Shared autonomy vehicle navigation using sampling-based optimal planning

The navigation problem is a fundamental problem that is embedded and essential in a wide range of robotic applications, notably in the autonomous urban navigation. It mainly aims to solve a motion planning problem, meaning to find a collision-free set of actions capable of guiding a robotic system from its initial condition to the goal region, and, while travelling along the path, it exploits a perception system to perform obstacle detection so as to, possibly, replan a safe path locally. This thesis addresses the problem of optimal kinodynamic motion planning in dynamic environments, hence taking into account the dynamics of the system – identified in this case as a vehicle – to define feasible and optimal paths. More precisely, the global path to be followed by the vehicle is defined a priori, and to react to unforeseen obstacles in the dynamic environment a shared control framework is established, where the human driver and the automatic system are asked to cooperate, entrusting the human with the role of “supervisor”, thus retaining the final decision on how to behave when an obstacle is obstructing the path. In case the request is to replan the path, the automatic system calls for the use of a resolution optimal local planner, namely RRT* Motion Primitives, that samples the continuous state space by redefining it as a grid and creates a tree of trajectories by exploiting a database of precomputed motion primitives. An admissible heuristic function, based on the goal distance, is then introduced inside the local planner to increase its convergence rate, while preserving the optimality properties of the planning algorithm. The final contribution concerns the definition of a reward function that incorporates information on the known global path and the tree structure created online by the planner, limiting the available trajectories to a subset adhering in some way to natural human behaviour. This allows for achieving significant improvements in the quality of the results. To conclude, a general guidance framework that the driver might select during ordinary driving conditions is presented, showing the generalizability of the proposed algorithm, capable of coping to any situation that prevents the vehicle from driving along its predefined global path.

Il problema della navigazione autonoma o semi-autonoma è un problema fondamentale che può essere adattato ad una vasta serie di applicazioni robotiche, in particolare all’ambito dei veicoli autonomi. L’obiettivo è di risolvere un problema di Pianificazione di Traiettoria, ovvero trovare una sequenza di comandi capace di guidare un robot da uno stato iniziale ad una configurazione finale evitando collisioni con eventuali ostacoli statici, e, navigando lungo il percorso, impiegare un sistema di percezione per consentire il rilevamento degli ostacoli imprevisti o mobili così da ripianificare localmente un percorso sicuro. Questa tesi affronta il problema della pianificazione di una traiettoria ottima in ambienti dinamici per un sistema con vincoli cinematici e dinamici, tenendo quindi conto della dinamica del sistema – identificato in questo caso con un veicolo – per definire percorsi ottimali ed eseguibili dal mezzo. La traiettoria globale che il veicolo deve seguire viene definita a priori, e per poter reagire ad ostacoli imprevisti lungo il percorso viene instaurato un controllo condiviso in cui il conducente umano e il sistema automatico sono chiamati a cooperare, affidando all’uomo il ruolo di "supervisore", mantenendo così la decisione finale su come comportarsi quando un ostacolo sta ostruendo il percorso. Nel caso in cui la richiesta sia di ripianificare la traiettoria, il sistema automatico sfrutta un pianificatore di traiettoria, nello specifico RRT* Motion Primitives, il quale campiona lo spazio continuo ridefinendolo come una griglia e crea un albero di traiettorie sfruttando un database di primitive di moto calcolate offline. Una euristica ammissibile, basata sulla distanza dalla regione di goal, viene poi introdotta all'interno del pianificatore per migliorarne la convergenza, mantenendo l’ottimalità dell'algoritmo di pianificazione. Il contributo finale riguarda la definizione di una funzione di reward che incorpora informazioni sul percorso globale e sulla struttura ad albero creata online dal pianificatore, limitando le traiettorie disponibili ad un sottoinsieme che aderisce al naturale comportamento umano, con comprovati miglioramenti nella qualità dei risultati. In conclusione, viene presentato un esempio di guida che potrebbe essere richiesto dal conducente durante normali condizioni operative, dimostrando l’efficacia dell'algoritmo proposto, in grado di far fronte a qualsiasi situazione che impedisca al veicolo di procedere lungo il suo percorso globale predefinito.