陳禹

智能汽車局部路徑規(guī)劃方法現(xiàn)狀與發(fā)展分析

陳禹

（武漢理工大學(xué) 汽車工程學(xué)院，湖北 武漢 430001）

智能汽車行駛過程中應(yīng)保證車身姿態(tài)正確以及避障的合理性，智能汽車的局部路徑規(guī)劃是汽車任務(wù)決策層中極其重要的一環(huán)。隨著汽車安全性需求的不斷提升，各類智能汽車局部路徑規(guī)劃方法也不斷涌現(xiàn)。為應(yīng)對智能汽車行駛過程中復(fù)雜的路面情況及滿足運行過程中的車身姿態(tài)匹配需求，對前沿局部路徑規(guī)劃方法及其發(fā)展方向進(jìn)行了分析。

智能汽車；路徑規(guī)劃；方法分析；發(fā)展方向

1 引言

智能汽車的終極目的是實現(xiàn)完全的無人駕駛，即車輛無需駕駛?cè)丝刂七M(jìn)行獨立決策。通過傳感器實時感知同時獲取環(huán)境信息，運用規(guī)劃算法規(guī)劃得出最優(yōu)路徑，控制車輛平穩(wěn)地到達(dá)期望的目的地。自動駕駛系統(tǒng)根據(jù)各部分的功能不同，可分為感知層、決策層和執(zhí)行層，而局部路徑規(guī)劃是決策層中至關(guān)重要的一環(huán)，也是保證智能汽車能安全行駛的前提。

路徑規(guī)劃是指在已知或未知壞境中按照一定準(zhǔn)則規(guī)劃出的從起始狀態(tài)到目標(biāo)狀態(tài)的路徑。車輛在實際行駛中，位置、航向和轉(zhuǎn)彎半徑是連續(xù)變化的，那么生成的路徑也要滿足位置、切向方向和曲率的連續(xù)變化。局部路徑規(guī)劃的作用是基于一定的環(huán)境地圖尋找一條滿足車輛運動學(xué)約束和舒適性指標(biāo)的無碰撞路徑。規(guī)劃出來的局部路徑必須具備對全局路徑的跟蹤能力與避障能力，如基于路徑生成與路徑選擇的局部路徑規(guī)劃方法，路徑生成中完成了對全局路徑的跟蹤，路徑選擇完成了避障分析。路徑規(guī)劃的重點是算法設(shè)計，目前存在的規(guī)劃算法可以分為三類，即傳統(tǒng)算法、圖形學(xué)算法和仿生算法。傳統(tǒng)算法包括人工勢場法等，圖形學(xué)方法包括柵格法；仿生算法包括神經(jīng)網(wǎng)絡(luò)算法、蟻群算法、可視圖空間等。這些方法在特定環(huán)境下都能規(guī)劃出較優(yōu)路徑，但各算法的使用方法和應(yīng)用場合都有各自的局限性。本文旨在對各類局部路徑規(guī)劃方法及發(fā)展方向進(jìn)行綜合分析，以期得到有效的智能行進(jìn)方法，使車輛安全行駛。

2 局部路徑規(guī)劃基本策略

局部動態(tài)路徑規(guī)劃的基本策略是從車輛的當(dāng)前位置出發(fā)，根據(jù)一系列車身傳感器感知得到的障礙物運動速度與運動方向等信息，在機器視覺的一定預(yù)瞄范圍內(nèi)規(guī)劃出一條安全、可靠的最短參考路徑，同時該參考路徑必須滿足動態(tài)避障條件，并由一定間距的點序列構(gòu)成。移動車輛在沿參考路徑運動的同時，以車輛當(dāng)前行走速度，對參考路徑進(jìn)行新一輪規(guī)劃，并將重新規(guī)劃的路徑代替原參考路徑，進(jìn)入新一輪的路徑跟蹤控制，使車輛沿動態(tài)參考路徑不斷向全局目標(biāo)點接近。每次局部規(guī)劃路徑的必須足夠長，使車輛有時間避開障礙物，并且能對前方未規(guī)劃區(qū)域中的路徑進(jìn)行規(guī)劃，并使兩次規(guī)劃的路徑有足夠的重疊長度，從而保證運動路徑的可靠性和最優(yōu)性。

3 典型局部路徑規(guī)劃方法分析

現(xiàn)階段智能汽車的局部路徑規(guī)劃方法多樣，但在實時性與魯棒性等方面有所差異，本文對三種典型局部路徑規(guī)劃方法進(jìn)行綜合分析，以研究該技術(shù)在現(xiàn)階段的發(fā)展現(xiàn)狀與發(fā)展趨勢。

