⚡ electrical engineering

Risk-aware and trackability-constrained trajectory planning for autonomous vehicles in unstructured road environments

Este artículo presenta un marco integral de planificación de trayectorias para vehículos autónomos en entornos no estructurados que integra la búsqueda de rutas con conciencia de riesgo, la optimización con restricciones de curvatura y el replanificación dinámica para reducir significativamente la exposición al riesgo y mejorar el despeje de obstáculos, garantizando al mismo tiempo la viabilidad del seguimiento del vehículo.

Autores originales: Xuan Yang, Enjun Bai, Jingsong Liu, Maochen Ge, Yongwang Chai, Shuang Chen, Wenyu Ma

Publicado 2026-10-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xuan Yang, Enjun Bai, Jingsong Liu, Maochen Ge, Yongwang Chai, Shuang Chen, Wenyu Ma

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Conducir un coche por una autopista pavimentada es una cuestión de seguir las líneas pintadas en el asfalto. La carretera le dice al vehículo hacia dónde ir, dónde permanecer y dónde están los bordes. Pero si se sale de ese pavimento para entrar en un sitio de construcción, un sendero forestal o un campo embarrado, esas líneas desaparecen. El camino deja de estar definido; es un paisaje caótico de terreno irregular, rocas ocultas y obstáculos impredecibles. Para un vehículo autónomo, navegar por este mundo no estructurado es uno de los desafíos más difíciles en la robótica. Debe decidir no solo cómo evitar una colisión, sino cómo moverse con seguridad a través de un espacio donde los límites son difusos y el suelo mismo podría ser traicionero. El objetivo es encontrar una ruta que no solo esté libre de choques, sino que sea lo suficientemente suave como para que las ruedas del coche puedan seguirla sin resbalar o forzar su mecanismo de dirección.

Investigadores de la Universidad de Ingeniería de Shenyang en China han desarrollado una nueva forma de ayudar a los coches autónomos a resolver este problema. Crearon un sistema de planificación que actúa como un navegante cauteloso, sopesando constantemente los peligros del entorno frente a los límites físicos del vehículo. En lugar de simplemente buscar la ruta más corta entre dos puntos, su sistema calcula una "puntuación de riesgo" para cada ruta posible. Entiende que conducir justo al lado de una roca es más arriesgado que tomar un desvío ligeramente más largo que mantenga una distancia segura, incluso si ambas rutas evitan técnicamente un choque. Este enfoque, conocido como planificación consciente del riesgo, desplaza el enfoque de simplemente sobrevivir a un viaje hacia asegurar que el trayecto sea cómodo y seguro.

El equipo probó su sistema en un mapa digital de un entorno rugoso y no estructurado lleno de obstáculos estáticos como rocas y árboles, así como objetos móviles que podrían bloquear el camino. Compararon su nuevo método con un algoritmo de planificación tradicional estándar que simplemente busca la distancia más corta. Los resultados mostraron que, al priorizar los márgenes de seguridad, su sistema dirigió con éxito al vehículo virtual más lejos de los obstáculos. En promedio, la distancia entre el coche y el centro de los obstáculos cercanos aumentó un 18,2 por ciento. Al mismo tiempo, la cantidad total de riesgo a la que el vehículo estuvo expuesto durante el viaje disminuyó casi un 20 por ciento. El compromiso fue mínimo: la ruta fue solo un 1,5 por ciento más larga, un precio pequeño a pagar por una ruta significativamente más segura.

Sin embargo, encontrar un camino seguro en una cuadrícula informática es solo el primer paso. Una ruta que parece segura en un mapa podría seguir siendo imposible de conducir para un coche real. Si la ruta requiere que el coche gire demasiado bruscamente, el sistema de dirección del vehículo no puede seguirla físicamente, o podría perder el control. Los investigadores abordaron esto añadiendo una segunda capa de procesamiento. Después de que se encontró la ruta inicial, la suavizaron utilizando una técnica matemática que curva el camino en curvas suaves, asegurando que los giros estuvieran dentro de las capacidades físicas del coche. Este proceso de suavizado redujo el giro más pronunciado que el coche tendría que realizar en aproximadamente un 26 por ciento. Crucialmente, este suavizado no acercó al coche a los obstáculos; de hecho, aumentó el 12 por ciento la distancia mínima al obstáculo más cercano, haciendo que el camino fuera más fácil de conducir y más seguro.

