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。     

面向铲装作业场景的自动驾驶矿车路径规划方法研究

针对铲装作业场景复杂多变、矿车路径规划实时性及安全性要求高的特点，提出一种基于引导式变步长混合A*算法的路径规划方法。通过建立维诺图获取矿区路网并提取关键点作为方向引导，提升探索效率的同时避免车辆在U形障碍物处陷入局部最优；引入自适应变步长算法并改进启发函数，进一步提高规划效率及路径安全性；通过矿区实车场景试验验证算法有效性。试验结果表明，本路径规划方法满足矿车复杂场景要求，规划时间相比原引导式算法降低68%，路径到障碍物平均距离增加了11%，路径曲率变动次数减少45%，显著提高了计算效率与路径质量。     

基于改进RRT*算法的自动驾驶车辆路径规划研究

针对自动驾驶车辆,文章在交叉路口环境下提出了一种改进的快速搜索随机树(RRT*)路径规划算法。首先,对自动驾驶车辆的驾驶行为环境予以描述;其次,针对原始RRT*算法提出改进的目标偏向策略予以改善;进一步,对原始RRT*算法在交叉路口无效采样的问题,提出一种概率采样策略。基于Matlab/Simulink联合仿真平台构建相应环境使进行车辆直行驾驶,所规划路径长度为100.35m,仿真时长为5.71s。     

一种基于并发奖赏蚁群系统的A*算法

为优化出行者在动态路径诱导系统中进行路径选择,提出一种基于并发奖赏蚁群系统的A*算法,利用A*算法的成熟性和蚁群算法的动态性,用蚁群算法对A*算法估价函数f(x)=g(x)+h(x)中的h(x)进行研究,考虑了交通路况中的各种动态因素,使A*算法具有动态性;为了提高算法的效率,基于在最优路径附近往往存在更优路径这一原理...     

基于改进A*算法的智能车路径规划研究

针对智能车使用A*路径规划算法存在转折点和冗余点的问题,提出一种考虑智能车静态特性的改进A*路径规划算法。在已知静态环境信息的栅格地图上,考虑到智能车自身存在实际宽度,对障碍物进行膨胀扩展;其次根据路径上前后节点相对方向的改变提取必要的转折点,并依次连结前后转折点,若转折点连线不经过障碍物,删除连结转折点之间冗余的转折点;重复上述操作,直至所有冗余点被删除,保留关键转折点。仿真结果表明,该方法可以实现车辆安全无碰撞地到达目标终点。     

考虑用户紧急程度的在途路径诱导策略研究

为了提高突发交通拥堵情境下在途路径诱导效率,从用户体验层面出发,对诱导方案设计进行深入研究。提高用户体验有利于提高用户对诱导系统的服从率,从而提高诱导效率。道路拥堵状况是影响用户体验的重要因素,考虑到具有不同紧急程度的用户对拥堵感知存在差异,以感知拥堵作为路径诱导中路径分配的限制因素。首先构建衡量用户紧急程度的紧急函数,在此基础上设计行驶时间感知效用算法,然后将其作为干预项加入到随机均衡备选路线分配模型中,突发交通拥堵出现时,系统根据构建的备选路线分配模型递归地为突发事件L距离内的用户指派行驶路线。同时考虑到突发拥堵下交通状态具有较强的波动性,采用时变路网下的改进A~*算法计算路径分配方案的最短路径,其中,将预测的路段平均速度与历史平均回归模型结合计算行程时间,并将其作为A~*算法估价函数中的评估函数,从而实现考虑时间依赖性的实时最短路径寻优。最后,以秦皇岛海港区部分路网区域为例,利用微观仿真软件SUMO分别从诱导服从率、诱导效率、诱导时效性3方面对在途诱导方案的有效性进行仿真验证,并与现有的典型路径诱导方案进行对比分析,结果表明所提出的在途路径诱导策略可以改善突发拥堵下的交通状况。     

基于电子海图矢量数据建模的无人船路径规划

栅格地图在自主船路径规划领域应用广泛.为解决栅格地图在表示多种类型障碍物共存的复杂环境时所存在精度不高及路径可靠性不足的问题,提出一种基于电子海图矢量数据——点、线、面要素建立精确环境势场的方法,可用于描述不同类型障碍物及狭窄水域.在此基础上,改进了基于静态环境势场及动态环境引力和斥力的混合路径规划算法,并结合M ariner典型船型及比例微分控制,进行了多船多障碍动态环境和狭窄水域静态环境的仿真测试.试验结果表明,该算法实现了《国际海上避碰规则》约束下的船舶实时自主避碰,并兼顾多种形状和类型的障碍物.建模方法简单实用,具有与电子海图显示与信息系统相结合的潜力.      

