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%。     

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。     

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。     

自主泊车路径规划一致性方法

为满足自主泊车过程中针对不同角度库位的泊车需求,以凸优化理论为核心,统一车辆运动学约束、车辆执行机构物理约束及环境约束,构建自主泊车路径规划的最优目标函数,采用内点法进行求解,规划出满足车辆运动学的泊车路径。仿真结果表明,与现有规划方法相比,一致性自主泊车路径规划可有效提高规划算法对环境的适应性。同时,提出的算法框架具有较强的通用性与扩展性,可对能以等式与不等式形式统一描述的各种场景进行路径求解。     

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。     

基于纵横向协同控制的路径跟踪策略研究

为了提高智能车的路径跟踪精度和行驶稳定性,针对智能车路径跟踪控制提出了一种考虑车辆纵横向协同的跟踪策略。从车辆整体系统出发,对纵向运动和横向运动进行解耦,采用分层控制的结构,上层控制器利用基于径向基函数（RBF）神经网络的自适应滑模变结构控制对车辆运动学耦合进行解耦,并用RBF神经网络对模型不确定性造成的系统扰动实时追踪;下层控制器以轮胎利用附着系数作为优化目标,将轮胎力约束在附着椭圆内。基于纵横向协同控制对纵横向轮胎力进行优化分配,从而提高极限工况下车辆路径跟踪的精确度和稳定性。     

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。     

装载机避障轨迹规划及模型预测轨迹跟踪

轮式装载机在工作区域行驶时，避障过程频繁，以往的避障轨迹规划未考虑整车转向半径约束和车速变化，也较少考虑整车在动力学模型条件下的轨迹跟踪性能。针对上述情况，以自动驾驶轮式装载机为对象，基于最优快速随机扩展树算法（RRT^*），考虑车身膨胀圆个数，生成全局最优避障路径，以整车最小稳定转向半径为约束，利用CC-Steer算法对避障路径进行平滑处理，采用路径-速度分解算法规划满足整车在加速、匀速和减速状态下的避障行驶轨迹。基于整车动力学模型，考虑行驶过程中的横向位置偏差和航向角偏差，并将整车动力传动系统视为1阶惯性环节，构建装载机动力学状态空间方程。以加速度和铰接角为控制输入，以车速、横向位置偏差和航向角偏差为控制输出，建立整车动力学预测模型，以加速度、铰接角和车速为约束条件，将目标函数转换为二次规划问题，建立满足装载机在工作区域避障的模型预测轨迹跟踪控制系统。以规划的非匀速行驶避障轨迹为目标，利用构建的模型预测轨迹跟踪系统，进行自动驾驶轮式装载机的轨迹跟踪仿真。研究结果表明：所提方法能够很好地控制自动驾驶轮式装载机从初始位姿驶向目标位姿，实现整车在工作区域的避障过程，且在避障过程中满足整车的约束要求，保证整车在轨迹跟踪过程中的安全稳定性能。     

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。     

基于二次规划的智能车辆动态换道轨迹规划研究

为实现智能车辆的自主换道操作并满足安全性、舒适性和实时性等约束条件,提出一种针对动态交通环境的换道轨迹规划模型。该模型由道路平面曲线表征模块、路径生成模块以及速度曲线生成模块组成。首先,在道路平面曲线表征模块中,模型基于实时获取的周边道路信息,利用切比雪夫多项式插值法回归拟合出连续可导的道路平面曲线函数,用以保证模型在各种道路平面线形上的普适性。然后,在路径生成模块中,根据换道车辆初始时刻的运动状态,建立一系列多项式方程,并利用牛顿迭代法求解方程未知参数,以此生成连接初始位置和目标位置的换道路径,用以保证换道轨迹的平滑性。最后,在速度曲线生成模块中,以满足防碰撞约束、跟驰加速度约束以及车辆运动状态约束为目标,构建二次规划模型,生成沿着换道路径的车辆速度曲线,用以保证换道轨迹的安全性和舒适性。此外,考虑到周边动态的交通环境,车辆系统在每个时间步内会循环调用提出的模型实时更新换道轨迹,直至车辆到达目标位置。仿真试验结果表明：应用提出的换道轨迹规划模型,车辆能够有效避免与周边动态车辆发生碰撞,成功完成换道;基于二次规划框架,模型优化求解时间明显缩短,满足轨迹规划的实时性和有效性要求。     

