智能汽车局部路径规划方法现状与发展分析

陈禹

智能汽车局部路径规划方法现状与发展分析

陈禹

（武汉理工大学 汽车工程学院，湖北 武汉 430001）

智能汽车行驶过程中应保证车身姿态正确以及避障的合理性，智能汽车的局部路径规划是汽车任务决策层中极其重要的一环。随着汽车安全性需求的不断提升，各类智能汽车局部路径规划方法也不断涌现。为应对智能汽车行驶过程中复杂的路面情况及满足运行过程中的车身姿态匹配需求，对前沿局部路径规划方法及其发展方向进行了分析。

智能汽车；路径规划；方法分析；发展方向

1 引言

智能汽车的终极目的是实现完全的无人驾驶，即车辆无需驾驶人控制进行独立决策。通过传感器实时感知同时获取环境信息，运用规划算法规划得出最优路径，控制车辆平稳地到达期望的目的地。自动驾驶系统根据各部分的功能不同，可分为感知层、决策层和执行层，而局部路径规划是决策层中至关重要的一环，也是保证智能汽车能安全行驶的前提。

路径规划是指在已知或未知坏境中按照一定准则规划出的从起始状态到目标状态的路径。车辆在实际行驶中，位置、航向和转弯半径是连续变化的，那么生成的路径也要满足位置、切向方向和曲率的连续变化。局部路径规划的作用是基于一定的环境地图寻找一条满足车辆运动学约束和舒适性指标的无碰撞路径。规划出来的局部路径必须具备对全局路径的跟踪能力与避障能力，如基于路径生成与路径选择的局部路径规划方法，路径生成中完成了对全局路径的跟踪，路径选择完成了避障分析。路径规划的重点是算法设计，目前存在的规划算法可以分为三类，即传统算法、图形学算法和仿生算法。传统算法包括人工势场法等，图形学方法包括栅格法；仿生算法包括神经网络算法、蚁群算法、可视图空间等。这些方法在特定环境下都能规划出较优路径，但各算法的使用方法和应用场合都有各自的局限性。本文旨在对各类局部路径规划方法及发展方向进行综合分析，以期得到有效的智能行进方法，使车辆安全行驶。

2 局部路径规划基本策略

局部动态路径规划的基本策略是从车辆的当前位置出发，根据一系列车身传感器感知得到的障碍物运动速度与运动方向等信息，在机器视觉的一定预瞄范围内规划出一条安全、可靠的最短参考路径，同时该参考路径必须满足动态避障条件，并由一定间距的点序列构成。移动车辆在沿参考路径运动的同时，以车辆当前行走速度，对参考路径进行新一轮规划，并将重新规划的路径代替原参考路径，进入新一轮的路径跟踪控制，使车辆沿动态参考路径不断向全局目标点接近。每次局部规划路径的必须足够长，使车辆有时间避开障碍物，并且能对前方未规划区域中的路径进行规划，并使两次规划的路径有足够的重叠长度，从而保证运动路径的可靠性和最优性。

3 典型局部路径规划方法分析

现阶段智能汽车的局部路径规划方法多样，但在实时性与鲁棒性等方面有所差异，本文对三种典型局部路径规划方法进行综合分析，以研究该技术在现阶段的发展现状与发展趋势。

3.1 人工势场法

人工势场法主要原理是在空间中构造一种虚拟的势场。智能汽车要到达的目标点对其产生引力势场，方向由四周向自身聚拢，而障碍物对汽车产生斥力势场，方向由其自身向外部发散。由于引力势场和斥力势场的共同作用，引力场根据与目标点的距离增加而单调递增，且方向指向目标点，而斥力场在车辆处在障碍物位置时有一极大值，并根据车辆与障碍物距离的增大而单调减小，方向指向远离障碍物方向。智能汽车能够在引力作用下向目标点移动，因为斥力作用而躲避障碍物，因此汽车能够顺利安全地到达终点。

智能汽车受到的势场是单个引力势场和斥力势场之和，可表示为：

total（）=att（）+rep（）

智能汽车所受合力为：

total（）=att（）+rep（）

而传统人工势场算法仅适用于障碍物是静态的情况下，而现实交通环境中也存在动态障碍物，因此发展传统人工势场算法应考虑速度因素，并运用到动态路径规划中。动态人工势场算法即在传统人工势场算法中加入速度斥力函数，改进后的智能汽车所受合力函数可表示为：

total（）=att（）+rep（）+repv（）

人工势场算法简单实用，且有着良好的实时性和较简单的结构，便于底层的实时控制，在智能汽车的实时避障和平滑的轨迹控制方面得到广泛的应用。

然而由于引力势场的范围比较大，而斥力的作用范围只是局部的，当车辆和障碍物的距离超过障碍物影响范围的时候，车辆不受排斥势场的影响。因此而会出现诸如存在陷阱区域、在相近的障碍物群中不能识别路径和在狭窄通道中摆动之类的缺点。因此，人工势场法只能解决局部空间的避障问题。

