Plánování dráhy pro autonomní pozemní vozidlo Car4

Abstract

Tato diplomová práce se zabývá návrhem a implementací systému autonomního řízení pro vozidlo Car4. V teoretické části jsou rozebrány klíčové algoritmy využívané v oblasti autonomního pohybu, jako například SLAM, MCL či Inverzní Ackermanova kinematika. Praktická část je zaměřena na realizaci systému umožňujícího autonomní pohyb vozidla v předem zmapovaném prostředí. Součástí řešení je vytvoření mapy prostředí a lokalizačního systému. Dále je implementován globální plánovač trasy, vytvářející trasu z aktuální polohy vozidla ke zvolenému cíli. Zvláštní pozornost byla věnována návrhu a porovnání tří různých lokálních plánovačů, reagujících na aktuální situaci v okolí vozidla a zajišťující jeho bezpečný pohyb k cíli. Nejlepší výsledky vykazoval lokální plánovač založený na upravené metodě Disparity Extender, který umožnil plynulou jízdu s minimem zbytečných manévrů. Plánovač vycházející z metody PFM dosáhl sice spolehlivé navigace, ale generoval méně efektivní trajektorie s nadměrným počtem manévrů. Třetí plánovač, využívající neuronovou síť trénovanou metodou imitation learningu, selhával v komplexnějších scénářích a byl úspěšný pouze v jednoduchých prostředích bez výskytu překážek.

This thesis focuses on the design and implementation of an autonomous driving system for the Car4 vehicle. The theoretical part reviews key algorithms commonly used in autonomous navigation, such as SLAM, MCL, or Inverse Ackermann Kinematics. The practical part is dedicated to developing a system that enables autonomous movement of the vehicle within a pre-mapped environment. The solution includes the creation of a map of the environment and a localization system. A global path planner is also implemented to generate a route from the vehicle's current position to a selected destination. Special attention is given to the design and comparison of three different local planners, which respond to the vehicle’s immediate surroundings and ensure safe navigation toward the goal. The best performance was achieved by the local planner based on a modified Disparity Extender method, which enabled smooth driving with minimal unnecessary maneuvers. The planner based on the PFM method also provided reliable navigation, but produced less efficient trajectories with an excessive number of maneuvers. The third planner, utilizing a neural network trained through imitation learning, failed in more complex scenarios and was only successful in simple, obstacle-free environments.