Interaction-Aware Sampling-Based Motion Planning for Autonomous Surface Vessels in Urban Waterways
作者: Elia Trevisan, Alejandro Gonzalez-Garcia, Jan Swevers, Javier Alonso-Mora
分类: cs.RO
发布日期: 2026-10-30
备注: This work has been submitted to the IEEE for possible publication
💡 一句话要点
提出基于交互感知的运动规划方法以解决城市水道自主航行问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主航行 运动规划 模型预测控制 城市水道 交互感知 交通规则 无人船 安全性
📋 核心要点
- 现有方法在城市水道中缺乏有效的交互感知能力，导致自主船只在复杂环境中难以安全航行。
- 本文提出了一种基于模型预测路径积分控制的分散式运动规划器，能够同时计算自船和其他船只的轨迹，并考虑它们的交互。
- 在780次随机实验中，该方法成功避免了碰撞和死锁，且在性能上超越了传统优化基础的规划器。
📝 摘要（中文）
在城市水道中自主航行的船只必须在有限空间内与其他船只协调，同时遵守交通规则，常常无法预知其他船只的意图。本文提出了一种基于模型预测路径积分控制的分散式运动规划器，该规划器联合计算自船的轨迹和其他船只的轨迹预测，从而考虑了它们之间的交互。交通规则被编码为不连续成本，采样基础的形式允许这种编码而无需平滑近似。通过在阿姆斯特丹运河的真实地图上进行评估，方法在780次随机运行中成功到达每个目标，且没有发生碰撞或死锁，超越了为同一领域设计的优化基础规划器，以及未考虑交互的规划器版本。进一步在户外环境中对两个缩放船只原型进行了验证，规划和定位以10 Hz的频率在船上运行，成功解决了正面和交叉遭遇问题，未发生碰撞或规则违反。
🔬 方法详解
问题定义：本文旨在解决城市水道中自主航行船只的运动规划问题，现有方法在复杂环境中缺乏对其他船只意图的有效预测，导致安全性不足。
核心思路：提出的规划器基于模型预测路径积分控制，能够在规划过程中同时考虑自船与其他船只的交互，确保在遵守交通规则的同时实现安全航行。
技术框架：整体架构包括轨迹计算模块和交互预测模块，前者负责生成自船的运动轨迹，后者则通过对其他船只的行为进行预测来调整自船的轨迹。
关键创新：最重要的技术创新在于将交通规则编码为不连续成本，允许在采样基础的控制框架中直接使用，而无需进行平滑近似，这提高了规划的灵活性和准确性。
关键设计：在参数设置上，规划器采用了适应性的采样策略，以提高对复杂环境的适应性；损失函数设计上，考虑了交互成本与安全距离，确保规划结果的安全性与有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方法在780次随机运行中成功到达每个目标，未发生碰撞或死锁，且在性能上超越了传统优化基础规划器，显示出显著的安全性和效率提升。
🎯 应用场景
该研究的潜在应用领域包括城市水道的自主航行、智能交通系统以及无人船的调度与管理。其实际价值在于提高水上交通的安全性和效率，未来可能对城市水域的交通管理产生深远影响。
📄 摘要（原文）
Autonomous surface vessels operating in urban waterways must coordinate with other vessels in confined spaces while complying with traffic regulations, often without knowing their intentions. We present a decentralized motion planner based on model predictive path integral control, a sampling-based model predictive control scheme. The planner jointly computes a trajectory for the ego vessel and a prediction of the trajectories of the other vessels, and therefore accounts for their interaction. Traffic regulations are encoded as discontinuous costs, which the sampling-based formulation admits without a smooth approximation. We evaluate the method in maps taken from real sections of Amsterdam's canals, in encounters between two vessels and in scenarios with four interacting vessels. Across 780 randomized runs the method reaches every goal without collisions or deadlocks, and outperforms an optimization-based planner designed for the same domain, as well as a version of the proposed planner that does not account for the interaction. We further validate the planner on two scaled vessel prototypes in an outdoor environment, where planning and localization run onboard at 10 Hz, and head-on and crossing encounters are resolved without collisions or rule violations.