无人驾驶电动赛车路径跟踪控制研究

针对大学生无人驾驶方程式大赛,采取纯跟踪算法用来跟踪规划好的路径。该算法属于前馈控制,基于几何原理得出前轮转角,用于控制车辆转向,跟踪参考路径。同时分析了全局坐标系和车辆坐标系之间坐标转换的原理。在MATLAB/SIMULINK环境下进行对无人驾驶赛车的路径跟踪仿真。仿真结果表明:该算法能较好地跟踪路径,且能保证一定的赛车行驶稳定性。     

基于预测模型的无人赛车路径规划算法研究

针对无人驾驶电动方程式赛车极限工况下的路径规划问题，提出一种基于预测模型的无人赛车路径规划算法。通过目标函数设计将路径规划问题转化为最优化问题，并将车辆动力学预测模型作为等式约束，依据赛车的稳态行驶特性，构建赛车行驶稳定性组合约束，并综合考虑边界约束，生成满足赛车行驶要求的路径。在不同附着条件下进行了仿真测试，结果表明，在满足实时性要求的前提下，所提出的算法能够有效减小车辆前、后轴侧滑的风险，且在多项指标上优于RRT*算法以及基于三次自然样条曲线的最优二次轨迹规划方法。     

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。     

基于采样的无人车路径规划算法仿真与验证

无人驾驶研究是能够使车辆自主进行安全、平稳、可靠行驶的关键技术,其中生成高效、平滑、舒适的规划路径是研究的重要问题之一。本文基于道路采样的路径规划算法,通过搭建仿真和实车测试环境,对算法进行模拟测试,实验结果表明,该算法能够进行实时路径规划,满足车辆非完整性约束的路径。     

基于MPC的局部路径规划与路径跟踪控制研究

文章主要针对无人驾驶车辆在进行路径跟踪遇到障碍物时,需要局部重新规划出一条可行路径的问题,首先基于车辆点质量模型的MPC局部路径规划算法,得到满足车辆动力学约束并实现避障功能的局部路径,然后在二自由度车辆动力学模型的基础上基于MPC进行路径的跟踪,最后使用Simulink/Carsim进行联合仿真验证,结果表明基于该局部路径规划与路径跟踪算法能够可靠地规划出避开障碍物的局部路径,实现高速下的路径跟踪。     

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。     

基于改进Stanley算法的无人车路径跟踪融合算法研究

针对斯坦利（Stanley）跟踪算法无法更好地同时满足无人驾驶路径跟踪的精确度和平滑性要求的问题，根据车辆的航向角、横向偏差、车速等特性，基于合适的预瞄距离，采用纯跟踪（Pure Pursuit）算法对Stanley算法中车轮转角的计算方式进行改进，提出一种新的融合算法，实时计算车辆在当前车速下合适的车轮转角。仿真结果表明，相比于Stanley算法，所提出的融合算法在不失跟踪精确度的情况下，不同车速下跟踪平滑性均有较大提升。实车试验结果表明，在20 km/h车速下，所提出融合算法的跟踪路径比原Stanley算法的跟踪路径有更好的精确度和平滑性。     

基于Floyd算法的无人驾驶汽车路径规划模型

在各类产业向智能化发展的21世纪中,无人驾驶技术作为IT产业与传统汽车紧密结合的代表,得到了高速发展。无人驾驶汽车的路径规划问题一直是其发展过程中的一个难关。从简化问题的角度出发,可以将无人驾驶汽车的路径规划问题转换为以最短路为目标的单目标优化问题。通过利用Floyd算法,在这个基础上建立出了无人驾驶汽车的路径规划模型。在分析Floyd算法的实现机制后,借助于matlab,将该模型求解,得到了从起始点到达任意路口的最短距离以及相应的行驶路径。最后评价了该模型的优缺点,以及分析了未来无人驾驶汽车将需要改进方向。     

基于改进快速探索随机树的复杂环境垂直泊车路径规划

针对车位狭窄、不规范停车带来的泊车困难问题，提出了一种基于改进快速探索随机树（RRT）的垂直泊车路径规划算法。为加快路径规划速度、提高规划质量，引入逆向树调整RRT目标点，使用高斯分布采样法及偏向性采样法进行融合采样，使用Reeds-Shepp(RS)曲线加快路径规划速度，并基于RS曲线进行了路径平滑优化。最后通过MATLAB仿真并与RRT及基于目标偏好的RRT(Goal-biasing RRT)进行比较，平均规划时间分别缩短52.3%与41.7%，路径代价分别减小17.7%与13.9%，证明了算法的有效性。     

基于改进人工势场的无人驾驶动态规划算法研究

无人驾驶决策算法可以分为端到端的决策算法与分层式决策算法，分层式算法由于可解释性强、鲁棒性高而被大多数主机厂采用。规划模块是分层式决策算法中的核心模块，它承接感知与地图模块的信息并输出驾驶轨迹或动作，而人工势场法由于规划效率高、信息提取能力强，被越来越多地应用于无人驾驶决策规划领域。但现阶段的人工势场存在未考虑目的地因素或建立目的地单点引力场导致远距离引力过大、方向错误的问题，无法应对复杂交通环境。针对这些问题，提出一种无人驾驶“行车意图-风险复合场”(Driving Intention & Risk Field, IRF)，根据目的地、车辆、道路边界等要素各自的特点分别建模，并以势场的形式统一在IRF中。创建考虑全局规划的全局引力场，将全局规划路径离散成等距离的路径点，并动态选取感兴趣范围内的路径点进行全局引力场的构建。为了验证模型的性能，搭建IRF-SAC动态规划算法平台，并在CARLA仿真环境分别设置高速公路场景、十字路口场景和环岛场景。研究结果表明:相比于NF-SAC和FSM，IRF-SAC算法在安全性、舒适性、通行效率上均有显著提升；在高速公路场景下，IRF-SAC显示出较强的路径跟踪精度和鲁棒性，最大位移偏差相对于NF-SAC和FSM算法分别下降了44.8%、70.2%；在十字路口场景下，与NF-SAC及FSM算法相比，平均危险系数分别降低12.0%、20.6%，纵向加速度均方根分别降低13.2%、44.9%，行驶时长相较于FSM算法减少了39.2%；在环岛场景下，与NF-SAC及FSM算法相比，平均危险系数分别降低了31.7%、52.9%，纵向加速度均方根分别降低了27.0%、19.0%。     

