Hierarchical trajectory planning methods for autonomous racing drivers

Head-to-head autonomous vehicle racing is quickly becoming a fundamental proving ground to test autonomous driving technologies at the limits of their capabilities. From control to state estimation, passing through perception, and trajectory planning, all the aspects of the driving algorithms are stressed in a challenging and competitive environment. In this context, several autonomous racing competitions, such as Formula Driverless, Roborace, and the Indy Autonomous Challenge, are becoming more and more popular, hence further pushing the research and development of this kind of technology. In this dissertation, we focus on the development, analysis, and validation of trajectory planning algorithms for autonomous racing both on oval and road-course racetracks. We propose a hierarchical architecture, where the trajectory planning task is divided into three core steps: global planning, local planning, and trajectory segment generation. We frame each planning layer into state-of-the-art approaches, such as spatiotemporal graph-based planning, optimal control problems, or polynomial trajectory segment generation. In particular, we first propose a novel global planning approach that aims at optimizing the ego driver's overtaking possibilities. By making use of a track-based occupancy grid framework, we will show how to learn the nominal path followed by the opponent; then, we use this information to plan a globally optimal plan through a graph-based search of possible overtaking paths along the track. The global plan must be then integrated with higher-rate local decisions. To this aim, we develop an overtaking-oriented local planning algorithm, which takes into account accurate opponent predictions to plan collision-free maneuvers in a spatiotemporal graph framework. The graph generation takes into consideration important aspects to guarantee competitiveness on the racetrack, such as traveling time minimization and tire-road friction saturation. Concerning trajectory segment generation, we propose and analyze two different methods: a simpler polynomial-based path planning algorithm, focused on fast and reliable generation of smooth merging segments. Then, we propose a more complex Optimal Control Problem, which takes into account several elements, like positional constraints on the target path, together with curvature minimization objectives. Finally, we focus on the problem of computing optimal speed profiles for the generated segments, considering the three-dimensional features of the racetrack and other relevant vehicle dynamics aspects. Finally, this work also includes a more general overview of the other core modules of the overall autonomous racing algorithm; we will provide some insight into the main challenges posed by the racing context to popular problems such as vehicle state estimation, trajectory tracking, and environment perception. All these aspects were first analyzed in simulation and then validated on a full-scale autonomous race car in single and multi-vehicle race scenarios, within the context of the Indy Autonomous Challenge competition.

Le corse tra veicoli autonomi stanno rapidamente diventando un terreno fertile per testare le tecnologie di guida autonoma ai limiti delle loro capacità. Dal controllo alla stima, passando per la percezione dell'ambiente e la pianificazione della traiettoria, tutti gli aspetti degli algoritmi di guida vengono messi alla prova in un ambiente impegnativo e competitivo. In questo contesto, diverse competizioni di guida autonoma, come la Formula Driverless, Roborace e l'Indy Autonomous Challenge, stanno diventando sempre più popolari, spingendo ulteriormente la ricerca e lo sviluppo di questo tipo di tecnologia. In questa tesi di dottorato ci concentriamo sullo sviluppo, l'analisi e la validazione degli algoritmi di pianificazione della traiettoria per gare di veicoli autonomi su piste ovali e su circuiti stradali. Proponiamo un'architettura gerarchica, in cui il compito di pianificazione della traiettoria è suddiviso in tre fasi principali: pianificazione globale, pianificazione locale e generazione del segmento di traiettoria. Ogni livello di pianificazione è inquadrato rispetto ad approcci popolari in letteratura, come la pianificazione basata su grafi spaziotemporali, i problemi di controllo ottimo o la generazione di segmenti di traiettoria polinomiali. In particolare, proponiamo innanzitutto un nuovo approccio di pianificazione globale che mira a ottimizzare le possibilità di sorpasso del pilota autonomo. Mostreremo come apprendere il percorso nominale seguito dall'avversario, impiegando un approccio basato su griglie di occupazione; quindi, queste informazioni verranno utilizzate per pianificare un piano globalmente ottimo attraverso una ricerca basata su un grafo dei possibili percorsi di sorpasso lungo la pista. Il piano globale deve poi essere integrato con decisioni locali a una frequenza più elevata. A questo scopo, abbiamo sviluppato un algoritmo di pianificazione locale orientato al sorpasso, che tiene conto di previsioni accurate del comportamento dell’avversario per pianificare manovre prive di collisioni. L’approccio impiega un grafo spazio-temporale, la cui generazione tiene in considerazione aspetti importanti per garantire la competitività in pista, come la minimizzazione del tempo di percorrenza e la saturazione dell’attrito tra pneumatico e strada. Per quanto riguarda la generazione del segmento di traiettoria, proponiamo e analizziamo due metodi diversi: un primo algoritmo più semplice, basato su polinomi e focalizzato sulla generazione rapida e affidabile di segmenti di cambio corsia privi di discontinuità di ogni genere. Successivamente, proponiamo un problema di controllo ottimo più complesso, che tiene conto di diversi elementi, come vincoli di posizione relativi alla pista, insieme a obiettivi di minimizzazione della curvatura. Infine, ci concentriamo sul problema del calcolo di profili di velocità ottimali per i segmenti generati, considerando le caratteristiche tridimensionali della pista e altri aspetti rilevanti della dinamica del veicolo. Infine, questo lavoro include anche una panoramica più generale degli altri moduli principali dell'algoritmo di guida autonoma; forniremo alcuni dettagli sulle principali sfide poste dal contesto di gara a problemi comuni come la stima dello stato del veicolo, l’inseguimento della traiettoria e la percezione dell'ambiente. Tutti questi aspetti sono stati prima analizzati in simulazione e poi validati su un'auto da corsa autonoma in scenari di gara singola e multi-veicolo, all'interno del contesto della competizione Indy Autonomous Challenge.