El sistema también tuvo que lidiar con la complicación de los obstáculos móviles. En el mundo real, un coche puede encontrarse con una persona cruzando su camino o un vehículo que se detiene inesperadamente. Los investigadores diseñaron una estrategia jerárquica para lidiar con estas situaciones. Si un obstáculo se mueve pero despejará el camino pronto, el coche simplemente reduce la velocidad o aumenta la velocidad para esperar el momento adecuado para pasar. Esto es un ajuste temporal, que cambia el tiempo del viaje sin cambiar la ruta. Pero si un obstáculo se detiene y bloquea permanentemente el camino, reducir la velocidad no es suficiente. En ese caso, el sistema activa una rutina de replanificación local, que calcula un desvío completamente nuevo alrededor del bloqueo. Este enfoque dual permite que el coche sea paciente cuando esperar es una opción, pero decisivo cuando se requiere un nuevo camino.

Para asegurar que el plan funcionaría en la realidad, los investigadores conectaron su software a una simulación de alta fidelidad de un vehículo real. Ejecutaron la trayectoria planificada a través de un sistema de bucle cerrado donde la computadora del coche intentaba seguir el camino mientras la simulación probaba la física de los neumáticos, la suspensión y la dirección. Los resultados fueron precisos. El coche virtual siguió la ruta planificada con un error lateral máximo de menos de 7 centímetros y un error de rumbo de menos de 2,5 grados. Lo más importante es que el volante nunca alcanzó su límite físico, lo que significa que el coche nunca tuvo que girar más fuerte de lo que era capaz. El sistema equilibró con éxito la necesidad de seguridad, las restricciones de la mecánica del vehículo y la imprevisibilidad del entorno.

Aunque el estudio se realizó enteramente en simulación, los hallazgos ofrecen un plano claro de cómo los vehículos autónomos podrían navegar los espacios desordenados y no definidos del mundo real. El trabajo demuestra que la seguridad no se trata solo de evitar colisiones, sino de gestionar el riesgo y respetar los límites físicos de la máquina. Al combinar una búsqueda sensible al riesgo con un proceso de suavizado que respeta la dinámica del vehículo, los investigadores demostraron que un coche puede encontrar un camino que sea tanto seguro como manejable. El prototipo actual tarda varios minutos en computar una sola ruta, lo cual es demasiado lento para la conducción en tiempo real, pero el marco de trabajo demuestra que tal equilibrio es alcanzable. El trabajo futuro se centrará en acelerar los cálculos y probar el sistema en vehículos reales para ver cómo maneja el ruido y la incertidumbre del mundo físico.

Resumen Técnico: Planificación de Trayectorias Consciente del Riesgo y con Restricciones de Seguibilidad para Vehículos Autónomos en Entornos Viales No Estructurados

Planteamiento del Probleem
La conducción autónoma en entornos viales no estructurados presenta desafíos significativos distintos de las carreteras estructuradas, debido principalmente a la ausencia de marcas de carril, límites irregulares y distribuciones complejas de obstáculos estáticos y dinámicos. Los métodos de planificación existentes suelen enfrentarse a un compromiso: los planificadores de trayectorias geométricas (como el A* estándar) pueden generar rutas libres de colisiones que se aproximan demasiado a los obstáculos o límites, ofreciendo márgenes de seguridad insuficientes para errores de localización o incertidumbre del modelo. Además, las trayectorias geométricamente válidas suelen violar las restricciones cinemáticas del vehículo, como la curvatura máxima, lo que las hace inalcanzables para el seguimiento (untrackable). Los obstáculos dinámicos introducen una complejidad adicional, donde una trayectoria espacialmente factible puede volverse insegura con el tiempo. Los enfoques actuales suelen tratar la evaluación del riesgo, el suavizado de la trayectoria y la resolución de conflictos dinámicos como problemas separados, careciendo de un marco unificado que equilibre el riesgo ambiental acumulado, la seguibilidad del vehículo y la adaptabilidad dinámica en espacios no estructurados.

Metodología
Los autores proponen un marco de planificación de trayectorias de múltiples etapas y unificado, diseñado para abordar estos desafíos mediante un enfoque integrado:

Búsqueda de Rutas Consciente del Riesgo (A Mejorado):*
El marco reemplaza la función de costo geométrica estándar por un costo sensible al riesgo. Un algoritmo A* mejorado incorpora un campo de riesgo continuo derivado de la proximidad de obstáculos, límites de la vía y pasos estrechos mediante una función de decaimiento de distancia cuadrática. El costo acumulado de la trayectoria incluye un costo de movimiento (que penaliza los giros) y un término de riesgo ponderado por un coeficiente ( $K_r$ ). Una heurística adaptativa equilibra la distancia euclidiana, la consistencia de la dirección y la distancia de Manhattan para guiar la búsqueda. Este enfoque prioriza rutas con una menor exposición al riesgo acumulado en lugar de simplemente evitar colisiones binarias.
Optimización de la Trayectoria con Restricciones de Seguibilidad (B-spline):
Para asegurar que la trayectoria generada sea físicamente ejecutable, la trayectoria de rejilla discreta se somete a una optimización de B-spline. El método representa la trayectoria optimizada como un desplazamiento lateral respecto a la trayectoria de referencia consciente del riesgo dentro de un corredor de seguridad definido por el despeje de obstáculos y los límites del mapa. La optimización minimiza una función de costo que penaliza la desviación de la referencia, la energía de curvatura, la variación de la curvatura y la longitud de la trayectoria, sujeto a restricciones estrictas de curvatura máxima (alineadas con los límites de dirección del vehículo) y despeje mínimo de obstáculos.
Gestión Jerárquica de Obstáculos Dinámicos:
El marco emplea una estrategia jerárquica para conflictos dinámicos:

