局部路徑規(guī)劃的案例
無人駕駛汽車局部路徑規(guī)劃算法研究
彭曉燕，謝 浩，黃 晶
（湖南大學機械與運載工程學院，長沙 410082）
［摘要］ 無人駕駛汽車局部路徑規(guī)劃算法應確保避障的安全性、實時性和路徑的平滑性等。本文提出了一種基于離散優(yōu)化的局部路徑規(guī)劃算法，即采用代價函數(shù)分別評估離散生成的候選路徑的安全性、平滑性等，再根據(jù)各代價函數(shù)加權計算獲得局部最佳路徑。針對障礙物移動隨機性，設計了一種基于運動估計結合高斯卷積的移動障礙安全性代價函數(shù)；考慮候選路徑曲率的變化及其連續(xù)性，設計了路徑平滑性代價函數(shù)。使用了一種新的坐標轉換計算方法將路徑從s-ρ坐標系轉換到大地笛卡爾坐標系，提高了實時性。最后，利用PreScan和Matlab軟件進行聯(lián)合仿真，并在“遠飛”無人車實驗平臺上進行了真實道路場景的實車實驗。實驗結果表明：提出的路徑規(guī)劃算法不僅能使無人車安全、合理地規(guī)避靜止和移動障礙，且完全滿足局部路徑規(guī)劃算法對實時性的要求。
關鍵詞：無人駕駛汽車；避障；路徑規(guī)劃；代價函數(shù)；實車實驗
前言
隨著汽車數(shù)量的不斷增長，交通事故也隨之增多，汽車安全早已成為全社會關注的焦點問題［1］。無人駕駛技術在降低道路交通事故發(fā)生率方面有著重要的研究意義和巨大的應用價值。隨著人工智能的應用和發(fā)展，無人駕駛汽車也越來越受到關注，其中的避障問題已經(jīng)成為了研究的熱點［2］。局部路徑規(guī)劃，也稱為避障路徑規(guī)劃，即考慮本車和障礙物之間的幾何關系尋找出一條避免與障礙物發(fā)生碰撞的路徑，是無人駕駛汽車的重要功能模塊之一。
目前常用的局部路徑規(guī)劃算法主要分為4大類：人工勢場法、基于圖搜索的方法、基于采樣的方法和基于離散優(yōu)化的方法。人工勢場法是Khatib提出的虛擬力法，此方法算法簡明，實時性良好，但存在容易陷入局部最小點的問題，且因未考慮車輛動力學約束，導致無法得到合理的路徑甚至規(guī)劃失敗［3］。
展開 路徑規(guī)劃算法總結
關于改進RRT算法詳情可參考：路徑規(guī)劃——改進RRT算法：https://zhuanlan.zhihu.com/p/51087819
2.3
滾動在線RRT算法
基本RRT算法傾向于遍歷整個自由空間直到獲得可行路徑，這使其不可能用于未知或動態(tài)環(huán)境中的機器人在線運動規(guī)劃。利用滾動規(guī)劃的思想可以將RRT算法進行改進，使其具備在線規(guī)劃能力。
2.3.1 滾動規(guī)劃
機器人在未知或動態(tài)環(huán)境中運動時，只能探知其傳感器范圍內(nèi)有限區(qū)域內(nèi)的環(huán)境信息。機器人利用局部信息進行局部運動規(guī)劃，并根據(jù)一定的評價準則得到局部目標。機器人到達局部目標后再次進行新的局部規(guī)劃。如此反復進行直到到達全局目標。
滾動規(guī)劃算法的基本原理：
環(huán)境信息預測：在滾動的每一步，機器人根據(jù)探測到的視野內(nèi)的信息、或所有已知的環(huán)境信息，建立環(huán)境模型，包括設置已知區(qū)域內(nèi)的節(jié)點類型信息等；
局部滾動優(yōu)化：將上述環(huán)境信息模型看成一個優(yōu)化的窗口，在此基礎上，根據(jù)目標點的位置和特定的優(yōu)化策略計算出下一步的最優(yōu)子目標，然后根據(jù)子目標和環(huán)境信息模型，選擇局部規(guī)劃算法，確定向子目標行進的局部路徑，并實施當前策略，即依所規(guī)劃的局部路徑行進若干步，窗口相應向前滾動；
反饋信息校正：根據(jù)局部最優(yōu)路徑，驅動機器人行走一段路徑后，機器人會探測到新的未知信息，此時可以根據(jù)機器人在行走過程探測到的新信息補充或校正原來的環(huán)境模型，用于滾動后下一步的局部規(guī)劃。
展開 車輛自動駕駛（個人理解）
路徑規(guī)劃技術，使用視覺技術將路線分割為幾部分，具體問題具體對待。
