⚡ electrical engineering

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

Cet article présente un cadre de planification de trajectoire complet pour les véhicules autonomes en environnements non structurés qui intègre une recherche de chemin sensible au risque, une optimisation sous contrainte de courbure et un replanification dynamique afin de réduire considérablement l'exposition au risque et d'améliorer le dégagement des obstacles tout en garantissant la faisabilité du suivi du véhicule.

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

Publié 2026-10-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Conduire une voiture sur une autoroute pavée est une question de suivi des lignes tracées sur l'asphalte. La route indique au véhicule où aller, où rester et où se trouvent les bords. Mais quittez ce revêtement pour un chantier de construction, un sentier forestier ou un champ boueux, et ces lignes disparaissent. Le chemin n'est plus défini ; c'est un paysage chaotique de terrains accidentés, de rochers cachés et d'obstacles imprévisibles. Pour un véhicule autonome, naviguer dans ce monde non structuré est l'un des défis les plus difficiles de la robotique. Il doit décider non seulement comment éviter une collision, mais aussi comment se déplacer en toute sécurité dans un espace où les limites sont floues et où le sol lui-même peut être traître. L'objectif est de trouver un itinéraire qui soit non seulement exempt de collisions, mais aussi suffisamment fluide pour que les roues de la voiture puissent le suivre sans glisser ou solliciter excessivement son mécanisme de direction.

Des chercheurs de l'Université de l'ingénierie de Shenyang, en Chine, ont développé une nouvelle méthode pour aider les voitures autonomes à résoudre ce problème. Ils ont créé un système de planification qui agit comme un navigateur prudent, pesant constamment les dangers de l'environnement par rapport aux limites physiques du véhicule. Au lieu de simplement chercher le chemin le plus court entre deux points, leur système calcule un « score de risque » pour chaque itinéraire possible. Il comprend que conduire juste à côté d'un rocher est plus risqué que de prendre un détour légèrement plus long qui maintient une distance de sécurité, même si les deux itinéraires évitent techniquement la collision. Cette approche, appelée planification sensible au risque (risk-aware planning), déplace l'accent du simple fait de survivre à un trajet vers la garantie que le voyage soit confortable et sûr.

L'équipe a testé son système sur une carte numérique d'un environnement rugueux et non structuré, rempli d'obstacles statiques comme des rochers et des arbres, ainsi que d'objets mobiles qui pourraient bloquer le passage. Ils ont comparé leur nouvelle méthode à un algorithme de planification traditionnel standard qui cherche simplement la distance la plus courte. Les résultats ont montré qu'en privilégiant les marges de sécurité, leur système a réussi à diriger le véhicule virtuel plus loin des obstacles. En moyenne, la distance entre la voiture et le centre des obstacles proches a augmenté de 18,2 %. Parallèlement, le niveau total de risque auquel le véhicule était exposé pendant le trajet a chuté de près de 20 %. Le compromis était minime : le chemin était seulement 1,5 % plus long, un petit prix à payer pour un itinéraire nettement plus sûr.

Cependant, trouver un chemin sûr sur une grille informatique n'est que la première étape. Un itinéraire qui semble sûr sur une carte peut tout de même être impossible à parcourir pour une vraie voiture. Si le chemin exige que la voiture tourne trop brusquement, le système de direction du véhicule ne peut physiquement pas le suivre, ou celui-ci pourrait perdre le contrôle. Les chercheurs ont abordé ce problème en ajoutant une seconde couche de traitement. Après la découverte de l'itinéraire initial, ils l'ont lissé à l'aide d'une technique mathématique qui courbe le chemin en courbes douces, garantissant que les virages respectent les capacités physiques de la voiture. Ce processus de lissage a réduit le virage le plus serré que la voiture aurait à effectuer d'environ 26 %. Crucialement, ce lissage n'a pas rapproché la voiture des obstacles ; il a au contraire augmenté la distance minimale par rapport à l'obstacle le plus proche de 12 %, rendant le chemin à la fois plus facile à conduire et plus sûr.

Le système devait également gérer la complication des obstacles mobiles. Dans le monde réel, une voiture peut rencontrer une personne traversant son chemin ou un véhicule qui s'arrête de manière inattendue. Les chercheurs ont conçu une stratégie hiérarchique pour gérer ces situations. Si un obstacle est en mouvement mais va dégager le passage bientôt, la voiture ralentit ou accélère simplement pour attendre le bon moment pour passer. Il s'agit d'un ajustement temporel, modifiant le rythme de la conduite sans changer l'itinéraire. Mais si un obstacle s'arrête et bloque définitivement la route, ralentir ne suffit plus. Dans ce cas, le système déclenche une routine de replanification locale, qui calcule un tout nouvel itinéraire de contournement autour du blocage. Cette double approche permet à la voiture d'être patiente lorsqu'attendre est une option, mais décisive lorsqu'un nouveau chemin est requis.