面向车道变换的路径规划及模型预测轨迹跟踪

为解决智能车辆在车道变换过程中的路径规划和路径跟踪问题,首先,利用梯形加速度法设计了车道变换虚拟理想轨迹,该路径规划方法的适应性取决于车道变换时间、横向加速度及变化率等关键变量的约束条件,因而对各关键变量之间的数学关系进行了定量计算,并绘制了不同工况下的车道变换虚拟理想轨迹,用于分析各关键变量对路径规划的影响;其次,建立了线性离散的车辆动力学预测模型,综合分析了车辆模型的控制输入、状态变量以及道路结构参数等约束条件,构建了多约束模型预测控制（MMPC）系统用于车道变换路径跟踪,并基于Hildreth二次规划算法对其目标函数进行了求解,获得前轮转向角控制量,从而保证智能车辆在车道变换过程中的路径跟踪性能及操纵稳定性能;最后,利用MATLAB和Carsim软件对提出的多约束模型预测控制系统进行联合仿真,并构建单约束模型预测控制（SMPC）系统与其进行性能比较,分别对车道变换时间为3 s和6 s时的车道变换性能进行比较分析。结果表明：当车道变换时间为6 s时,2种控制系统都能较好地实现车道变换功能;当车道变换时间为3 s时,与SMPC控制系统相比较,MMPC控制系统能够在有效跟踪期望行驶路径的同时改善车辆的操纵稳定性,从而提高车辆在路径跟踪过程中的主动安全性能。     

面向动态避障的智能汽车滚动时域路径规划

为解决城市低速条件下智能汽车在避障过程中的路径规划问题，提出面向动态避障的智能汽车滚动时域路径规划方法。首先，划分车道可行区域，利用3次拉格朗日插值法拟合车道边界，并根据"车-路"的相对位置关系将车道区域进一步划分为车道间区域与车道内区域两部分。其次，以区域虚拟力场进行动态交通场景模拟，包括在障碍车周身沿车道方向的虚拟矩形区域斥力场，行驶目标位置的虚拟引力场和车道保持虚拟区域引力场3个部分，然后结合划分的车道区域确定各虚拟力场的作用区域。再次，建立主车动力学与运动学模型，障碍车运动学预测模型，把主车与障碍车无碰撞，主车行驶在车道内区域，趋向目标位置以及保证车辆稳定性作为优化目标，综合车辆模型的控制输入、状态变量等动力学约束条件，构建多目标的滚动时域控制器用于车辆避障路径规划，求解获得前轮转角作为控制量。最后，利用MATLAB和veDYNA软件对提出的路径规划控制系统分别在静态障碍和动态障碍工况下进行联合仿真。研究结果表明：该方法能够很好地解决躲避静态障碍和低速动态障碍车的问题，控制车辆驶向目标位置，并且在避障过程中满足车辆的动力学约束，同时又不会与道路边界发生碰撞，保证了车辆的安全性和稳定性。     

基于hp自适应伪谱法的智能汽车紧急变道轨迹规划与优化

为了提高智能汽车紧急变道轨迹规划的实时性和适应性,将紧急变道过程分为初始阶段和跟踪阶段,初始阶段的轨迹由优秀驾驶人紧急变道模型产生,跟踪阶段的轨迹采用Sigmoid函数规划出紧急避让路径。首先通过聚类分析处理优秀驾驶人转向操作的实车试验数据,拟合得出紧急变道过程中的方向盘转角随时间的关系（即驾驶人紧急变道模型）,作为智能汽车在紧急变道初始阶段不同速度下车辆控制的输入量。然后通过建立与求解约束方程,满足避撞约束、侧向位移约束以及最大侧向加速度约束,得出Sigmoid函数表达式,作为智能汽车在紧急变道过程跟踪阶段的参考路径。最后利用hp自适应伪谱法加入切换点的物理量约束,逼近全局正交多项式的状态量和控制量,自动调整和处理2个阶段的切换点位置和衔接问题,以最小变道距离为目标对跟踪阶段的变道轨迹进行优化。运用PreScan与MATLAB对4种不同工况下的紧急变道轨迹规划进行联合仿真。结果表明：提出的轨迹规划与优化方法在满足各项约束的情况下成功避开障碍物,同时缩短了需要优化的轨迹,优化时间都小于0.9 s,并且与基于多项式函数轨迹规划方法相比,该方法能够以距障碍物较远的距离避开障碍物,在不同的车辆速度、道路曲率和障碍物宽度的复杂工况下具有更好的适应性。     

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。     

智能车经济性起步车速规划研究

智能车的车速决策影响燃油经济性。以起步阶段加速工况的燃油经济性为优化目标,建立了瞬态燃油消耗模型,并提出了基于该模型的经济性换挡规律制定方法;根据车辆纵向动力学方程,建立了基于前向欧拉离散方法的车速状态转移方程,以及确定相应的初末约束条件、边界条件;基于动态规划最优性原理,提出了智能车起步过程的经济性车速规划方法,建立了基于速度状态搜索策略;根据Matlab/Simulink和CarSim联合仿真,对比了典型驾驶员速度跟随模式的燃油消耗水平,结果表明,基于动态规划优化后的经济性车速及相应的挡位序列具有良好的节油特性,可为智能车经济驾驶的车速规划及挡位规划提供指导。     

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。