車輛自動駕駛，以實際工作情況可分為三種情況，一種是城市交通規(guī)劃，一種是高速公路行車，其它一種是水泥路面或非鋪裝路面。每種工作環(huán)境所對應的識別邏輯，運動規(guī)劃，車輛運行不同。以下舉例，都是以城市交通規(guī)劃為主。
（一）邏輯架構
工作包括電動車檢測系統(tǒng)的正常工作檢測和車機網(wǎng)絡狀況的判斷。同時，需要對目的地進行判斷，包括地址是否正確、是否為常用地址以及是否需要聯(lián)網(wǎng)。路徑規(guī)劃階段根據(jù)是否為新地址進行不同的處理。對于新地址，需要在車機聯(lián)網(wǎng)的前提下，根據(jù)百度、高德、騰訊地圖提供的路線提取行車關鍵信息，并將行駛路線分割為不同的行駛場景。然后，選擇不同的駕駛模式，并使用視覺提取交通信息，與網(wǎng)絡地圖提供的信息進行對照。對于常用地址，直接進行路徑規(guī)劃，將行駛路線分割為不同的行駛場景，并進行相同的處理。在達到目的地后，可以選擇將地址設為常用地址。如果選擇為常用地址，車機將儲存行駛路線，無需依賴網(wǎng)絡地圖，提供全局路徑規(guī)劃。如果不選擇常用地址，則保存7天后將其刪除。
（二）路徑規(guī)劃技術
路徑規(guī)劃技術在自動駕駛中起著至關重要的作用。下面邏輯圖介紹路徑規(guī)劃技術，左側是現(xiàn)行主流技術路線，右側是本人自己設計的技術路線。
左側技術路線，分為兩部分即全局路徑規(guī)劃，與局部路徑規(guī)劃。通過全局路徑規(guī)劃為局部路徑規(guī)劃提供信息，本人對此的理解，全局路徑規(guī)劃為車輛主要提供定位信息，局部路徑規(guī)劃根據(jù)全局路徑規(guī)劃完成實時避障。
右側技術路線，基于仿生學，主要根據(jù)車主用車習慣。提出新的定位技術，如下所示：
本研究提出了一種新的方法。該技術通過考慮各種交通場景來制定定位策略，以獲得更精確的定位結果。
展開 詳解路徑規(guī)劃算法
滾動規(guī)劃算法的基本原理：
環(huán)境信息預測：在滾動的每一步，機器人根據(jù)探測到的視野內(nèi)的信息、或所有已知的環(huán)境信息，建立環(huán)境模型，包括設置已知區(qū)域內(nèi)的節(jié)點類型信息等；
局部滾動優(yōu)化：將上述環(huán)境信息模型看成一個優(yōu)化的窗口，在此基礎上，根據(jù)目標點的位置和特定的優(yōu)化策略計算出下一步的最優(yōu)子目標，然后根據(jù)子目標和環(huán)境信息模型，選擇局部規(guī)劃算法，確定向子目標行進的局部路徑，并實施當前策略，即依所規(guī)劃的局部路徑行進若干步，窗口相應向前滾動；
反饋信息校正：根據(jù)局部最優(yōu)路徑，驅動機器人行走一段路徑后，機器人會探測到新的未知信息，此時可以根據(jù)機器人在行走過程探測到的新信息補充或校正原來的環(huán)境模型，用于滾動后下一步的局部規(guī)劃。
其中，局部子目標是在滾動窗口中尋找一個全局目標的映射，它必須避開障礙物，且滿足某種優(yōu)化指標。子目標的選擇方法反映了全局優(yōu)化的要求與局部有限信息約束的折衷，是在給定信息環(huán)境下企圖實現(xiàn)全局優(yōu)化的自然選擇。
基于滾動窗口的路徑規(guī)劃算法依靠實時探測到的局部環(huán)境信息，以滾動方式進行在線規(guī)劃。在滾動的每一步，根據(jù)探測到的局部信息，用啟發(fā)式方法生成優(yōu)化子目標，在當前滾動窗口內(nèi)進行局部路徑規(guī)劃，然后實施當前策略(依局部規(guī)劃路徑移動一步)，隨滾動窗口推進，不斷取得新的環(huán)境信息，從而在滾動中實現(xiàn)優(yōu)化與反饋的結合。由于規(guī)劃問題壓縮到滾動窗口內(nèi)，與全局規(guī)劃相比其計算量大大下降。
展開 
39基于matlab的全局路徑規(guī)劃算法中的快速擴展隨機樹RRT路徑規(guī)劃算法及其改進方法RRT Sta ￥25.9
基于matlab的全局路徑規(guī)劃算法中的快速擴展隨機樹RRT路徑規(guī)劃算法及其改進方法RRT Star、RRT_Conncet是一種具有狀態(tài)約束的非線性系統(tǒng)生成開環(huán)軌跡的技術，相比于其他算法可以輕松處理障礙物的問題。程序中的各參數(shù)已進行詳細說明，起點坐標，終點坐標，步長，迭代數(shù)等均可根據(jù)需求進行更改，程序已調通。