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.      

基于多影响因素RDMA*算法的无人驾驶动态路径规划

无人驾驶汽车的路径规划面临着复杂多变的交通环境,为了更全面的评价路径选择指标以规划更合理的路径,以及更好的解决路段环境动态变化对规划结果造成的影响,研究了一种考虑多影响因素的动态路径规划算法——RDMA*(Real-time Dynamics of Multiple influencing factors AStar)算法.以A*(AStar)算法为核心,通过加入多影响因素的交通评价因子对其代价函数进行改进,综合考虑距离,交通拥堵程度,道路平整度和其他影响因素,应用层次分析法确定各影响因素的相对权重,以综合代价值为评价指标进行路径规划.通过GPS,雷达和摄像头等设备,利用融合感知技术获取相关道路环境信息,根据获取的全局和局部交通环境数据信息,利用实时动态更新策略解决动态环境下的路径规划问题,实时规划最优路径.通过对实际案例进行模拟,结果表明,应用RDMA*方法规划的路径相比基础A*方法规划的路径出行总体耗时减少了15.75%.并且在遇到特殊事件的状况下,通过RDMA*动态规划可为无人驾驶车辆即时提供一条综合代价值最小,耗时最少的可行路径,与改进的A*动态路径规划方法相比减少了10.63%的二次规划综合代价值的损耗,提高了7.83%的时间效率.该方法能更好的适应复杂的道路和交通系统,即时应对动态变化的交通状况,具备更强的实用性.      

引入必经点约束的智能汽车全局路径规划EI北大核心CSCD

目前对于智能车全局路径规划的研究多数只针对从起点到终点的情况。针对该问题,本文中融合改进A*和模拟退火算法,设计了一种引入必经点约束的全局路径规划算法。首先,基于A*算法计算关键节点间的最短路径并保存。然后,基于启发式算法中的模拟退火算法对过必经节点的全局路径进行迭代随机优化。接着,基于真实高精度地图对算法的有效性以及时间复杂度进行实验分析。结果表明,设计的算法在求解质量和求解速度方面都有较好的表现。最后,通过实车实验,进一步验证了算法的有效性和适应性。     

考虑信号交叉口延时的最优车辆路径规划算法

本文中提出了一种考虑信号交叉口等待时间的车辆最优路径规划算法。通过GPS采集的浮动车数据与电子地图进行匹配,实时计算出各路段的车辆平均行驶速度和通行时间。基于马尔科夫链构建信号交叉口红绿灯的概率模型,通过车路协同技术预先获取各路段交叉口信号灯的位置和相位配时信息,并在车辆接近交叉口时对车辆速度进行优化,将车辆加速通过交叉口视为绿灯时间的延长,并以此构建车辆快速通过交叉口的等待时间模型。在此基础上,结合A*算法,提出一种考虑快速通过信号交叉口的改进A*算法。最后选取长沙市区某路网为算例进行仿真分析,结果表明改进A*算法所得路径的通行时间明显短于传统A*算法。     

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.     

基于改进人工势场的自动驾驶汽车弯道超车动态路径规划

动态路径规划是自动驾驶汽车避障控制的关键技术。针对自动驾驶汽车弯道超车工况，建立基于改进人工势场(Artificial Potential Field, APF)的动态路径规划方法。为使基于APF的动态路径规划方法能运用于包含弯曲道路的复杂交通环境，将已在直道环境验证过的道路APF函数通过极坐标系与笛卡尔坐标系的相互转换，建立考虑道路曲率的弯曲道路APF函数。针对根据车辆质心位置判断车辆碰撞风险方法存在的缺陷，提出考虑车辆体积的碰撞风险预判方法，建立综合考虑车辆位置、速度和体积的障碍车辆APF函数。基于弯曲道路APF和改进障碍车辆APF，建立道路环境综合APF，引导车辆实现弯道超车。为避免目标函数中子目标相互干涉，提高弯道超车安全性，提出根据本车与障碍车辆相对位置关系自适应调整权重矩阵的方法。基于Carsim/Simulink联合仿真平台，分别在静态障碍车辆和动态障碍车辆2种工况下，验证自动驾驶汽车弯道超车动态路径规划的有效性。研究结果表明：所建立的弯曲道路APF能引导车辆转弯行驶，避免冲出车道；目标函数权重自适应调整方法能根据超车过程动态调整子目标的权重，规划出符合道路交通安全法规的路径，避免车辆超车时提前折返原车道，提高了超车安全性；考虑车辆体积的障碍车辆APF提高了车辆碰撞风险的预判精度，有效避免碰撞事故发生。     