Planificación Espacio-Temporal (S-T): Para conflictos transitorios (p. ej., obstáculos en movimiento), el sistema realiza una planificación de velocidad S-T. Utiliza Programación Dinámica (DP) seguida de Programación Cuadrática (QP) para generar un perfil de velocidad que ajuste la aceleración, desaceleración o espera para evitar colisiones sin alterar la trayectoria espacial.
Replanificación Espacial Local (Hybrid A):* Para bloqueos persistentes (p. ej., obstáculos detenidos) donde el ajuste temporal no puede restaurar la factibilidad, el sistema activa una replanificación espacial local utilizando Hybrid A*. Este busca una nueva ruta geométrica alrededor del bloqueo respetando la cinemática del vehículo, seguido de la reoptimización del perfil de velocidad.

Validación de Lazo Cerrado:
La trayectoria de referencia final se valida utilizando un entorno de simulación de lazo cerrado que acopla un controlador Simulink (MPC lateral y controlador en cascada longitudinal) con un modelo de vehículo CarSim para verificar la precisión de seguimiento y los límites de saturación de la dirección.

Resultados Clave
Se realizaron experimentos en un mapa de ocupación no estructurado único con cuatro configuraciones diferentes de inicio-meta, comparando el método propuesto contra el A* estándar y un A* mejorado sin el término de riesgo.

Reducción del Riesgo: En comparación con el A* estándar, la búsqueda consciente del riesgo aumentó la distancia media al centro del obstáculo en un 18.2% y redujo el integral de riesgo y el riesgo medio en un 19.4% y 20.7%, respectivamente. Esto se logró con solo un aumento del 1.5% en la longitud promedio de la trayectoria.
Mejora de la Seguibilidad: La etapa de optimización B-spline logró reducir la curvatura máxima de la trayectoria de 0.2796 m⁻¹ a 0.2074 m⁻¹ (una reducción del 25.8%), situándola dentro de los límites de seguimiento del vehículo. Simultáneamente, la distancia mínima al centro del obstáculo aumentó un 12.1%.
Resolución de Conflictos Dinámicos: Las simulaciones demostraron que los conflictos transitorios se resolvieron mediante ajustes de velocidad, mientras que los bloqueos persistentes se gestionaron con éxito mediante la replanificación local de Hybrid A*. Las trayectorias resultantes mantuvieron distancias de separación seguras (p. ej., >0.668 m para la distancia límite del cuerpo) y cumplieron con todas las restricciones dinámicas (velocidad, aceleración, jerk).
Seguimiento de Lazo Cerrado: En las simulaciones CarSim/Simulink, el vehículo siguió la trayectoria de referencia con un error lateral máximo de 0.0678 m y un error de orientación máximo de 2.470°. Crucialmente, no ocurrió saturación de la dirección, confirmando la compatibilidad de las restricciones de curvatura planificadas con las capacidades físicas del vehículo.

Significancia y Reivindicaciones
El artículo sostiene que el marco propuesto vincula con éxito la selección de rutas consciente del riesgo, la optimización de la trayectoria con restricción de curvatura y la replanificación dependiente del conflicto en un sistema cohesivo para entornos no estructurados. La contribución principal es demostrar que un enfoque unificado puede reducir significativamente la exposición al riesgo y asegurar la seguibilidad del vehículo sin incurrir en penalizaciones prohibitivas de longitud de trayectoria.

Los autores señalan modestamente que, si bien el marco mejora los márgenes de seguridad y la seguibilidad, actualmente incurre en costos computacionales más altos (el tiempo de búsqueda mediana aumentó de ~0.6s a ~1.5s, con un tiempo total de flujo de trabajo en decenas de minutos), lo que indica que aún no es una solución en tiempo real. El estudio se limita a una topología de mapa única y predicciones de obstáculos deterministas. Los autores enfatizan que los resultados validan la factibilidad de la planificación y el seguimiento de lazo cerrado en simulación, pero aún no establecen el rendimiento en vehículos físicos o bajo incertidumbre de percepción. El trabajo futuro se identifica centrándose en la eficiencia computacional, modelos de movimiento probabilísticos y pruebas de hardware-in-the-loop.

Más como este