智能车避障路径规划建模方法概述

郭泉成

广州铁路职业技术学院 机车车辆学院，广东广州，510430

0 引言

在对智能车的研究中，避障路径规划一直都是研究的重点，也是解决汽车交通安全问题的有效方法[1]。美、法、日、德等一些世界发达国家的研究机构相继在该研究方向做了一定程度的研究，并取得了许多有价值的研究成果。在中国，智能汽车技术迅速发展，蔚来汽车、小鹏汽车等造车新势力，以及搭载华为智能汽车解决方案的北汽极狐，在商用智能汽车避障路径规划技术方面，达到世界先进水平[2]。根据不同的建模方法，避障路径规划可以分为以神经网络为代表的黑箱建模方法、以模糊逻辑为代表的灰箱建模方法和以最优控制理论为代表的白箱建模方法。本文将根据建模思想的不同进行分类，来阐述智能汽车避障路径规划建模的一些方法。

1 神经网络法为代表的黑箱建模

智能汽车运用在复杂的交通系统中，具有高度的不确定性，智能汽车本身会因为系统的非线性和时变性，导致获得精准的智能车数学模型和环境障碍物模型的可能性基本为零，在理论上来说是不可能完成的事情。研究人员为了建模的便利，在研究时往往提出一些脱离真实工况的线性化假设，以简化汽车模型，然而当智能汽车工作在非线性区域时，路径规划时常会失效。

人脑的决策机制，一直以来都是科研的一个重要领域，然而神奇的大脑，却难以使用精准的数学模型表达。当智能车使用模仿人类开车决策的技术路线进行智能驾驶技术的开发时，本质上是模仿人类的驾驶决策，因此，寻找一个能够尽量逼近人脑的模型，成了重要的研究方向。当我们将人脑在驾驶车辆进行路径规划时视为一个黑箱模型，可以用神经网络的方法进行刻画。神经网络正是研究人员尝试对大脑功能进行模拟而提出的一种非线性模型，这个非线性模型是复杂的网络，由大量的、多层的简单非线性单元构成。神经网络需要足够的样本数据，即需要足够的输入信号和输出信号进行深度学习，不断调整各个非线性单元的权重，本质上，它是一个不依赖模型特征的非线性函数，其中卷积神经网络是应用最为广泛的神经网络[3]。正因为神经网络不依赖模型特征，因此对于像避障路径规划这样具有复杂性、非线性和时变性的系统，用其建模十分合适。智能汽车避障路径规划处理的问题就是，根据车辆搭载的各类传感器，获得车辆本身如速度、加速度、方向角等状态信息，道路状态、交通标志、行人及其他车辆状态等外界环境信息，在最短的时间内输出控制车辆运行的油门、刹车、方向盘动作。从函数的角度，智能汽车避障路径规划可以看作一个状态空间到动作空间的映射。因人类驾驶车辆的方法各异、水平不同、风格取向不同，人脑的这种映射关系很难用精确的数学方程来表达，而理论上可以逼近任意非线性函数的神经网络，就成了一个十分适用的选择，然而神经网络不断逼近人脑映射的过程，需要大量的样本和学习过程，比较费时。

一些深度学习方法已经被应用到自主驾驶任务中，而端到端的深度神经网络可以大大简化自主驾驶算法的设计，这已经引起了学术界和工业界越来越多的关注。文献[4]使用NVIDIA DevBox和Torch 7来训练一种端到端的卷积神经网络（CNN）。前端为前置摄像头，摄像头采集的像素信号作为神经网络的输入端。后端通过神经网络直接输出控制指令。实验表明，这种端到端的方法非常有效，经过一定的训练，不仅可以在有标线的车道上行驶，还可以在没有车道线的高速公路上行驶。常见的端到端神经网络是单模任务，为了克服这个缺点，文献[5]介绍了一种使用多模式任务的学习方法。与单模神经网络相比，用MTL（Multi-Modal Multi Task Learning）训练的模型具有更好的驾驶性能。为了验证实验算法，作者建立了一个1/10比例的模型车，并通过模型车试验训练了几个模拟人脑的神经网络来控制汽车的转向角和行驶速度。实验结果表明，在各种工况下，参数较少的多模态多任务学习（MTL）训练模型都能与单任务训练的网络相匹配，甚至超过单任务训练的网络。