基于双延迟深度确定性策略梯度的船舶自主避碰方法

为满足智能船舶自主航行的发展需求,解决基于强化学习的船舶避碰决策方法存在的学习效率低、泛化能力弱以及复杂会遇场景下鲁棒性差等问题,针对船舶避碰决策信息的高维性和动作的连续性等特点,考虑决策的合理性和实时性,研究了基于双延迟深度确定性策略梯度（TD3）的船舶自主避碰方法。根据船舶间相对运动信息与碰撞危险信息,从全局角度构建具有连续多时刻目标船信息的状态空间;依据船舶操纵性设计连续决策动作空间;综合考虑目标导向、航向保持、碰撞危险、《1972年国际海上避碰规则》（COLREGs）和良好船艺等因素,设计船舶运动的奖励函数;基于TD3算法,根据状态空间结构,结合长短期记忆（LSTM）网络和一维卷积网络,利用Actor-Critic结构设计船舶自主避碰网络模型,利用双价值网络学习、目标策略平滑以及策略网络延迟更新等方式稳定网络训练,利用跳帧以及批量大小和迭代更新次数动态增大等方式加速网络训练;为解决模型泛化能力弱的问题,提出基于TD3的船舶随机会遇场景训练流程,实现自主避碰模型应用的多场景迁移。运用训练得到的船舶自主避碰模型进行仿真验证,并与改进人工势场（APF）算法进行比较,结果表明:所提方法学习效率高,收敛快速平稳;训练得到的自主避碰模型在2船和多船会遇场景下均能使船舶在安全距离上驶过,并且在复杂会遇场景中比改进APF算法避碰成功率高,避让2~4艘目标船时成功率高达99.233%,5~7艘目标船时成功率97.600%,8~10艘目标船时成功率94.166%;所提方法能有效应对来船的不协调行动,避碰实时性高,决策安全合理,航向变化快速平稳、震荡少、避碰路径光滑,比改进APF方法性能更强。      

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。     

基于SMPA的半挂车自动泊车运动规划方法研究

半挂车辆的非稳定运动学特性为其泊车过程中自主运动规划带来严峻挑战。针对半挂车在多障碍物的静态场景中泊车运动规划算法效率低、结果平滑性差等问题,本文提出了序列式运动规划方法（sequential motion planning algorithm, SMPA）。首先,提出了基于二次规划策略和改进双向快速扩展随机树（bidirectional rapidly-exploring random tree algorithm,Bi-RRT）的初始路径生成方法。然后,结合车辆非完整微分约束下的路径节点可行性判别方法研究,提出基于概率的目标偏向采样策略,提高了采样效率。最后,构建了面向车辆系统控制变量连续性的非线性最优化控制模型,解决泊车换向点的对接问题,提高了泊车轨迹平滑性。仿真结果表明,该方法在多障碍物场景中,规划时间相比Hybrid A~*和Bi-RRT分别降低了86.71%和21.44%,轨迹质量也更具优越性。     

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。     

考虑信号灯和能耗的电动车最优路径规划

为使电动汽车在行驶中达到最优能耗,以车辆行驶能耗最少为目标,提出了一种考虑交叉口信号灯和能耗的电动车最优路径规划算法。根据电动车运行时能耗和制动能量回收等因素,建立能耗模型。基于车路协同技术预先获取各路段交叉口信号灯的位置和配时信息,以此建立车辆通过信号交叉口的节能驾驶模型。基于信号灯的转换概率和电动车的能耗模型,将通过信号交叉口的交通流近似分为4个阶段:绿灯匀速通行、红灯前匀加速、红灯匀减速和红灯停车等待。结合红绿灯的转换概率和4个阶段的通行能耗,最后提出一种改进的A~*算法,来寻找可行的能耗最小的路径,并进行了算例验证。结果表明,提出的方法可找到起点到终点的能耗最优路径,节能约达13%。     

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.