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。     

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....     

考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究

针对智能汽车弯道避障问题，提出了一种兼顾规划曲线平滑度和车辆稳定性的轨迹规划方法。将轨迹规划分为解耦的路径规划和速度规划处理，利用改进的快速随机搜索树（RRT）构建曲率连续且曲率变化量最小的无碰撞的螺旋线路径。改进后的RRT基于深度神经网络的度量函数，选取并连接代价函数最小的树节点，并通过搜索附近节点寻找是否存在代价函数更小的节点。而在速度规划中首先根据道路限速规则，采用梯形规划输出连续的目标加速度曲线。然后基于螺旋线路径曲率和自车状态，采用预瞄加速度矢量控制（PGVC）动态调整目标加速度，最后通过加速度控制逻辑获得最终的期望加速度。仿真结果表明，所提出的轨迹规划方法不仅能使智能汽车满足弯道避撞和路径跟踪的目标要求，且提高了车辆高速过弯的稳定性能，同时本文还验证RRT的快速收敛性质、路径平滑性和基于并行计算的实时性。     

智能汽车泊车轨迹规划应用

路径规划是智能汽车的关键技术之一,其中轨迹规划是智能汽车实现自动泊车的前提。基于Hybrid A*算法对智能汽车的泊车轨迹规划展开研究,通过启发函数优化解决智能汽车泊车时反复倒车或变更行驶方向的问题,通过碰撞检测策略改进,解决泊车中车辆安全距离保持的问题。通过MATLAB软件仿真,算法可实现在倒车入库、侧方位停车和停车场寻径停车等环境下的轨迹规划,验证了改进算法的有效性和实用性。     

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.      

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。     

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树（RRT）算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数（即降低路径曲率和远离障碍物）,并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明：优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT*算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。     

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。     

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。     

基于改进人工势场法的汽车弯道超车路径规划与跟踪控制

本文中针对无人驾驶汽车弯道超车工况,提出一种基于改进人工势场法的汽车弯道超车路径规划算法,以及一种基于线性鲁棒控制理论的汽车弯道超车路径跟踪最优保性能控制策略.首先,分别基于螺旋下降函数、斜坡正弦函数和指数函数构建弯道引力势能场、同车道行驶较慢车辆斥力势能场和弯道边界斥力势能场,三者构成汽车弯道超车路径的搜索空间.随后...     

基于RRT与MPC的智能车辆路径规划与跟踪控制研究

为分析智能车辆实时规划和跟踪控制的相互影响关系,基于改进的快速随机搜索树规划算法(improved-RRT)与线性时变的模型预测控制算法,提出了一种智能车路径规划与跟踪控制系统的构架。首先,采用目标导向、节点修剪、曲线拟合和最优路径选择等方法对基础RRT规划算法进行改进,保证规划路径满足车辆运动学约束并趋近最优解。然后,基于线性时变模型预测控制算法,实现智能车对期望路径的稳定控制。硬件在环仿真结果表明,车速为36 km/h,规划步长为2 m,规划周期为0.1 s时,侧向加速度小于0.2g,满足安全性和实时性要求。最后,分析了车速、规划步长和规划周期等因素对实时规划和稳定跟踪的影响。     

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。     

基于改进人工势场法的智能车辆超车路径规划研究

为提高智能车辆的行车安全性,基于人工势场法,通过分析超车驾驶行为规律,建立超车最小纵向安全距离及其约束模型,提出新型障碍物虚拟力场作用域,引入基于前车工况的斥力系数和调节因子,设立虚拟局部目标点,建立了改进的路径规划模型。利用MATLAB和CarSim软件联合建立基于模型预测控制的路径跟踪仿真平台,对改进模型进行了验证。仿真结果表明,改进的路径规划模型安全有效地实现了智能车辆的超车行为。     

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。     

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。     

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。     

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。     

面向车身数字化工艺开发的多机器人避障算法

在汽车行业制造流程快速向“数字化”与“智能化”转型的背景下,制造工艺自动开发技术获得学术与产业界的广泛重视。针对车身制造过程多机器人工位中自动化工艺路径规划问题,提出基于智能化算法的多机器人系统避障与协调规划算法。针对现有机械臂在复杂多障碍物环境中局部路径规划时间长的问题,提出改进的APF-RRT*的机器人避障方法,缩短算法的迭代次数以及路径的总长度,实现局部路径的优化,提高局部避障算法的搜索效率。     

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.