无人驾驶汽车运动规划方法研究综述

路径规划是多学科交叉智能车技术的重要组成部分,本文从环境建模和路径搜索两个方面对现有的路径规划方法进行阐述。路径搜索算法分为图搜索算法,树搜索算法,智能优化算法三类,文中介绍了涉及算法的原理、应用现状及优缺点三个方面,总结了现有的路径规划算法,并对未来发展趋势作出展望。     

浅析几种无人驾驶汽车路径规划算法

路径规划是自动驾驶关键技术之一,各种路径规划算法现已不断改进并不断涌现。本文根据全局和局部路径规划对常用路径规划算法进行分类,对几种常用的路径规划算法原理进行介绍,并分析其发展方向。     

车辆导航动态路径规划的研究进展

针对车辆智能导航系统中的交通网络模型、路径规划算法以及交通流预测这三个主要方面的研究现状进行了较为详细的分析。首先着重描述了基于图论的交通路网模型的构建方法;其次分析了Dijkstra算法、Floyd算法、A*算法等经典路径规划算法的性能及研究方向;然后详细介绍了交通流预测方法的研究进展;最后对车辆导航动态路径规划的未来研究方向做了展望。     

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。     

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.     

基于层次策略的路径规划算法对比研究

为比较路径规划中基于层次策略的分层算法的计算效率和规划结果的合理性,选取基于预计算的分层算法和基于道路等级的分层分区算法这2类典型的分层路径规划算法,通过对2类算法基本原理的分析,并引入新分区算法和＂虚拟边＂等方法改进现有基于道路等级的分层分区算法以适应实际路网下的路径规划。选取广东省路网数据进行大规模测试,通过寻找＂最短路＂和＂最快路＂进行算法效率和路径规划结果的比较分析。测试结果表明改进的基于道路等级的分层分区算法计算效率更高,规划结果更符合出行偏好。     

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。     

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....     

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。     

动态规划在指路标志指引上的应用

复杂多元的城市路网以及数量繁多的指路标志,使得道路使用者的行驶路径多样,为了满足出行者能迅速、快捷地到达目的地,需找到一条综合权值最优的出行路径,再在其上设置指路标志对目的地进行指引。基于此,首先阐述了动态规划的基本概念和算法思想;然后以行驶路程作为出行者路径选择的因素,定义行驶路程最小的路径为最优路径;最后,以广州大学城路网为例,针对中山大学的指引,在明确起、终点的情况下,采用动态规划的方法找到前往中山大学的最优路径,验证了动态规划算法的有效性。     

自动驾驶汽车路径跟踪控制发展综述

路径算法的研究目的是为了保证自动驾驶汽车能够精确跟踪由决策与规划层给出的参考路径,并确保路径跟踪过程中车辆的行驶稳定性和乘坐安全性。近年来,路径跟踪控制算法的研究成果丰硕,许多学者对现有算法进行优化、创新,诞生了包括系统模型、控制理论、有无前馈信息、行驶工况方面的多种路径跟踪控制算法。通过综述路径跟踪控制算法准确性和行驶稳定性的研究现状,分析2者之间的耦合关系,梳理路径跟踪控制研究历程中各种新旧算法迭代,提出兼顾准确性和行驶稳定性的控制策略,总结自动驾驶汽车路径跟踪控制未来发展趋势。     

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.      

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。     

A-SMGCS航空器场面滑行初始路径规划

依据先进机场场面引导与控制系统(A-SMGCS)3阶段路由规划策略,给出1种基于Petri网和遗传算法(GA)的A-SMGCS航空器滑行初始路径规划方法,为航空器确定由最优和s-1个次优滑行路径组成的初始滑行路径集合.提出1种基于模块化建模思想、面向路由规划的场面运行扩展赋时库所Petri网建模方法,并对航空器场面滑行特征进行分析;采用Petri网模型的变迁激发序列进行染色体编码,并考虑场面运行管制规则,分别给出染色体合法性检测与修复、交叉和变异算法.以某机场实际运行数据为基础,采用所给方法为所有进离港航班规划初始滑行路径,通过算法时间性能分析以及为实际航班规划初始滑行路径,验证所给方法的有效性.      

无人驾驶电动赛车路径规划算法研究

针对大学生无人驾驶方程式大赛,提出一种适合无人驾驶电动赛车的路径规划算法。该算法利用坐标转换原理,在全局坐标系下分别提取两侧桩桶点,最终得到离散点集。离散点之间用弧线进行连接,并且保证曲线的平滑性。在MATLAB环境下进行对无人驾驶赛车的路径规划仿真。仿真结果表明:该算法能较好地规划出行驶路径,曲线平滑,可以使赛车安全可靠地通过赛道。     

灾害情况下基于改进蚁群算法的救援车辆路径优化

自然灾害发生后,最重要的任务是救援。但由于灾后信息传输受到阻碍,相关道路损毁分布状况、预先规划的救援路线发生损毁等信息不能及时获取,给救援救灾带来很大困难,如何根据已获得的灾区路网信息动态规划安全、快速的车辆救灾通道极为重要。文中针对灾后救援时间紧迫、救援路程中道路通过性动态变化及安全性等因素,以到达救援点时间最短为目标,建立灾害情况下车辆路径优化模型;采用基于图论的改进蚁群算法进行全局车辆路径优化,并对救援路径中规划好的救援路线出现障碍点时车辆局部路径优化进行仿真试验,验证改进蚁群算法的有效性,结果表明相对于传统蚁群算法,改进蚁群算法的寻优效果更好。     

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.