文献[6]设计了一种基于视觉特征提取的强化学习自动驾驶系统，在提取关键信息的基础上，采用强化学习算法进行自动驾驶训练。基于仿真平台的测试结果表明，该文设计的自动驾驶系统不仅能够完成车道保持任务，而且具有良好的泛化能力，改变路况后，车辆仍能正常行驶。文献[7]提出了一种结合神经网络和模糊逻辑的路径规划算法，该算法充分发挥了神经网络和模糊理论的优点，一方面可以像神经网络一样映射，另一方面可以处理模糊信息。

然而，在神经网络学习和训练过程中，逼近人脑模型需要大量的样本和较长的时间。同时，它高度依赖于计算机的计算速度，对硬件平台有很高的要求。

2 模糊逻辑算法为代表的灰箱模型

模糊逻辑算法将人脑建模为灰箱模型，与神经网络算法相比，模糊逻辑算法对人脑进行了一定程度的描述，这种描述是基于专家经验的模糊推理规则表。模糊逻辑与布尔逻辑相比，通过引入隶属度的概念改变非此即彼的二元布尔逻辑，在一定程度上接近于人脑的决策机制。与精确地将路径规划作为数学模型进行建模的方法不同，模糊逻辑不需要依赖于精确的传感器信息，因此可以大大提高算法的适应能力。模糊语言核心内容是模糊规则[8]，将模糊逻辑算法运用在智能车局部路径规划，其核心是根据人的驾驶经验得出符合实际需求的模糊控制规则表；根据传感器收集到的环境信息和车辆状态信息，经过模糊化处理，根据模糊控制规则表，做出模糊决策，即可输出可行的规划路径。因为模糊逻辑算法本身就会对传感器信息进行模糊化处理，因此传感器的精度不再是限制算法的指标，摆脱了车辆定位精度、环境信息和传感器精度的依赖。不过在障碍物较多的时候，模糊逻辑算法存在计算量较大的问题，会影响规划速度和实时性。

文献[9]提出的模糊逻辑路径规划方法，主要解决了传感器限制下，未知环境下的路径规划问题，模糊逻辑路径规划器由避障行为，目标导向行为和模糊行为监督器组成，实验表明，算法能够在未知环境下规划路径。常规的模糊逻辑算法可能出现死锁的情况，文献[10]提出的基于模糊逻辑的智能车局部路径规划算法，改进了常规针对模糊逻辑在智能车局部路径规划中存在的问题，巧妙设计多次转动避障的策略，避免智能车出现死锁的情况，优化智能车的路径规划；文献[11]选择合理的隶属度函数，进一步模糊处理传感器信息，再结合人的驾驶经验，建立知识库，形成模糊推理规则表，设计Kenblock的模糊逻辑控制器，同时给出了路径规划死循环的策略。文献[12]通过使用模糊逻辑，改进粒子群算法，传统的粒子群算法计算速度快，寻找解的过程简单，但是经常陷入局部最优解，作者通过引入模糊逻辑防止系统陷入局部最优，同时加快了算法的收敛速度。

模糊逻辑能够一定程度上描述了人脑的决策过程，相比于神经网络黑箱建模，不需要大量的样本收集和深度学习时间，成本较低；但模糊逻辑模糊化处理传感器信息需要选择合适的隶属度函数，这个函数的选择是否合理存在较大的可靠性验证风险，采用人的驾驶经验作为重要的推理规则，若要覆盖各种各样的工况，需要形成大规模的知识库，这些都是模糊逻辑算法需要解决的问题。

3 最优控制算法为代表的白箱模型

虽然智能汽车是一个复杂的、非线性、时变的系统，但是在大部分的运行工况中，使用数学模型建模求解的规划路径能够适用。最优控制方法的基本思想是：在可接受的范围内，通过一些假设和条件的理想化，使用数学模型将物理模型进行表达。具体到智能车路径规划问题，则是通过一定程度的假设，简化表达为数学模型，然后根据需求和约束条件，建立最优控制目标，进而选择合适的方法进行求解。优化问题的数学模型，包括两个要素：目标函数和约束条件。使用最优控制对路径规划问题进行建模时，又分为两个部分：数学模型的建立和求解。大量的研究人员对此展开了较多的研究，不同研究人员选择了不同的障碍物建模方法，比如人工势场法、栅格图法和几何刻画法。

