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。     

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.      

无人驾驶汽车局部路径规划算法研究

无人驾驶汽车局部路径规划算法应确保避障的安全性、实时性和路径的平滑性等。本文提出了一种基于离散优化的局部路径规划算法,即采用代价函数分别评估离散生成的候选路径的安全性、平滑性等,再根据各代价函数加权计算获得局部最佳路径。针对障碍物移动随机性,设计了一种基于运动估计结合高斯卷积的移动障碍安全性代价函数;考虑候选路径曲率的变化及其连续性,设计了路径平滑性代价函数。使用了一种新的坐标转换计算方法将路径从s-ρ坐标系转换到大地笛卡尔坐标系,提高了实时性。最后,利用PreScan和Matlab软件进行联合仿真,并在"远飞"无人车实验平台上进行了真实道路场景的实车实验。实验结果表明:提出的路径规划算法不仅能使无人车安全、合理地规避静止和移动障碍,且完全满足局部路径规划算法对实时性的要求。     

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。     

基于改进DBSCAN算法的激光雷达目标物检测方法

传统的DBSCAN聚类算法是基于密度的聚类算法,原始算法在搜索精度和搜索效率上存在一定的局限性。基于LUX4线激光雷达数据点的点云特点,结合DBSCAN算法存在的不足与路面目标物的实际情况,提出了1种基于改进的DBSCAN聚类算法,选取4个代表点取代对所有点的搜索和改进搜索半径使其随扫描的距离而变化的方法,实现激光雷达目标物的快速、准确检测。通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理,根据检测物在激光雷达探测中的形状特征模型进行形状匹配。实验结果表明该改进算法能较好的识别出目标物,行人检测率由原始算法的61.90%提高到了80.95%,搜索时间较原始算法缩短了44.7%,解决了原始算法精度低、搜索慢的缺点。     

利用激光点云的城市无人驾驶路径规划算法

为了解决随机采样算法受感知环境不确定性影响下的弱鲁棒性以及弱可靠性问题，采用一种基于激光空间势场的渐优随机采样算法框架来设计符合无人驾驶需要的规划算法。针对感知环境的不确定性，首先基于势场原理与激光障碍物点云构建一个融入了斥力场的规划空间，解决激光障碍物提取中的过分割等问题。其次，利用规划空间来处理随机采样算法中的采样策略、最优母节点选取策略、修剪策略以及最终路径选择策略。再次，在算法中加入了Anytime策略来提高优化解的利用率，使得算法的计算效率满足无人驾驶实时性的要求。同时，为了保证无人驾驶中规划路径的鲁棒性与可靠性，创建了一个综合5重因素的代价函数来选择最优路径，并根据不同的无人驾驶场景来调整相对应的参数；最后在城市测试道路上进行了实地测试。结果表明：设计的算法框架能够适应最高时速40 km·h^-1的城区驾驶环境，并能完成跟驰、换道、融入以及静动态障碍物的避障决策。在与SST算法的对比试验中，所提出的算法在各个试验中的轨迹、方向盘转角以及速度的平滑性都优于SST算法，其轨迹与障碍物的距离也优于SST算法。     

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。     

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...     

采用64线激光雷达的实时道路障碍物检测与分类算法的研究

针对64线激光雷达数据量大,导致无人自主车的障碍物检测实时性差的问题,提出一种兼顾有效性和实时性的目标检测和分类算法。该算法首先通过多特征多层高度地图分离路面、障碍物和悬挂物;然后采用基于动态距离阈值的网格聚类算法对障碍物进行聚类,并结合相邻两个障碍物的运动状态信息对聚类结果进行修正,提高聚类的准确率;最后使用SVM对障碍物进行检测和分类。实验结果表明:该算法最优识别率达89.77%,耗时约为95 ms,在保证检测和分类准确率的基础上,满足无人自主车在道路行驶时检测障碍物的实时性要求,具有显著的工程实用价值。     

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。     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

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。     

基于RGB-D SLAM的智能车自主避障与路径规划试验研究

针对GPS信号弱、导航数据缺失场景下自主移动车辆难以精准定位的问题,采用即时定位与地图构建(SLAM技术实现未知环境下无人小车地图构建与自主定位功能,采用动态A*算法实现了无人小车的避障与路径规划。分别进行了验证试验和未知环境下局部路径规划及全局路径规划试验,结果表明,提出的方案能有效地控制小车自主规划路径,避开障碍物到达目的地。     

