基于LiDAR场景建模的智能车路径规划

针对智能车路径规划问题,研究了基于激光雷达(LiDAR)数据的智能车驾驶场景建模方法,采集待建模场景的三维激光雷达点云数据,通过点云分割处理,去除车辆行驶道路上的点云,然后将三维点云进行俯视投影,实现二维栅格地图建模;从搜索邻域和搜索方向2个方面对传统A*算法进行改进:根据当前节点附近障碍物的分布情况,自适应地选择4邻域或8邻域搜索策略,在此基础上研究了一种自适应搜索方向A*算法,所提出的算法将搜索方向缩小至3个,根据路径规划终点相对起点的方向,确定算法的搜索方向.仿真实验表明,相较于传统A*算法(4邻域搜索),所提出的算法在规划的路径长度方面降低了约15.5%,在计算时间上降低约38.2%;对比传统A*算法(8邻域搜索),所提出的算法在计算时间上降低约47.2%,在规划路径长度和计算时间上,所提出的算法明显优于传统算法.      

基于安全场改进RRT*算法的智能汽车路径规划方法

快速搜索随机树(rapidly-exploring random tree, RRT)算法是智能汽车路径规划的常用方法,但传统RRT和RRT~*算法存在路径抖动大、易陷入局部区域和计算效率低等缺点。针对这些问题,本文中结合实车数据提出了一种基于安全场改进RRT~*算法的智能汽车路径规划方法。首先,建立了基于安全距离模型的安全场,通过驾驶数据采集试验对模型关键参数进行了提取;在此基础上,提出了具备安全场引导和角度约束等策略的改进RRT~*算法;最后,通过仿真对算法进行了验证。结果表明,本文提出的路径规划方法能计算出满足车辆轨迹曲率约束的有效路径,同时具有较快的搜索速度和更高的成功率。     

基于改进型蚁群算法的车辆导航路径规划研究

在分析车辆路径规划问题(VLD)特点的基础上,提出了VLD的数学模型以及适用于求解VLD的蚁群算法。详细分析了蚁群算法的参数对算法收敛速度和计算结果精确度的影响,提出了一种能够提高算法的收敛速度和全局搜索能力的参数自适应调整的策略,并对原有基本蚁群算法进行了改进。随后进行了仿真试验,根据所得仿真结果将改进蚁群算法与基本蚁群算法从全局收敛能力、计算稳定性以及计算速度等方面进行了全面比较,结论表明改进蚁群算法各方面均优于基本蚁群算法,证明了改进算法的可行性及有效性。     

基于路网分层的协同诱导路径搜索算法

针对交通诱导中的分布式诱导和中心式诱导各自的不足,提出了基于路网分层的协同式诱导算法。首先,根据出行偏好,对路网进行了分层,并对不同形式的路径进行了分析。然后,通过对子区域中路径搜索进行动态搜索限定,提出了基于改进A*的跨层节点确定方法,在此基础上建立了基于改进的跨层路径搜索算法。最后,构建了协同式诱导算法模型,此模型运用中心式诱导完成主干道路网层交通流的诱导,而分布式诱导完成子区域小范围次要路网上的车辆的路径搜索,并对协同搜索算法进行了仿真验证。结果表明:该算法模型相比单一诱导模型计算性能好,平均搜索的效率提高了17.5倍。     

实用最短路径算法研究

本文基于数据结构中堆栈“后进先出”的原理提出了一种新的最短路径算法－ｓｔａｃｋ算法。这种算法内存省，计算效率高，运行时间短，能很好地适应大型运输网络的最适中计算。     

基于改进A*算法的高速公路互联网地图最短路径搜索研究

为解决高速公路互联网地图中最短路径的搜索问题,根据高速公路互联网地图的特点,对传统A*算法中的网络节点、数据库、启发式函数进行了改进,并通过重庆市高速公路互联网地图实例对改进A*算法进行了应用验证。结果表明,采用改进A*算法可找到高速公路互联网地图中的最短路径,且最短路径的搜索时间控制在毫秒级,能够满足大区域高速公路互联网地图最短路径的搜索要求。     

一种改进的路网最短路径算法

在路网模型中节点数和边数较多的情况下,利用Dijkstra算法求解最短路径的计算量较大,时间花费多.文中提出通过判断语句避免Dijkstra算法计算中值为∞的无用计算,从而提高搜索效率.应用结果表明,对于节点数量较大的路网,该改进算法具有较好的适用性.     