（1）人工势场法。人工势场法是路径规划研究中运用较多的方法，其核心思想是将车辆所处环境要素建模为一个引力场，而不同的障碍物、道路等可视为不同的引力场，然后以过程中势能最小为性能目标规划最优路径。传统人工势场法存在两个问题：①将智能车视为质点，没有充分考虑车辆的动力学约束；②容易陷入局部最小值[13]。为了克服第一个问题，Amir Khajepour等人[14]导入了车辆动力学约束，提出了一种模型预测路径规划控制器，结合了人工势场法和最优控制法的优点，取得了良好效果。为了克服陷入局部最小值的问题，不同研究人员给出了不同的解决方案，比如选择更优的势场公式[15]，使用人工协调场[16]，增加随机逃逸设计[17]，引入启发式搜索方法[18]等方法克服。然而人工势场法存在如何合理选择势场模型的问题，不同的势场选择会得出不同的求解结果，因此，人工势场法的求解结果难以界定为最优解，只能算是一个假设条件下的可行解。

（2）栅格图法。栅格图法的本质是栅格化的地图。根据传感器检测到的车道线、静态障碍物、动态障碍物等，赋予这些元素所在位置一个值，最简单的栅格法，便是对这些栅格赋值为0或1。可选择0作为可通行区域，1作为障碍物占领的区域，将路径规划问题转化为寻找最短的起点到终点的连续0值栅格组合。复杂一点的栅格图，每个栅格的权重不一定是二元的，可以是0～1之内的连续量，最优路径即为所有经过的栅格权重值之和最小的路径。比如虚线道路就是尽量不能侵占的栅格，但是这并不意味着虚线不能跨越，因此简单地对道路虚线栅格赋值0或1都是不可行的，因此寻找一个合适的中间值，关乎求解的优化程度。除了栅格图的权重之外，栅格图的像素也是一个重要的指标。每一个栅格的尺寸越细，栅格的像素越高，对环境信息的建模能力越强，但这也会带来一个隐患，那就是增加了存储空间，降低调用速度；相应地，每一个栅格的尺寸越大，栅格的像素越低，对环境的建模能力越弱，牺牲精度，但是带来了一个好处，那就是能够降低存储空间，提高运算速度。

文献[19]在采用栅格图建模环境信息的基础上，模拟蚂蚁行为规则，搜索可行道路，完成路径规划。文献[20]为了解决路径规划问题中的障碍物陷阱，以栅格图为基础，合成对变形对障碍物进行建模。对于栅格图的优化方法众多，文献[21]结合栅格图、势场法和蚁群算法，可以克服传统蚁群算法收敛较慢的问题，又能够避免单纯人工势场法带来的局部最优解问题。

（3）几何刻画法。几何刻画法是最朴素的建模思想。道路类型众多，障碍物形状各异，几何刻画法通过几何图形对其建模，选择不同的几何模型带来不同的适应性和复杂性。比如有研究人员选择使用面积法[22]，有选择P准则建模多边形的方法[23-24]、基于双曲函数的车库几何近似法[25]等。通过几何刻画法对障碍物和道路建模，实际上表达的是边界，边界之内是不可行区域，边界之外则是可行区域，因此这种建模方法会产生大量的数学不等式模型，在优化问题中属于约束范畴。文献[25]使用栓曲线函数表达车库，统一了侧方位停车和垂直车位停车的求解；而基于P准则的函数，理论上讲，可以近似大多数封闭图形，具有广阔的运用前景和适应能力，但函数参数中包含了高次幂和高次开方，使用其对障碍物进行模型建立可能导致更为困难的数值求解过程。

4 结语

智能车避障路径规划是自动驾驶技术的重要环节，选择合适的建模方法关系到路径规划器的速度和适应能力。本文尝试总结不同的建模思想，分别整理了将路径规划视为黑箱的神经网络方法、灰箱的模糊逻辑方法以及白箱的最优控制算法。最优控制算法求解精准，但在复杂时变系统中可能失效；模糊逻辑算法可以降低传感器精度要求，但在障碍物较多时存在实时性不强的问题；展望未来，神经网络若能优化机器学习方法，减少学习时间，将成为最具潜力的解决方案。