无人驾驶汽车路径规划算法研究综述

无人驾驶汽车是目前汽车发展的一个大方向,无人驾驶的实现依靠于汽车的感知、决策和控制功能。路径规划属于决策中重要的一环。目前,无人驾驶汽车的路径规划算法存在受环境影响较大,无法适用于复杂的道路环境的问题,基于此文章对无人驾驶汽车轨迹规划算法进行归纳。其在广义上可分成全局路径规划和局部路径规划两种,文章对上述两种规划进行细分并介绍了各种路径规划方法的原理,分析了各个方法的优劣,为无人驾驶汽车路径规划算法的研究提供参考。     

基于人工势场算法的智能车辆路径规划仿真

将人工势场算法运用到智能车辆路径规划中,提出按照正弦避障换道方式以最小安全距离作为对称距离构建障碍点模型的方法,保证局部目标点处于对称轴线上,通过智能车辆行驶速度和转弯半径对转向角进行约束控制。最后,通过Prescan和Matlab软件联合仿真,验证算法的可行性和准确性,仿真结果表明算法能规划出平滑的目标路径,实现智能车辆平稳安全的路径规划与跟踪控制。     

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。     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。     

基于移动子目标的复合式路径规划算法

为使无人驾驶汽车无碰撞、高效到达目标点,针对当前未同时突出全局路径和局部路径优点的问题,通过激光传感器检测无人驾驶汽车周围环境,用子目标点与无人驾驶汽车的连线将平面环境划分为左、右2个半平面,分别搜索可通行的自由扇区,根据一种代价函数评价各个自由扇区得到最优的路径。考虑无人驾驶汽车各时刻的姿态不同,为无碰撞的切入最优路径,创建基于无人驾驶汽车到阻塞区域距离和当前车速的风险评价函数,基于人的驾驶行为,创建以风险评价值和切入最优扇区的转角为输入,无人驾驶汽车角速度和线速度为输出的模糊控制。在全局路径已知的条件下,在全局路径上为实时的局部路径规划选择子目标点。根据环境等因素的影响,将子目标划分成被未知阻塞区域遮挡、被已知阻塞区域遮挡且遮挡前子目标可见、被已知阻塞区域遮挡且遮挡前子目标不可见3种状态,为引导无人驾驶汽车,分别分析其子目标所处的状况并提出子目标应当按照一定速度向特定方向移动的方案。研究结果表明:该方法能够很好地解决局部路径规划层无远见的问题,全局路径上的子目标点有效地引导无人驾驶汽车前往最终的目标,同时又不会与阻塞区域发生碰撞,保证了无人驾驶汽车行驶的平顺性,实现实时无人驾驶汽车路径达到最优,又很好地关联了全局路径规划层和局部路径规划层。     

考虑车辆运动约束的最优避障轨迹规划算法

无人驾驶车辆进行障碍物规避时,须考虑车辆的运动特性以保证避障过程的安全性、舒适性、操纵稳定性等.本文中提出了一种在车辆运动约束下的避障轨迹规划算法.该算法结合障碍物的运动状态和位姿信息,在局部环境地图中对超越障碍物的期望位置进行局部采样组成离散终端状态点集,将复杂道路环境中的避障轨迹搜索问题转换为自车与状态点集之间的轨...     

城市工况下基于改进RRT的无人车运动规划算法

为解决城市结构化道路环境下的无人驾驶汽车运动规划问题,针对换道和转向两种工况设计了快速偏向性RRT(FB-RRT)算法。首先以几何分析所得的安全的曲线控制点初始化RRT,随后以驾驶行为为引导并结合决策给出的目标点设计偏向性采样策略,基于车辆运动学特性设计度量基准,设计快速邻近点搜索策略,并结合环境地图保证扩展节点的安全性。最后,对RRT进行修剪和重构。通过仿真和实车测试验证了该算法的有效性和实用性。     

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。     

1356无人驾驶赛车比赛

正Q:能否介绍下无人驾驶赛车比赛Roborace?A:FIA Formula E国际汽联电动方程式打造了全球首个无人驾驶赛车比赛Roborace。作为Formula E(电动方程式)的支持赛事,这项赛事将会在Formula E赛事比赛前一个小时进行,比赛中人工智能无人驾驶系统将取代传统的赛车手,并控制全电动赛车进行比赛。但是,由赛车手驾驶赛车的时候,不同的刹车点、不同的车速和不同的策略都会形成不一样的局面,而人工智能     

无人驾驶汽车轨迹解算及跟踪控制研究

针对无人驾驶汽车中的轨迹曲线生成及跟踪控制这一关键技术,提出一种基于时间t的分段三次参数方程方法生成无人驾驶汽车轨迹曲线,并结合线性二次型最优控制算法构成反馈控制进行仿真验证。搭建车辆运动学模型,利用最优控制方法构成反馈控制。在MATLAB中编写控制程序并仿真,结果显示该方法能够实现无人驾驶汽车的轨迹跟踪,并且具有良好的跟踪效果。