基于視覺的無人機導航綜述
?路徑規(guī)劃
路徑規(guī)劃是無人機導航中的一項重要任務，它是指根據(jù)一些性能指標（如最低工作成本、最短飛行時間、最短飛行路線）尋找從起點到目標點的最佳路徑。而在這個過程中，無人機需要避開障礙物。根據(jù)用于計算最優(yōu)路徑的環(huán)境信息類型，該問題可以分為兩類：全局路徑規(guī)劃和局部路徑規(guī)劃。兩種路徑規(guī)劃方法的說明如圖4 所示。
圖4 全局和局部路徑規(guī)劃
全局路徑規(guī)劃器需要構建地圖內(nèi)的起始位置和目標位置來計算初始路徑，因此全局地圖也稱為靜態(tài)地圖。全局路徑規(guī)劃常用的算法包括啟發(fā)式搜索方法和一系列智能算法。
局部路徑規(guī)劃基于局部環(huán)境信息和無人機自身的狀態(tài)估計，旨在動態(tài)規(guī)劃局部路徑而不發(fā)生碰撞。由于動態(tài)環(huán)境中物體的運動等不確定因素，動態(tài)環(huán)境中的路徑規(guī)劃成為一個高度復雜的問題。在這種情況下，路徑規(guī)劃算法需要適應環(huán)境的動態(tài)特性，通過各種傳感器獲取環(huán)境未知部分的信息（如大小、形狀和位置）。
盡管無人機與地面移動機器人共享類似的導航解決方案，但在涉及基于視覺的無人機導航時，我們?nèi)匀幻媾R許多挑戰(zhàn)。無人機需要實時處理大量傳感器信息才能安全穩(wěn)定飛行，尤其是圖像處理，大大增加了計算復雜度。因此，在低功耗和有限計算資源的約束下導航成為無人機的一大挑戰(zhàn)。
展開 算法解析：自動駕駛實時路徑規(guī)劃
作者 |
Pirate Jack
來源 |
Vehicle
導讀：本節(jié)主要介紹在自動道路駕駛領域現(xiàn)有研究中使用的規(guī)劃技術。給定一條由路線規(guī)劃（導航）提供的路線，在道路上行駛的運動規(guī)劃（以下簡稱規(guī)劃）主要是在考慮車輛運動模型、車輛應遵循的航路點和交通環(huán)境的約束條件下，包括靜態(tài)障礙物和動態(tài)障礙物，尋找車輛行駛的最佳路徑。
簡介
規(guī)劃可以分為增量方法，即通過重復使用以前搜索的信息來尋找狀態(tài)轉換的最佳順序（從一開始就沒有完全指定），以及試圖為車輛找到最佳單狀態(tài)轉換的本地方法。全局或局部路徑也與車輛執(zhí)行的決策或操縱有很強的相關性，因此也將討論操縱規(guī)劃。如下圖所示，路徑搜索在從路線規(guī)劃器中選擇路線后啟動，并作為搜索最佳操縱的輸入（即使車輛具有最正確和安全行為的操縱）。然而，最終路徑可能會根據(jù)最佳操縱而改變，如這兩個模塊之間的反饋回路所示。一旦路徑最終確定，就生成了最終的軌跡規(guī)劃。
因此，自動駕駛路徑規(guī)劃分為三個層次：
（1） 找到車輛要遵循的最佳幾何路徑
a 通過增量采樣或離散幾何結構（即增量搜索）找到最佳的動作序列。
b 從多個最終狀態(tài)中找到最佳操作（即局部搜索）。
（2） 找到最佳的動作執(zhí)行。
展開 基于Swarm的城市無人機4D路徑規(guī)劃
因此，無人機作業(yè)的4D路徑規(guī)劃是本文研究的重點，提出了基于群的方法來解決這一復雜的優(yōu)化問題。在“空中矩陣”框架下，該問題分為兩個層次解決，即單個無人機的三維路徑規(guī)劃和無人機之間的沖突解決，在多路徑規(guī)劃層面，為每架無人機生成多個可供選擇的飛行路徑，以提高飛行請求的接受率，考慮了單一飛行路徑和兩種不同飛行路徑的約束條件。目標是獲得幾種不同的短飛行路徑作為選擇。采用一種改進的聚類蟻群優(yōu)化算法(CIACO)求解多路徑規(guī)劃問題，在聚類中采用了擁擠機制，并對聚類算法進行了改進，增強了迭代早期和后期的全局和局部搜索能力。在任務調度層面，定義了兩種情況下兩架無人機之間的沖突。一種是針對通過同一路徑點的時間間隔，另一種是針對兩架無人機的直角碰撞。根據(jù)安全要求，提出了一個三層適應度函數(shù)，以最大限度地增加允許飛行次數(shù)，同時考慮了空域的利用情況和操作者的要求。提出了一種“交叉”策略來計算適應度值，并應用了一種“分布式-集中式”策略來考慮無人機的任務優(yōu)先級。基于遺傳算法(GA)的任務調度算法也被開發(fā)到所建立模型的特征。