3.1 人工勢場法

人工勢場法主要原理是在空間中構(gòu)造一種虛擬的勢場。智能汽車要到達(dá)的目標(biāo)點對其產(chǎn)生引力勢場，方向由四周向自身聚攏，而障礙物對汽車產(chǎn)生斥力勢場，方向由其自身向外部發(fā)散。由于引力勢場和斥力勢場的共同作用，引力場根據(jù)與目標(biāo)點的距離增加而單調(diào)遞增，且方向指向目標(biāo)點，而斥力場在車輛處在障礙物位置時有一極大值，并根據(jù)車輛與障礙物距離的增大而單調(diào)減小，方向指向遠(yuǎn)離障礙物方向。智能汽車能夠在引力作用下向目標(biāo)點移動，因為斥力作用而躲避障礙物，因此汽車能夠順利安全地到達(dá)終點。

智能汽車受到的勢場是單個引力勢場和斥力勢場之和，可表示為：

total（）=att（）+rep（）

智能汽車所受合力為：

total（）=att（）+rep（）

而傳統(tǒng)人工勢場算法僅適用于障礙物是靜態(tài)的情況下，而現(xiàn)實交通環(huán)境中也存在動態(tài)障礙物，因此發(fā)展傳統(tǒng)人工勢場算法應(yīng)考慮速度因素，并運用到動態(tài)路徑規(guī)劃中。動態(tài)人工勢場算法即在傳統(tǒng)人工勢場算法中加入速度斥力函數(shù)，改進(jìn)后的智能汽車所受合力函數(shù)可表示為：

total（）=att（）+rep（）+repv（）

人工勢場算法簡單實用，且有著良好的實時性和較簡單的結(jié)構(gòu)，便于底層的實時控制，在智能汽車的實時避障和平滑的軌跡控制方面得到廣泛的應(yīng)用。

然而由于引力勢場的范圍比較大，而斥力的作用范圍只是局部的，當(dāng)車輛和障礙物的距離超過障礙物影響范圍的時候，車輛不受排斥勢場的影響。因此而會出現(xiàn)諸如存在陷阱區(qū)域、在相近的障礙物群中不能識別路徑和在狹窄通道中擺動之類的缺點。因此，人工勢場法只能解決局部空間的避障問題。

3.2 神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法采用廣泛互聯(lián)的結(jié)構(gòu)與有效的學(xué)習(xí)機制來模擬人腦信息處理的過程，能夠模擬人腦復(fù)雜的層次化認(rèn)知特點的深度學(xué)習(xí)，并且通過增加網(wǎng)絡(luò)層數(shù)所構(gòu)造的“深層神經(jīng)網(wǎng)絡(luò)”使機器能夠獲得“抽象概念”能力。由于其算力和泛用性等方面的優(yōu)越性，對于應(yīng)對往往處于信息完全未知或部分未知環(huán)境的局部路徑規(guī)劃，神經(jīng)網(wǎng)絡(luò)算法體現(xiàn)出了很大的應(yīng)用潛力。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃方法往往是建立一個關(guān)于車輛從初始位置到目標(biāo)位置行走路徑的神經(jīng)網(wǎng)絡(luò)模型，模型輸入是傳感器信息和車輛前一位置或者前一位置的運動方向，通過對模型訓(xùn)練輸出車輛下一位置或者下一位置的運動方向，這一過程使用尋優(yōu)方法比較費時。而改進(jìn)后的遺傳算法往往通過動態(tài)避障路徑規(guī)劃局部路徑，將環(huán)境中的動態(tài)數(shù)據(jù)輸入至系統(tǒng)，通過其自學(xué)習(xí)能力降低環(huán)境中的動態(tài)因素對系統(tǒng)的影響。

神經(jīng)網(wǎng)絡(luò)算法的分類準(zhǔn)確度高，并行分布處理能力強，分布存儲及學(xué)習(xí)能力強，對噪聲神經(jīng)有較強的魯棒性和容錯能力，同時具備充分逼近復(fù)雜的非線性關(guān)系和聯(lián)想記憶的功能。對于智能汽車動態(tài)運行狀態(tài)的多狀態(tài)處理有著很強的包容性。然而其廣泛互聯(lián)的結(jié)構(gòu)和自主學(xué)習(xí)機制的這一特點，也導(dǎo)致神經(jīng)網(wǎng)絡(luò)算法存在著不可忽視的缺點，即大量的參數(shù)和較長的學(xué)習(xí)時間。正因如此，機器計算能力和平臺功耗限制了神經(jīng)網(wǎng)絡(luò)算法的發(fā)展，為了實現(xiàn)具有更深層次深入學(xué)習(xí)的復(fù)雜神經(jīng)網(wǎng)絡(luò)算法，需要有高性能并行加速計算平臺的支持。神經(jīng)網(wǎng)絡(luò)算法的另一問題則是不能觀察之間的學(xué)習(xí)過程，輸出結(jié)果難以解釋，這會影響到結(jié)果的可信度和可接受程度。