3.2 神经网络算法

神经网络算法采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，能够模拟人脑复杂的层次化认知特点的深度学习，并且通过增加网络层数所构造的“深层神经网络”使机器能够获得“抽象概念”能力。由于其算力和泛用性等方面的优越性，对于应对往往处于信息完全未知或部分未知环境的局部路径规划，神经网络算法体现出了很大的应用潜力。

传统的神经网络路径规划方法往往是建立一个关于车辆从初始位置到目标位置行走路径的神经网络模型，模型输入是传感器信息和车辆前一位置或者前一位置的运动方向，通过对模型训练输出车辆下一位置或者下一位置的运动方向，这一过程使用寻优方法比较费时。而改进后的遗传算法往往通过动态避障路径规划局部路径，将环境中的动态数据输入至系统，通过其自学习能力降低环境中的动态因素对系统的影响。

神经网络算法的分类准确度高，并行分布处理能力强，分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，同时具备充分逼近复杂的非线性关系和联想记忆的功能。对于智能汽车动态运行状态的多状态处理有着很强的包容性。然而其广泛互联的结构和自主学习机制的这一特点，也导致神经网络算法存在着不可忽视的缺点，即大量的参数和较长的学习时间。正因如此，机器计算能力和平台功耗限制了神经网络算法的发展，为了实现具有更深层次深入学习的复杂神经网络算法，需要有高性能并行加速计算平台的支持。神经网络算法的另一问题则是不能观察之间的学习过程，输出结果难以解释，这会影响到结果的可信度和可接受程度。

3.3 智能水滴算法

智能水滴算法是一种群智能算法，它通过模拟水流对河床冲刷过程中水滴的路径选择原理来实现对输入数据的整流和规划。在水流冲刷河床时，河床表面会形成很多沟壑，泥沙含量少的河床部分被带走的泥沙多。将水流细化为大量水滴的集合，每个水滴有速度变量、泥沙含量等属性。在重力驱动下，水滴选择路径时会选择阻力相对较小的路径，也就是泥沙量少的路径，这样水滴才会具有更快的速度，从而带走更多的泥沙。水滴通过不断地选择含泥沙更少的路径，最终到达目的地，为了使此次路径规划对后续的路径规划具有指导作用，对该选择路径上的泥沙含量进行更新。而智能水滴算法就是对这一物理现象进行仿生模拟，运用于数据分析从而得到的。为了解决将传统的智能水滴算法用于路径规划时的局限性和存在的问题，改进后的智能水滴算法往往在改进路径选择概率、局部泥沙量更新和全局泥沙量更新上进行一系列适配性的改进。

智能水滴算法流程如图1所示。智能水滴算法是一种新颖的群智能算法，该算法己经被成功应用于解决多种问题，并且取得了很好的实验结果，然而将智能水滴算法用于局部路径规划，存在两方面的问题：规划出的路径不光滑，无法满足汽车的动力学要求；算法收敛速度过慢，无法满足汽车实时避障的要求。

图1 智能水滴算法流程图

4 总结与展望

在当前各传感器与计算平台技术水平飞速提升的大环境下，各类规划方法的数据精度和运算能力需求可以基本得到保证，各类算法也在朝着高实时性和高鲁棒性方向发展。而互联网也为深度学习技术带来了海量的可用技术，各类被算力所限制的神经网络算法也得以不断优化，智能汽车的网联化也变得可行。

然而智能汽车局部路径规划的各类方法还存在较大的局限性，在真实路面的实验环节往往会出现前轮频繁抖动以及近的障碍物群中不能识别路径等问题，距离达到L4甚至L5级别无人驾驶所需求的精度还比较远。

而目前的局部路径规划主要是将路径规划算法与路径跟踪算法相结合，从而完成智能汽车行进过程中的跟踪与避障。针对汽车的起步、停车和减速等多动态过程还需要不同的避障策略，以形成整体的路径规划系统。

［1］张殿富，刘福.基于人工势场法的路径规划方法研究及展望［J］.计算机工程与科学，2013，35（6）：88-95.

［2］罗鹰，冒兴蜂.智能汽车换道避障路径规划与跟踪控制研究［J］.机械设计与制造，2019（7）：139-143.

［3］陈虹，申忱，郭洪艳，等.面向动态避障的智能汽车滚动时域路径规划［J］.中国公路学报，2019，32（1）：162-172.

［4］周虹，张磊，谭阳.旁域更新智能水滴算法软时间窗车辆路径优化［J］.计算机工程与应用，2015，51（20）：253-258.

［5］CIREAAN D C，MEIER U，GAMBARDELLA L M，et al.Deep，big，simple neural nets for hand written digitre cognition［J］.Neural Computation，2010，22（12）：3207-3220.

U463.6

A

10.15913/j.cnki.kjycx.2020.14.021

2095－6835（2020）14－0060－02

〔编辑：王霞〕