⚡ electrical engineering

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

Questo articolo presenta un framework di pianificazione della traiettoria completo per veicoli autonomi in ambienti non strutturati che integra la ricerca del percorso consapevole del rischio, l'ottimizzazione vincolata alla curvatura e la ripianificazione dinamica per ridurre significativamente l'esposizione al rischio e migliorare il distanziamento dagli ostacoli, garantendo al contempo la fattibilità del tracciamento del veicolo.

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

Pubblicato 2026-10-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Guidare un'auto su una strada asfaltata è una questione di seguire le linee dipinte sull'asfalto. La strada dice al veicolo dove andare, dove restare e dove si trovano i bordi. Ma se ci si sposta dal manto stradale verso un cantiere, un sentiero nel bosco o un campo fangoso, quelle linee svaniscono. Il percorso non è più definito; è un paesaggio caotico di terreno irregolare, rocce nascoste e ostacoli imprevedibili. Per un veicolo autonomo, navigare in questo mondo non strutturato è una delle sfide più difficili della robotica. Deve decidere non solo come evitare una collisione, ma come muoversi in sicurezza attraverso uno spazio in cui i confini sono sfumati e il terreno stesso potrebbe essere insidioso. L'obiettivo è trovare un percorso che non sia solo privo di incidenti, ma anche abbastanza fluido da permettere alle ruote dell'auto di seguirlo senza scivolare o sforzare il meccanismo di sterzo.

Ricercatori della Università di Shenyang Ligong, in Cina, hanno sviluppato un nuovo modo per aiutare le auto a guida autonoma a risolvere questo problema. Hanno creato un sistema di pianificazione che agisce come un navigatore prudente, pesando costantemente i pericoli dell'ambiente rispetto ai limiti fisici del veicolo. Invece di cercare semplicemente la distanza più breve tra due punti, il loro sistema calcola un "punteggio di rischio" per ogni possibile rotta. Comprendono che guidare proprio accanto a un masso è più rischioso che intraprendere una deviazione leggermente più lunga che mantenga una distanza di sicurezza, anche se entrambi i percorsi tecnicamente evitano un incidente. Questo approccio, noto come pianificazione consapevole del rischio (risk-aware planning), sposta l'attenzione dal semplice sopravvivere a un viaggio al garantire che il tragitto sia confortevole e sicuro.

Il team ha testato il proprio sistema su una mappa digitale di un ambiente accidentato e non strutturato, pieno di ostacoli statici come rocce e alberi, nonché di oggetti in movimento che potrebbero bloccare la strada. Hanno confrontato il loro nuovo metodo con un algoritmo di pianificazione tradizionale standard che cerca semplicemente la distanza minima. I risultati hanno mostrato che, dando priorità ai margini di sicurezza, il loro sistema è riuscito a far allontanare il veicolo virtuale dagli ostacoli. In media, la distanza tra l'auto e il centro degli ostacoli vicini è aumentata del 18,2%. Allo stesso tempo, il rischio totale a cui il veicolo è stato esposto durante il viaggio è diminuito di quasi il 20%. Il compromesso è stato minimo: il percorso è diventato solo l'1,5% più lungo, un piccolo prezzo da pagare per un percorso significativamente più sicuro.

Tuttavia, trovare un percorso sicuro su una griglia informatica è solo il primo passo. Un percorso che appare sicuro su una mappa potrebbe comunque essere impossibile da percorrere per un'auto reale. Se il percorso richiede all'auto di svoltare troppo bruscamente, il sistema di sterzo del veicolo non può fisicamente seguirlo, oppure si potrebbe perdere il controllo. I ricercatori hanno affrontato questo problema aggiungendo un secondo livello di elaborazione. Dopo che il percorso iniziale era stato trovato, lo hanno levigato utilizzando una tecnica matematica che piega il percorso in curve dolci, garantendo che le svolte fossero entro le capacità fisiche dell'auto. Questo processo di levigatura ha ridotto la curva più stretta che l'auto avrebbe dovuto compiere di circa il 26%. Fondamentalmente, questa levigatura non ha spinto l'auto più vicino agli ostacoli; al contrario, ha effettivamente aumentato la distanza minima dall'ostacolo più vicino del 12%, rendendo il percorso sia più facile da guidare che più sicuro.

Il sistema ha anche dovuto gestire la complicazione degli ostacoli in movimento. Nel mondo reale, un'auto potrebbe incontrare una persona che attraversa la sua traiettoria o un veicolo che si ferma inaspettatamente. I ricercatori hanno progettato una strategia gerarchica per gestire queste situazioni. Se un ostacolo è in movimento ma libererà la strada presto, l'auto rallenta o accelera semplicemente per aspettare il momento giusto per passare. Questa è una regolazione temporale, che cambia la tempistica della guida senza cambiare il percorso. Ma se un ostacolo si ferma e blocca permanentemente la strada, rallentare non è sufficiente. In quel caso, il sistema attiva una routine di ripianificazione locale, che calcola una deviazione completamente nuova attorno al blocco. Questo doppio approccio permette all'auto di essere paziente quando l'attesa è un'opzione, ma decisa quando è richiesto un nuovo percorso.

