Ce module présente la richesse et les défis du problème de la planification de mouvement pour la conduite autonome, en démontrant un exemple de travail qui sera développé tout au long de ce cours. L'accent sera mis sur la définition des principaux scénarios rencontrés dans la conduite, les types de fonctions de perte et les contraintes qui affectent la planification, ainsi qu'une décomposition commune du problème de planification en sous-problèmes de planification du comportement et de la trajectoire. Ce module introduit une formulation générique et hiérarchique d'optimisation de la planification de mouvement qui est développée et mise en œuvre dans les modules suivants

La grille d'occupation est une discrétisation de l'espace en cellules de taille fixe, dont chacune contient une probabilité d'occupation. Il s'agit d'une structure de données de base utilisée dans toute la robotique et d'une alternative au stockage de nuages de points complets. Ce module présente la grille d'occupation et passe en revue les exigences en matière d'espace et de calcul de la structure de données. Dans de nombreux cas, une grille d'occupation 2D est suffisante ; les apprenants examineront les moyens de compresser et de filtrer efficacement les scans LIDAR 3D pour former des cartes 2D

Ce module développe les concepts de la recherche du plus court chemin sur les graphes afin de trouver une séquence de segments de route dans une carte routière qui permettra à un véhicule de naviguer d'un emplacement actuel à une destination. Le module couvre la définition d'un graphe routier avec des segments de route, des intersections et des temps de parcours, et présente la recherche de Dijkstra et de A* pour l'identification du chemin le plus court à travers le réseau routier.

Ce module introduit les obstacles dynamiques dans le problème de la planification du comportement et présente aux apprenants les outils permettant d'évaluer le temps de collision des véhicules et des piétons dans l'environnement.

Ce module développe un système de planification du comportement basé sur des règles de base, qui prend des décisions de haut niveau sur les comportements de conduite tels que les changements de voie, le dépassement de voitures garées et la progression dans les intersections. Le module définit un ensemble cohérent de règles qui sont évaluées pour sélectionner les comportements préférés du véhicule qui limitent l'ensemble des trajectoires possibles et des profils de vitesse à explorer dans la planification de niveau inférieur.

Un planificateur réactif utilise les informations locales disponibles dans l'empreinte d'un capteur et un objectif global défini dans un cadre de coordonnées cartographiques pour identifier une trajectoire localement réalisable à suivre, sans collision et qui progresse vers un objectif. Dans ce module, les apprenants développeront un planificateur de déploiement de trajectoire et de fenêtre dynamique, qui permet de trouver un chemin dans des environnements 2D statiques arbitraires. Les limites de l'approche pour une véritable conduite autonome seront également discutées

Les courbes paramétrées sont largement utilisées pour définir des trajectoires dans l'environnement pour la conduite autonome. Ce module présente l'optimisation des trajectoires en courbe continue comme un problème de valeur limite en deux points qui minimise l'écart par rapport à une trajectoire souhaitée tout en satisfaisant les contraintes de courbure.