High-performance Racing on Unmapped Tracks using Local Maps
作者: Benjamin David Evans, Hendrik Willem Jordaan, Herman Arnold Engelbrecht
分类: cs.RO
发布日期: 2024-01-31
备注: 6 pages, 14 figures. Submitted to IV 2024
💡 一句话要点
提出局部地图框架以解决无地图环境下的高性能赛车问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主赛车 局部地图 无地图导航 优化控制 传感器数据处理 F1Tenth 模型预测控制
📋 核心要点
- 现有的基于地图的方法在自主赛车中表现优异，但需要完整的环境地图，限制了其在未知环境中的应用。
- 本文提出的局部地图框架通过提取可见赛道边界，生成局部地图并用于优化控制，从而提高赛车性能。
- 实验结果表明，所提方法在圈速上显著优于传统方法，且在无地图环境中实现了高效的自主赛车。
📝 摘要（中文）
基于地图的方法在自主赛车中通过估计车辆位置来执行高层次计划，然而这些方法依赖于环境地图，限制了其应用。相对而言，无地图方法直接处理传感器数据（如LiDAR），但由于缺乏优化，其性能较差。为此，本文提出局部地图框架，通过提取可见区域的低级特征构建局部地图，作为优化控制器的输入。我们在模拟F1Tenth自主赛车中评估该方法，结果显示其圈速比Follow-The-Gap方法快8.8%，比端到端神经网络快3.22%。该方法在无地图轨道上实现了与全局方法相似的高速度表现。
🔬 方法详解
问题定义：本文旨在解决在无地图环境下自主赛车的性能问题。现有的基于地图的方法虽然表现优异，但依赖于完整的环境地图，限制了其在未知轨道上的应用。
核心思路：论文提出的局部地图框架通过提取可见区域的低级特征，构建局部地图，作为优化控制器的输入。这种设计使得车辆能够在没有全局地图的情况下进行高效规划。
技术框架：整体架构包括局部地图生成模块和优化控制模块。局部地图生成模块负责提取赛道边界、计算中心线和轨道宽度，而优化控制模块则基于局部地图进行轨迹优化和跟踪。
关键创新：最重要的技术创新在于局部地图的生成方法，它通过低级特征提取实现了在无地图环境中的高效规划，与传统的全局地图方法形成鲜明对比。
关键设计：在局部地图生成中，采用了特定的参数设置以优化边界提取过程，并结合模型预测控制器进行轨迹优化，确保车辆在复杂环境中的高效运行。具体的损失函数和网络结构细节尚未明确，但优化过程显著提升了速度表现。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提局部地图框架在模拟F1Tenth赛车中实现了圈速比Follow-The-Gap方法快8.8%，比端到端神经网络快3.22%。尽管局部地图规划的速度比全局方法慢3.28%，但在无地图环境中仍能达到接近全局方法的性能。
🎯 应用场景
该研究的潜在应用领域包括无人驾驶汽车、机器人竞赛以及其他需要在未知环境中进行自主导航的场景。通过实现高性能的无地图赛车，该方法可以推动自主驾驶技术在复杂环境中的应用，提升安全性和效率。
📄 摘要（原文）
Map-based methods for autonomous racing estimate the vehicle's location, which is used to follow a high-level plan. While map-based optimisation methods demonstrate high-performance results, they are limited by requiring a map of the environment. In contrast, mapless methods can operate in unmapped contexts since they directly process raw sensor data (often LiDAR) to calculate commands. However, a major limitation in mapless methods is poor performance due to a lack of optimisation. In response, we propose the local map framework that uses easily extractable, low-level features to build local maps of the visible region that form the input to optimisation-based controllers. Our local map generation extracts the visible racetrack boundaries and calculates a centreline and track widths used for planning. We evaluate our method for simulated F1Tenth autonomous racing using a two-stage trajectory optimisation and tracking strategy and a model predictive controller. Our method achieves lap times that are 8.8% faster than the Follow-The-Gap method and 3.22% faster than end-to-end neural networks due to the optimisation resulting in a faster speed profile. The local map planner is 3.28% slower than global methods that have access to an entire map of the track that can be used for planning. Critically, our approach enables high-speed autonomous racing on unmapped tracks, achieving performance similar to global methods without requiring a track map.