城市道路网最短路径启发算法研究

从城市道路网络的实际特点出发,对城市电子地图的道路网进行网络分析,将最佳路径搜索问题转化为图论中的最短路径搜索问题,通过对最短路径搜索算法的分析,提出了一种求解城市道路网两点间最短路径的算法。该算法主要对Dijkistra算法的搜索方法进行改进,根据两点间直线距离最短这一原理,运用待扩展节点与终止节点间的直线距离这一启发信息,使搜索沿着某个最有希望的路径进行下去,大大减少了搜索范围,提高了路径搜索的速度,具有重要的实践意义。     

基于可视图和A~＊算法的连续模型路径搜索

针对交通枢纽仿真领域中行人最短路径搜索环境建模难的问题,提出一种基于可视图的连续拓扑模型最短路径搜索策略,通过在连续模型下建立可视图并使用A*算法搜索出一条适合行人通行的最短路径,将改进的可视图算法和A*算法结合,降低连续模型中自动选择路径复杂度和扩展结点数目.将该算法应用于城市综合客运枢纽功能与结构数值实验系统对行人对象进行路径搜索导航,实验结果证明此算法可行且具有更高的效率和通用性.     

基于改进Dijstra 法的路径优化仿真研究

在分析传统Dijkstra算法的基础上,针对该算法在路径优化中存在的不足,主要采用邻接表与循环链表相结合的方式存储数据,同时通过改进的快速排序算法对权值进行排序,实现了对邻接节点的快速搜索,得到了一种改进的Dijkstra算法.将其应用于最优路径的搜索,通过实例对该算法进行仿真分析,验证了算法的有效性.     

改进RRT算法在复杂环境下智能车路径规划中的应用

采用快速搜索随机树（RRT）算法进行路径规划时，在存在大量随机障碍物的复杂环境下，规划出的路径曲折且算法无法快速收敛，不能满足智能车路径规划的要求。为了实现智能车路径规划，提出一种基于RRT的运动规划算法——同心圆RRT算法。该算法在RRT算法的基础上结合智能车行驶时自身运动学约束，引入同心圆采样策略和邻近点选择方法。同心圆采样策略以目标点为同心圆的圆心，利用同心圆系数m控制同心圆的疏密程度，在同心圆上生成随机点以便确定下一路径点。邻近点选择方法考虑车辆运动学约束及目标点距离因素，在满足车辆运动学约束的前提下，计算邻近系数，将最小邻近系数对应的随机树节点作为邻近点；针对得到的规划路径，进一步提出基于车辆运动学约束下的路径简化方法，对得到的路径进行简化并使用3次B样条曲线对路径平滑处理，生成一条平滑且可执行的路径。研究结果表明：m=0.5~1.5时，提出的算法规划出路径所需时间最少；车辆姿态与下一路径点的夹角约束值越大，规划出路径所需时间越少，在夹角为35°时趋于稳定；在相同的环境中，提出的算法所规划的路径质量相比于RRT算法、目标偏向RRT算法及改进RRT^*算法有显著提高，规划出路径所需时间及路径长度相比于RRT算法分别降低了43.1%和18.7%，相比于目标偏向RRT算法分别降低了7.3%和15.5%，相比于改进RRT^*算法分别降低了29.6%和7%；智能小车的实车测试试验验证了该算法的有效性和实用性。     

汽车驾驶智能化中路线规划及导航的最佳路径求解法

从人工智能原理出发，利用状态空间搜索的图搜索方式，采用Ａ及Ａ＾＊算法，推导汽车导航中最佳路径的计算方法。以树型方式建立地图知识库，将各种交通因素体现于耗散值及估价函数中，从而实现汽车路线规划及导航的智能化。     