Pour s'assurer que le plan fonctionnerait dans la réalité, les chercheurs ont connecté leur logiciel à une simulation haute fidélité d'un véhicule réel. Ils ont fait passer la trajectoire planifiée à travers un système en boucle fermée où l'ordinateur de la voiture tentait de suivre le chemin tandis que la simulation testait la physique des pneus, de la suspension et de la direction. Les résultats étaient précis. La voiture virtuelle a suivi l'itinéraire prévu avec une erreur latérale maximale de moins de 7 centimètres et une erreur de cap de moins de 2,5 degrés. Plus important encore, le volant n'a jamais atteint sa limite physique, ce qui signifie que la voiture n'a jamais eu à tourner plus fort qu'elle n'en était capable. Le système a réussi à équilibrer le besoin de sécurité, les contraintes de la mécanique du véhicule et l'imprévisibilité de l'environnement.

Bien que l'étude ait été menée entièrement en simulation, les conclusions offrent un schéma directeur clair sur la manière dont les véhicules autonomes pourraient naviguer dans les espaces désordonnés et indéfinis du monde réel. Ces travaux démontrent que la sécurité ne consiste pas seulement à éviter les collisions, mais à gérer le risque et à respecter les limites physiques de la machine. En combinant une recherche sensible au risque avec un processus de lissage qui respecte la dynamique du véhicule, les chercheurs ont montré qu'une voiture peut trouver un chemin qui est à la fois sûr et praticable. Le prototype actuel prend plusieurs minutes pour calculer un seul itinéraire, ce qui est trop lent pour une conduite en temps réel, mais le cadre prouve qu'un tel équilibre est réalisable. Les travaux futurs se concentreront sur l'accélération des calculs et sur le test du système sur de vrais véhicules pour voir comment il gère le bruit et l'incertitude du monde physique.

Résumé Technique : Planification de trajectoire sensible au risque et contrainte par la suivabilité pour les véhicules autonomes dans des environnements routiers non structurés

Énoncé du problème
La conduite autonome dans des environaux routiers non structurés présente des défis importants, distincts des routes structurées, principalement en raison de l'absence de marquage au sol, de limites irrégulières et de distributions complexes d'obstacles statiques et dynamiques. Les méthodes de planification existantes sont souvent confrontées à un compromis : les planificateurs de trajectoires géométriques (comme l'A* standard) peuvent générer des chemins sans collision qui frôlent les obstacles ou les limites, offrant des marges de sécurité insuffisantes pour les erreurs de localisation ou l'incertitude du modèle. De plus, les chemins géométriquement valides violent souvent les contraintes cinématiques du véhicule, telles que la courbure maximale, ce qui les rend impossibles à suivre (non suivables). Les obstacles dynamiques introduisent une complexité supplémentaire, où un chemin spatialement faisable peut devenir dangereux au fil du temps. Les approches actuelles traitent souvent l'évaluation du risque, le lissage de la trajectoire et la résolution des conflits dynamiques comme des problèmes distincts, manquant d'un cadre unifié capable de équilibrer le risque environnemental cumulé, la suivabilité du véhicule et l'adaptabilité dynamique dans les espaces non structurés.

Méthodologie
Les auteurs proposent un cadre de planification de trajectoire multi-étapes unifié, conçu pour répondre à ces défis par une approche intégrée :

Recherche de chemin sensible au risque (A amélioré) :*
Le cadre remplace la fonction de coût géométrique standard par un coût sensible au risque. Un algorithme A* amélioré incorpore un champ de risque continu dérivé de la proximité des obstacles, des limites de la route et des passages étroits à l'aide d'une fonction de décroissance quadratique de la distance. Le coût cumulé du chemin comprend un coût de mouvement (pénalisant les virages) et un terme de risque pondéré par un coefficient ( $K_r$ ). Une heuristique adaptative équilibre la distance euclidienne, la cohérence de direction et la distance de Manhattan pour guider la recherche. Cette approche privilégie les itinéraires présentant une exposition au risque cumulé plus faible plutôt que de simplement éviter les collisions binaires.
Optimisation de trajectoire contrainte par la suivabilité (B-spline) :
Pour garantir que le chemin généré est physiquement exécutable, le chemin discret sur grille subit une optimisation par B-spline. La méthode représente le chemin optimisé comme un déplacement latéral par rapport au chemin de référence sensible au risque, à l'intérieur d'un corridor de sécurité défini par le dégagement des obstacles et les limites de la carte. L'optimisation minimise une fonction de coût pénalisant l'écart par rapport à la référence, l'énergie de courbure, la variation de courbure et la longueur du chemin, sous réserve de contraintes strictes sur la courbure maximale (alignée sur les limites de direction du véhicule) et le dégagement minimal des obstacles.
Gestion hiérarchique des obstacles dynamiques :
Le cadre emploie une stratégie hiérarchique pour les conflits dynamiques :

