal velocity (4.68 m/s) compared to the baselines, which experience lower minimum velocities due to conservative braking. The computational efficiency of the proposed planner is also notable, requiring only 23.83 ms per optimization, making it 44.75% faster than ST-RHC and 90.86% faster than Control-Tree, thus demonstrating its capability for real-time replanning in dynamic environments.
Discussion
In this section, the research addresses the problem of enabling safe navigation for electric vehicles (EVs) in occluded environments, where visibility is obstructed by static obstacles and dynamic surrounding vehicles (SVs). The dynamics of the EV are modeled using Dubin’s car model, and the study introduces the concepts of Forward Reachable Set (FRS) and Backward Reachable Set (BRS) to define the states reachable by the EV under various control inputs over a specified time horizon. The problem formulation aims to minimize control effort and goal-tracking errors while ensuring that the EV’s reachable sets do not overlap with obstacles, thereby enforcing safety constraints.
The methodology employs a spatiotemporal barrier to maintain safety and utilizes a trajectory parameterization based on high-order Bézier curves, which ensures smooth transitions and adherence to kinematic constraints. The study further incorporates a risk assessment approach using the SRQ method to quantify risks in occluded zones, dynamically adjusting the maximum velocity boundaries for exploration and fallback trajectories. The optimization problem is reformulated as a biconvex nonlinear programming (NLP) problem, which is efficiently solved using the consensus Alternating Direction Method of Multipliers (ADMM). This approach allows for the simultaneous consideration of safety, efficiency, and trajectory consistency, ultimately enhancing the stability and reliability of the EV’s navigation in challenging environments.
Limitations
The limitations of the proposed occlusion-aware contingency planner are primarily rooted in its assumption that all participating vehicles (PVs) remain within their designated driving lanes. This constraint restricts the planner’s effectiveness in unstructured and highly occluded environments, particularly in scenarios involving dense obstacles such as pedestrians, where reliable risk estimations using the Safety Risk Quantification (SRQ) method become difficult. To address this limitation, the integration of advanced learning-based approaches for risk assessment and hybrid data-driven controllers is suggested. Furthermore, the adoption of active perception methods could enable dynamic path adjustments for the electric vehicle (EV) in unstructured scenarios, thereby enhancing safety, albeit at the potential cost of motion consistency.
In conclusion, the research presents a novel occlusion-aware contingency planning framework that effectively integrates SRQ-based risk assessment into a biconvex nonlinear programming (NLP) model, solved using a consensus alternating direction method of multipliers (ADMM) approach. This framework achieves a notable balance between safety and efficiency in dynamic, occluded environments, evidenced by a significant reduction in task duration—up to 30.17%—compared to baseline methods in simulations. Real-world experiments on a 1:10 scale robotic platform further validate the framework’s practical applicability, demonstrating scalability with a replanning frequency exceeding 20 Hz, even as obstacle density increases. Future research will focus on enhancing the framework’s applicability to complex outdoor scenarios involving pedestrian interactions.