城市交通网络中的最优路径搜索的树修剪算法

针对城市交通网络的复杂性，构建了一个最优路径计算模型，在此模型基础上提出了最优路径搜索的树修剪算法。并根据实际测得的交通数据．验证了该算法。     

车辆导航系统基于GIS的动态K最短路递推解法

在对车辆导航系统的路径引导信息进行供需分析的基础上，提炼出了对系统设计具有重要意义的动态K最短路问题，建立了路段动态行程时间计算模型，提出了将其融入最短路算法中并结合GIS技术的动态最短路改进A^*算法，并设计了通过替换动态最短路的部分路段以搜索动态K最短路的合理前趋替换算法。     

改进节约蚁群算法求解物流配送车辆路径问题

针对节约蚁群算法在求解车辆路径问题易陷入局部极值的不足,提出一种基于连接表扰动策略和吸引力因子局部搜索的改进节约蚁群算法.该算法在陷入局部最优后,引入连接表扰动策略以帮助算法跳出局部最优,该策略在每只蚂蚁进行解构建之前,随机禁忌若干条吸引力因子较大的边以增加算法的勘探能力;同时采用吸引力因子局部搜索优化每只蚂蚁的解,该局部搜索利用吸引力因子引导局部搜索.实验结果表明,改进节约蚁群算法求解车辆路径问题时优于原有节约蚁群算法以及多种已有算法.      

联网高速公路有效路径伸展系数的标定

采用启发式搜索算法标定联网高速公路路径伸展系数的值,确定高速公路路网有效多路径搜索范围,利用改进的标号法算法搜索给定路网上任两站点之间的有效多路径。提出联网高速公路多路径交通量计算模型和各路段流量偏差计算模型,分别按最短路法和实际行驶路径（调查取得）在有效多路径集合上进行流量加载,得到有效多路径上交通流漂移量。利用上述模型,对山东省高速公路车辆行驶路径调查数据进行统计分析,标定得出山东省高速公路网路径伸展系数为0．3,出行有效多路径交通量占所有路径总交通量的比例为6.1‰。     

基于A＊算法的AGV路径规划研究

基于经典A＊算法的原理,提出一种能充分运用已有搜索信息实现自动导引小车（AGV）局部避开障碍物的改进A＊方法,使AGV在环境信息未知的情况下能快速进行路径规划;使用MATLAB软件对经典A＊算法、二次规划、改进的A＊算法在AGV路径规划中的运用进行仿真和比较,证明了改进A＊算法的优势.     

基于DBSCAN与二分法的混合A*路径规划方法EI北大核心CSCD

在多障碍物非结构化场景中,传统混合A*算法存在计算效率低、路径平滑性差的问题。针对该问题,本文提出了一种基于密度聚类算法(density-based clustering,简称DBSCAN)与二分法的混合A*路径规划方法。首先,设计基于DBSCAN算法的障碍物聚类方法,简化多障碍物非结构化场景,避免混合A*算法在类U形障碍物群附近的无效节点拓展,有效提高算法效率。然后,提出基于二分法的状态节点拓展策略,能够在不显著增加混合A*算法计算复杂度的前提下,搜索出一条更平滑的路径。最后,基于MATLAB进行仿真。结果表明,在多障碍物非结构化场景中,本文提出的改进混合A*算法可以显著提升计算效率并改善路径平滑性。     

有时间窗约束的车辆路径问题的改进遗传算法

针对有时问窗约束的车辆路径问题，在标准遗传算法的基础上，将分组信息与每一个染色体结合，并辅之以λ-交换局部搜索技术，构造了一种改进遗传算法。该算法使得求解结果更接近最优解。实验表明，本算法是有效的。     

欠驱动船舶自主避碰的算法设计

为解决传统A~*算法在船舶路径规划中存在的路径不平滑及大范围地图下搜索效率不高等问题,根据能量守恒定律对A~*算法中的评价函数进行重新定义,提出改进A~*算法;同时引入人工势场法(artificial potential field, APF),并对APF中的斥力场系数进行修正;结合2种改进方法,考虑欠驱动船舶的运动特性,设计出一种混合算法。通过MATLAB进行仿真对比,发现所提出的混合算法规划路径更优、效率更高。