Per garantire che il piano funzionasse nella realtà, i ricercatori hanno collegato il loro software a una simulazione ad alta fedeltà di un veicolo reale. Hanno fatto passare la traiettoria pianificata attraverso un sistema a ciclo chiuso in cui il computer dell'auto cercava di seguire il percorso mentre la simulazione testava la fisica degli pneumatici, delle sospensioni e dello sterzo. I risultati sono stati precisi. L'auto virtuale ha seguito il percorso pianificato con un errore laterale massimo inferiore a 7 centimetri e un errore di direzione inferiore a 2,5 gradi. Soprattutto, il volante non ha mai raggiunto il suo limite fisico, il che significa che l'auto non ha mai dovuto sterzare più di quanto fosse capace di fare. Il sistema ha bilanciato con successo la necessità di sicurezza, i vincoli della meccanica del veicolo e l'imprevedibilità dell'ambiente.

Sebbene lo studio sia stato condotto interamente in simulazione, i risultati offrono una chiara tabella di marcia su come i veicoli autonomi possano navigare negli spazi disordinati e indefiniti del mondo reale. Il lavoro dimostra che la sicurezza non riguarda solo l'evitare le collisioni, ma anche la gestione del rischio e il rispetto dei limiti fisici della macchina. Combinando una ricerca sensibile al rischio con un processo di levigatura che rispetta la dinamica del veicolo, i ricercatori hanno dimostrato che un'auto può trovare un percorso che sia sia sicuro che guidabile. L'attuale prototipo impiega diversi minuti per calcolare un singolo percorso, il che è troppo lento per la guida in tempo reale, ma il framework dimostra che un tale equilibrio è realizzabile. Il lavoro futuro si concentrerà sull'accelerazione dei calcoli e sul test del sistema su veicoli reali per vedere come gestisce il rumore e l'incertezza del mondo fisico.

Sintesi Tecnica: Pianificazione di traiettorie consapevole del rischio e con vincoli di tracciabilità per veicoli autonomi in ambienti stradali non strutturati

Definizione del Problema
La guida autonoma in ambienti stradali non strutturati presenta sfide significative e distinte rispetto alle strade strutturate, principalmente a causa dell'assenza di segnaletica orizzontale, confini irregolari e distribuzioni complesse di ostacoli statici e dinamici. Gli esistenti metodi di pianificazione spesso affrontano un compromesso: i pianificatori di percorsi geometrici (come lo standard A*) possono generare percorsi privi di collisioni che però si avvicinano eccessivamente agli ostacoli o ai confini, offrendo margini di sicurezza insufficienti per errori di localizzazione o incertezze del modello. Inoltre, i percorsi geometricamente validi spesso violano i vincoli cinematici del veicolo, come la curvatura massima, rendendoli non tracciabili. Gli ostacoli dinamici introducono un'ulteriore complessità, dove un percorso spazialmente fattibile può diventare insicuro nel tempo. Gli approoli attuali spesso trattano la valutazione del rischio, l'ottimizzazione del percorso e la risoluzione dei conflitti dinamici come problemi separati, mancando di un quadro unificato che bilanci il rischio ambientale cumulativo, la tracciabilità del veicolo e l'adattabilità dinamica negli spazi non strutturati.

Metodologia
Gli autori propongono un framework di pianificazione della traiettoria unificato e multistadio, progettato per affrontare queste sfide attraverso un approccio integrato:

Ricerca del percorso consapevole del rischio (A potenziato):*
Il framework sostituisce la funzione di costo geometrica standard con una funzione di costo sensibile al rischio. Un algoritmo A* potenziato incorpora un campo di rischio continuo derivato dalla prossimità degli ostacoli, dai confini stradali e dai passaggi stretti utilizzando una funzione di decadimento della distanza quadratica. Il costo cumulativo del percorso include un costo di movimento (che penalizza le svolte) e un termine di rischio pesato da un coefficiente ( $K_r$ ). Un'euristica adattiva bilancia la distanza euclidea, la coerenza direzionale e la distanza di Manhattan per guidare la ricerca. Questo approccio prioritizza rotte con un'esposizione al rischio cumulativo inferiore piuttosto che limitarsi ad evitare collisioni binarie.
Ottimizzazione del percorso con vincoli di tracciabilità (B-spline):
Per garantire che il percorso generato sia fisicamente eseguibile, il percorso discreto su griglia subisce un'ottimizzazione tramite B-spline. Il metodo rappresenta il percorso ottimizzato come uno spostamento laterale rispetto al percorso di riferimento consapevole del rischio all'interno di un corridoio di sicurezza definito dal distacco dagli ostacoli e dai confini della mappa. L'ottimizzazione minimizza una funzione di costo che penalizza lo scostamento dal riferimento, l'energia di curvatura, la variazione di curvatura e la lunghezza del percorso, soggetta a vincoli rigidi sulla curvatura massima (allineata con i limiti di sterzata del veicolo) e sul distacco minimo dagli ostacoli.
Gestione gerarchica degli ostacoli dinamici:
Il framework impiega una strategia gerarchica per i conflitti dinamici:

Pianificazione Spazio-Temporale (S-T): Per i conflitti transitori (ad es. ostacoli in movimento), il sistema esegue una pianificazione della velocità S-T. Utilizza la Programmazione Dinamica (DP) seguita dalla Programmazione Quadratica (QP) per generare un profilo di velocità che regoli accelerazione, decelerazione o attesa per evitare collisioni senza alterare il percorso spaziale.
Riperpianificazione spaziale locale (Hybrid A):* Per i blocchi persistenti (ad es. ostacoli fermi) in cui l'aggiustamento temporale non può ripristinare la fattibilità, il sistema attiva una ripianificazione spaziale locale utilizzando Hybrid A*. Questo cerca un nuovo percorso geometrico attorno al blocco rispettando la cinematica del veicolo, seguito dalla re-ottimizzazione del profilo di velocità.

Validazione in anello chiuso:
La traiettoria di riferimento finale viene validata in un ambiente di simulazione in anello chiuso che accoppia un controllore Simulink (MPC laterale e controllore a cascata longitudinale) con un modello di veicolo CarSim per verificare la precisione di inseguimento e i limiti di saturazione dello sterzo.

Risultati Chiave
Gli esperimenti sono stati condotti su una singola mappa di occupanza non strutturata con quattro diverse configurazioni di partenza-obiettivo, confrontando il metodo proposto con lo standard A* e un A* potenziato privo del termine di rischio.

Riduzione del rischio: Rispetto allo standard A*, la ricerca consapevole del rischio ha aumentato la distanza media dal centro dell'ostacolo del 18,2% e ha ridotto l'integrale del rischio e il rischio medio rispettivamente del 19,4% e del 20,7%. Ciò è stato ottenuto con un aumento del solo 1,5% della lunghezza media del percorso.
Miglioramento della tracciabilità: La fase di ottimizzazione B-spline ha ridotto con successo la curvatura massima del percorso da 0,2796 m⁻¹ a 0,2074 m⁻¹ (una riduzione del 25,8%), portandola entro i limiti di inseguimento del veicolo. Contemporaneamente, la distanza minima dal centro dell'ostacolo è aumentata del 12,1%.
Risoluzione dei conflitti dinamici: Le simulazioni hanno dimostrato che i conflitti transitori sono stati risolti tramite regolazioni della velocità, mentre i blocchi persistenti sono stati gestiti con successo tramite la ripianificazione locale Hybrid A*. Le traiettorie risultanti hanno mantenuto distanze di separazione sicure (ad es. >0,668 m per la distanza bordo-corpo) e hanno soddisfatto tutti i vincoli dinamici (velocità, accelerazione, jerk).
Inseguimento in anello chiuso: Nelle simulazioni CarSim/Simulink, il veicolo ha inseguito la traiettoria di riferimento con un errore laterale massimo di 0,0678 m e un errore di imbardata massimo di 2,470°. Fondamentalmente, non si è verificata alcuna saturazione dello sterzo, confermando la compatibilità dei vincoli di curvatura pianificati con le capacità fisiche del veicolo.

Significatività e Rivendicazioni
L'articolo sostiene che il framework proposto riesce a collegare la selezione del percorso consapevole del rischio, l'ottimizzazione del percorso vincolata alla curvatura e la ripianificazione dipendente dal conflitto in un sistema coeso per ambienti non strutturati. Il contributo primario consiste nel dimostrare che un approccio unificato può ridurre significativamente l'esposizione al rischio e garantire la tracciabilità del veicolo senza incorrere in penalità proibitive sulla lunghezza del percorso.

Gli autori osservano con moderazione che, sebbene il framework migliori i margini di sicurezza e la tracciabilità, attualmente comporta costi computazionali più elevati (il tempo mediano di ricerca è aumentato da circa 0,6 s a circa 1,5 s, con un tempo totale di workflow nell'ordine dei decine di minuti), indicando che non è ancora una soluzione in tempo reale. Lo studio è limitato a una singola topologia di mappa e a previsioni degli ostacoli deterministiche. Gli autori sottolineano che i risultati validano la fattibilità della pianificazione e l'inseguimento in anello chiuso in simulazione, ma non stabiliscono ancora le prestazioni su veicoli fisici o sotto incertezza di percezione. Il lavoro futuro è identificato nella focalizzazione sull'efficienza computazionale, sui modelli di moto probabilistici e sui test hardware-in-the-loop.

Articoli simili