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。     

基于节点承载力的高密度路网诱导路径选择方法

针对高密度路网诱导路径选择问题,基于图论对路网进行结构化选取,构建高密度路网模型。从节点评估的角度出发,提出综合考虑结构属性和交通运行状态属性的节点承载力指标。采用均质性、连通性2个指标评价路网节点结构属性,采用流量裕度、通行效率2个指标评价路网节点交通运行状态属性,提出一种基于TOPSIS算法(Technique for Order Preference by Similarity to Ideal Solution,优劣解距离法)的综合评价方法,实现对节点承载力的综合量化。基于节点承载力,构造路段承载力指标,采用重力模型和交通分配的方法将节点间的承载力分配到节点相连构成的路段上,并用路段实际交通条件修正即得到路段承载力。基于节点承载力和路段承载力,提出高密度路网诱导路径的确定方法。为证明本研究提出的高密度路网诱导路径选择方法的有效性,构建一高密度路网结构模型,同时采用本算法和传统Dijkstra算法规划诱导路径。结果表明:Dijkstra算法规划的路径虽为数学意义上的最优路径,但该路径途经低级节点,且需频繁切换道路进行交通转换,不符合驾驶员行车期望;本研究提出的基于节点承载力的高密度路网诱导路径选择方法得出的路径虽比Dijkstra算法稍长,但路径均由高等级节点和道路组成,这样的规划结果更符合实际交通诱导系统需求,更能体现驾驶人员选路偏好。     

基于代价函数的无人驾驶汽车局部路径规划算法

局部路径规划层作为无人驾驶汽车软件层的重要组成分布，如何有效、安全地到达目的地是当前研究的热点。针对结构化道路信息，充分考虑车道线的约束，在使用Frenet坐标系理论的基础上，提出一种考虑到车道线曲率和障碍物模型信息，得到不同车道上其他道路参与者的位置信息，以便计算其他障碍物模型对本车危险程度，综合算法实时性、轨迹平顺性等要素的最小代价局部路径规划算法。在局部路径规划过程中，沿着参考线（Frenet坐标系下X轴上一段路径）选取多个路径分割点，Frenet坐标系下在每个分割点处沿Y轴进行控制点离散，每个路径分割点处选取1个控制点构成路径控制点集合，使用一元三次方程对每种排列组合路径进行拟合，从而使用代价函数对每种排列组合路径进行评估，代价函数值最小为最优的局部路径。代价函数考虑拟合轨迹到障碍物的危险程度、轨迹平顺性、轨迹到当前参考线（实时在全局路径规划层上根据车速得到一条当前需要跟踪的理想轨迹）的偏离程度、拟合轨迹行驶方向的改变程度、无人驾驶汽车最小转弯半径。研究结果表明：在不同试验场景下，所提出基于代价函数的局部路径规划算法，能规划出一条不与障碍物发生碰撞的最优路径，并能保证无人驾驶汽车行驶轨迹平顺性和路径规划层实时性的要求。     

基于高精地图的物流配送车路径规划与跟踪控制

为了解决园区等场景下无人车多途经点配送问题,提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。考虑配送车往返途经点顺序对行驶路径总长度的影响,基于高精地图采用A*算法计算各配送点间的最优路径,在此基础上,利用动态规划算法求解经过多个配送点的全局最优路径。应用贝塞尔曲线对规划的路径进行平滑,并根据道路曲率设定不同路径处的参考行驶速度,进而生成车道级的可用于跟踪的目标轨迹。利用车辆二自由度模型设计模型预测控制器进行轨迹跟踪,实现低速物流配送车的自主控制。在 CarSim/Prescan/Simulink联合仿真平台和实车平台上对提出的规划控制方法进行了试验。结果表明,相比传统的依据最近配送点策略确定的路径,所提出的方法搜索出的路径长度平均缩短了 6.15%。所设计的轨迹跟踪控制器能确保配送试验车与目标轨迹的横向偏差在 0.25 m 以内,航向角偏差在5°以内。     

基于三维激光雷达的无人车障碍物检测与跟踪

针对真实交通场景中障碍物的检测与跟踪问题,提出了一种基于三维激光雷达HDL-64E的无人车障碍物检测与跟踪方法。首先对三维激光雷达产生且经路面分割后的点云数据栅格化,并进行栅格增补。在障碍物聚类之后,先利用无人车RTK-GPS数据和INS航向角数据进行多帧融合的静态障碍物的检测,再进一步利用动态障碍物模板匹配算法对静态障碍物检测结果形成的可行驶区域进行动态障碍物检测。最后,利用标准卡尔曼滤波器实现对动态障碍物的跟踪。本文方法应用在自主研发的无人车上的大量实验结果表明,本文提出的方法具备较高的可靠度,满足无人车的环境感知要求。     

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.