Efficient and Safe Trajectory Planning for Autonomous Agricultural Vehicle Headland Turning in Cluttered Orchard Environments
一、问题定位
1. 通用问题：AAV关键任务之一，垄间调头，岬角空间有限、界限不规则、运动动力学约束和静态障碍物。
2.传统垄间掉头方法在复杂形状的农业车辆和拥挤环境中存在效率低、计算时间长、保守性过高等问题。
3. 传统方法存在的问题
- dubins、Reeds-Shepp曲线，忽略动力学，导致急转向和速度突变；
- 数值积分构建动力学模型 和 引入clothoid曲线实现曲率连续过渡 实现曲率连续过渡
- 动态适应 侧滑补偿
- 最优控制 拖拉机-挂车系统的最小时间优化模型
4. 论文贡献
- 清楚说明了农具形状和操作约束
- 一种针对岬角转弯场景量身定制的先进碰撞检测方法
- 一种有效的后端优化算法，该算法可以完善前端轨迹以满足安全性和车辆约束
- 通过利用多个安全走廊，减轻了复杂车辆几何形状的保守，在准确性和效率之间取得了平衡。
- 在具有复杂车辆几何形状的紧密岬角中产生了更多最佳轨迹。
二、方法解析
1. 方法框架
- 前端：引入了一种增强的混合A*方法，该方法可以加速碰撞检查
- 后端：高效率模块完善了轨迹，以满足运动学和碰撞约束，同时优化控制工作和轨迹持续时间。
- 安全走廊：提出了基于走廊的方法来限制本地区域内的搜索空间[21]，[22]。这些方法有效地将无碰撞约束的维度从障碍的数量中解脱出来，从而使局部解决方案更快。
1. 有效的前端算法 和 高性能后端优化算法
2. 应用于具有各种工具的车辆，在标准和具有挑战性的果园田中的最先进方法均优于最先进的方法。
3 AAV将执行数百个岬角转弯，次优轨迹可以引入延迟并增加成本
三、实验验证层
四、理论层
1. 增强的Hybrid A*算法
- 碰撞检测方法的优化
2. 优化轨迹的平滑性、持续时间和约束满足
- 使用L-BFGS优化器，结合多安全走廊来放松约束。
3. 动学模型可能基于微分平坦性理论，将高维状态空间降维处理。
五、应用层
六、延伸
1. 侧滑补偿
相关文献
[3] 田间有障碍物
[4] 次优轨迹会增加成本，车辆几百次掉头会累计次优轨迹的成本所以要寻找最优轨迹
[5-6] dubins reeds-Shepp
[7-8] 数值积分构建动力学模型 引入clothoid曲线实现曲率连续过渡
[9] 侧滑补偿
[10-12] 最优控制理论 拖拉机-挂车系统的最小时间优化模型
运筹优化
传统规划