展開 242 基于matlab的3D路徑規(guī)劃 ￥29.9
基于matlab的3D路徑規(guī)劃，蟻群算法（ACO）和天牛須（BAS）以及兩種結合的三種優(yōu)化方式，對3D路徑規(guī)劃的最短路徑進行尋優(yōu)。程序已調通，可直接運行。
241 基于matlab的Dijkstra算法進行路徑規(guī)劃 ￥19.89
基于matlab的Dijkstra算法進行路徑規(guī)劃。可根據(jù)實際情況輸入障礙物和起止點坐標信息； 輸出避碰最短路徑； 能夠利用切線圖算法對障礙物區(qū)域進行環(huán)境建模，設置障礙物的位置和區(qū)域。利用Dijkstra算法進行路徑規(guī)劃。程序已調通，可直接運行。
281 基于matlab的路徑規(guī)劃GUI交互
基于matlab的路徑規(guī)劃GUI交互。包括蟻量系統(tǒng)、蟻周系統(tǒng)、蟻密系統(tǒng)、蟻群系統(tǒng)、免疫混合算法。11種路徑規(guī)劃數(shù)據(jù)，最多225個規(guī)劃點。蟻群和免疫算法的參數(shù)可進行設置，使得效果最佳。動態(tài)顯示可視化規(guī)劃結果。程序已調通，可直接運行。
歐洲CCUS技術發(fā)展現(xiàn)狀及對我國的啟示/發(fā)展現(xiàn)狀/路徑規(guī)劃
孫亮基于數(shù)學規(guī)劃 和優(yōu)化高級建模系統(tǒng)（GAMS）的 CCUS 源匯匹配 動態(tài)規(guī)劃模型研究了CO2捕集與封存累計量的管網(wǎng) 建設與成本問題。結果表明，與靜態(tài)規(guī)劃相比，動 態(tài)規(guī)劃下的運輸管網(wǎng)更加成熟，管網(wǎng)的連通性增 強，運輸能力得到提高。該模型可有效確定 CO2 捕 集與封存位置及相應量值、運輸管道拓撲結構及管 徑。管道單位運輸成本跟 CO2運輸量及 CO2 管網(wǎng)規(guī) 模密切相關，CO2 捕集規(guī)模、排放源位置、CO2 封存場地位置等因素對管道運輸成本都有顯著影 響。根據(jù)統(tǒng)計結果，在大規(guī)模運輸（3 000 萬 t/a） 條件下，歐洲管網(wǎng)的運輸成本約為 1.40 美元/t；在小容量運輸（300 萬 t/a）條件下，歐洲管網(wǎng)的運 輸成本約為 11.74 美元/t。我國 CO2 管道運輸?shù)?成本和歐洲類似。京津冀地區(qū) CO2 捕集量在 0~ 1.8 億 t/a 變化時，源匯匹配單位總成本約為 181~ 260 元/t（折合成 25.59~36.76 美元/t）。當 CO2捕集 量為 4.6 億 t/a 時，管道的單位 CO2 運輸成本約為 89 元/t（折合成 12.58 美元/t）。當 CO2 捕集封存量 在 2.88 億~28.86 億 t/a 變化時，單位 CO2 運輸成本 降至 7~12 元/t（折合成 0.99~1.70 美元/t）。
展開 基于改進人工勢場法和A*算法的欠驅動船模路徑規(guī)劃
基于改進人工勢場法和A*算法的欠驅動船模路徑規(guī)劃
209基于matlab的無人機路徑規(guī)劃
法(CPFIBA)。輸出距 ￥59.9
基于matlab的無人機路徑規(guī)劃，包括2D路徑和3D路徑，三種優(yōu)化算法，分別是蝙蝠算法（BA）、蝙蝠算法融合差分進化算法(DEBA)、結合人工勢場方法的改進混沌蝙蝠算法(CPFIBA)。輸出距離迭代曲線和規(guī)劃的路徑。程序已調通，可直接運行。
149基于matlab的A星算法和PSO算法實現(xiàn)路徑規(guī)劃動畫演示 ￥24.9
基于matlab的A星算法和PSO算法實現(xiàn)路徑規(guī)劃動畫演示，具有GUI界面，可自主生成障礙物。移動靶路徑規(guī)劃。程序已調通，可直接運行。