3.3 智能水滴算法

智能水滴算法是一種群智能算法，它通過模擬水流對河床沖刷過程中水滴的路徑選擇原理來實現(xiàn)對輸入數(shù)據(jù)的整流和規(guī)劃。在水流沖刷河床時，河床表面會形成很多溝壑，泥沙含量少的河床部分被帶走的泥沙多。將水流細(xì)化為大量水滴的集合，每個水滴有速度變量、泥沙含量等屬性。在重力驅(qū)動下，水滴選擇路徑時會選擇阻力相對較小的路徑，也就是泥沙量少的路徑，這樣水滴才會具有更快的速度，從而帶走更多的泥沙。水滴通過不斷地選擇含泥沙更少的路徑，最終到達(dá)目的地，為了使此次路徑規(guī)劃對后續(xù)的路徑規(guī)劃具有指導(dǎo)作用，對該選擇路徑上的泥沙含量進(jìn)行更新。而智能水滴算法就是對這一物理現(xiàn)象進(jìn)行仿生模擬，運用于數(shù)據(jù)分析從而得到的。為了解決將傳統(tǒng)的智能水滴算法用于路徑規(guī)劃時的局限性和存在的問題，改進(jìn)后的智能水滴算法往往在改進(jìn)路徑選擇概率、局部泥沙量更新和全局泥沙量更新上進(jìn)行一系列適配性的改進(jìn)。

智能水滴算法流程如圖1所示。智能水滴算法是一種新穎的群智能算法，該算法己經(jīng)被成功應(yīng)用于解決多種問題，并且取得了很好的實驗結(jié)果，然而將智能水滴算法用于局部路徑規(guī)劃，存在兩方面的問題：規(guī)劃出的路徑不光滑，無法滿足汽車的動力學(xué)要求；算法收斂速度過慢，無法滿足汽車實時避障的要求。

圖1 智能水滴算法流程圖

4 總結(jié)與展望

在當(dāng)前各傳感器與計算平臺技術(shù)水平飛速提升的大環(huán)境下，各類規(guī)劃方法的數(shù)據(jù)精度和運算能力需求可以基本得到保證，各類算法也在朝著高實時性和高魯棒性方向發(fā)展。而互聯(lián)網(wǎng)也為深度學(xué)習(xí)技術(shù)帶來了海量的可用技術(shù)，各類被算力所限制的神經(jīng)網(wǎng)絡(luò)算法也得以不斷優(yōu)化，智能汽車的網(wǎng)聯(lián)化也變得可行。

然而智能汽車局部路徑規(guī)劃的各類方法還存在較大的局限性，在真實路面的實驗環(huán)節(jié)往往會出現(xiàn)前輪頻繁抖動以及近的障礙物群中不能識別路徑等問題，距離達(dá)到L4甚至L5級別無人駕駛所需求的精度還比較遠(yuǎn)。

而目前的局部路徑規(guī)劃主要是將路徑規(guī)劃算法與路徑跟蹤算法相結(jié)合，從而完成智能汽車行進(jìn)過程中的跟蹤與避障。針對汽車的起步、停車和減速等多動態(tài)過程還需要不同的避障策略，以形成整體的路徑規(guī)劃系統(tǒng)。

［1］張殿富，劉福.基于人工勢場法的路徑規(guī)劃方法研究及展望［J］.計算機工程與科學(xué)，2013，35（6）：88-95.

［2］羅鷹，冒興蜂.智能汽車換道避障路徑規(guī)劃與跟蹤控制研究［J］.機械設(shè)計與制造，2019（7）：139-143.

［3］陳虹，申忱，郭洪艷，等.面向動態(tài)避障的智能汽車滾動時域路徑規(guī)劃［J］.中國公路學(xué)報，2019，32（1）：162-172.

［4］周虹，張磊，譚陽.旁域更新智能水滴算法軟時間窗車輛路徑優(yōu)化［J］.計算機工程與應(yīng)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

〔編輯：王霞〕