Planification Spatio-Temporelle (S-T) : Pour les conflits transitoires (ex: obstacles en mouvement), le système effectue une planification de vitesse S-T. Il utilise la programmation dynamique (DP) suivie d'une programmation quadratique (QP) pour générer un profil de vitesse qui ajuste l'accélération, la décélération ou l'attente afin d'éviter les collisions sans modifier le chemin spatial.
Replanification spatiale locale (Hybrid A) :* Pour les blocages persistants (ex: obstacles à l'arrêt) où l'ajustement temporel ne peut restaurer la faisabilité, le système déclenche une replanification spatiale locale utilisant Hybrid A*. Celui-ci recherche un nouvel itinéraire géométrique autour du blocage tout en respectant la cinématique du véhicule, suivi d'une ré-optimisation du profil de vitesse.

Validation en boucle fermée :
La trajectoire de référence finale est validée à l'aide d'un environnement de simulation en boucle fermée couplant un contrôleur Simulink (MPC latéral et contrôleur en cascade longitudinal) avec un modèle de véhicule CarSim pour vérifier la précision de suivi et les limites de saturation de la direction.

Résultats clés
Des expériences ont été menées sur une carte d'occupation non structurée unique avec quatre configurations de départ-arrivée différentes, comparant la méthode proposée à l'A* standard et à un A* amélioré sans le terme de risque.

Réduction du risque : Comparé à l'A* standard, la recherche sensible au risque a augmenté la distance moyenne au centre de l'obstacle de 18,2 % et a réduit l'intégrale du risque et le risque moyen respectivement de 19,4 % et 20,7 %. Cela a été réalisé avec seulement une augmentation de 1,5 % de la longueur moyenne du chemin.
Amélioration de la suivabilité : L'étape d'optimisation par B-spline a réussi à réduire la courbure maximale du chemin de 0,2796 m⁻¹ à 0,2074 m⁻¹ (une réduction de 25,8 %), l'amenant dans les limites de suivi du véhicule. Simultanément, la distance minimale au centre de l'obstacle a augmenté de 12,1 %.
Résolution des conflits dynamiques : Les simulations ont démontré que les conflits transitoires étaient résolus via des ajustements de vitesse, tandis que les blocages persistants étaient gérés avec succès par la replanification locale Hybrid A*. Les trajectoires résultantes ont maintenu des distances de séparation sûres (ex: >0,668 m pour la distance bord-corps) et satisfaisaient toutes les contraintes dynamiques (vitesse, accélération, jerk).
Suivi en boucle fermée : Dans les simulations CarSim/Simulink, le véhicule a suivi la trajectoire de référence avec une erreur latérale maximale de 0,0678 m et une erreur de cap maximale de 2,470°. Crucialement, aucune saturation de la direction ne s'est produite, confirmant la compatibilité des contraintes de courbure planifiées avec les capacités physiques du véhicule.

Signification et Revendications
L'article affirme que le cadre proposé parvient à lier la sélection d'itinéraire sensible au risque, l'optimisation de trajectoire contrainte par la courbure et la replanification dépendante du conflit en un système cohérent pour les environnements non structurés. La contribution principale est de démontrer qu'une approche unifiée peut réduire considérablement l'exposition au risque et assurer la suivabilité du véhicule sans entraîner de pénalités de longueur de chemin prohibitives.

Les auteurs notent modestement que, bien que le cadre améliore les marges de sécurité et la suivabilité, il induit actuellement des coûts de calcul plus élevés (le temps de recherche médian est passé d'environ 0,6 s à 1,5 s, avec un temps de flux de travail total de l'ordre de plusieurs dizaines de minutes), indiquant qu'il ne s'agit pas encore d'une solution en temps réel. L'étude est limitée à une topologie de carte unique et à des prédictions d'obstacles déterministes. Les auteurs soulignent que les résultats valident la faisabilité de la planification et le suivi en boucle fermée en simulation, mais n'établissent pas encore de performances sur des véhicules physiques ou sous incertitude de perception. Les travaux futurs identifiés se concentrent sur l'efficacité de calcul, les modèles de mouvement probabilistes et les tests matériel-dans-la-boucle (Hardware-in-the-loop).

Articles similaires