陳智偉，胡勁文，趙春暉，王 策，侯曉磊，潘 泉，王 騰，徐 釗

野外無(wú)人車(chē)路徑規(guī)劃與軌跡規(guī)劃技術(shù)

陳智偉1，胡勁文1，趙春暉1，王 策1，侯曉磊1，潘 泉1，王 騰1，徐 釗2

（1. 西北工業(yè)大學(xué)自動(dòng)化學(xué)院信息融合技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，西安 710072； 2. 西北工業(yè)大學(xué)電子信息學(xué)院，西安 710072）

常規(guī)布局及結(jié)構(gòu)化的城市環(huán)境中的無(wú)人地面車(chē)，其環(huán)境感知和路徑規(guī)劃技術(shù)的研究相對(duì)成熟。然而，無(wú)人車(chē)在信息未知、環(huán)境復(fù)雜的野外進(jìn)行自主規(guī)劃和障礙規(guī)避尚存在困難。針對(duì)復(fù)雜環(huán)境中無(wú)人車(chē)的路徑規(guī)劃和軌跡規(guī)劃技術(shù)展開(kāi)研究，首先，考慮環(huán)境相對(duì)未知、存在凹凸障礙物和起伏地面等因素，利用激光雷達(dá)、相機(jī)和IMU組成車(chē)載多傳感器系統(tǒng)獲取復(fù)雜的野外環(huán)境信息并進(jìn)行數(shù)據(jù)處理和校正；其次，通過(guò)訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò)（RBF網(wǎng)絡(luò)）對(duì)野外環(huán)境進(jìn)行建模；然后，基于環(huán)境模型引入起點(diǎn)至目標(biāo)位置的距離、環(huán)境高度和梯度以構(gòu)建約束，通過(guò)優(yōu)化約束函數(shù)實(shí)現(xiàn)復(fù)雜環(huán)境中無(wú)人車(chē)的路徑規(guī)劃；最后，基于Minimum Snap的思想，利用階多項(xiàng)式擬合得到的路徑，將規(guī)劃后生成的折線(xiàn)路徑優(yōu)化為最終需要跟蹤的軌跡。通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了方法的有效性：所提出的方法實(shí)現(xiàn)了無(wú)人地面車(chē)在野外環(huán)境中自主路徑規(guī)劃和軌跡規(guī)劃。

無(wú)人地面車(chē)；環(huán)境感知；路徑規(guī)劃；神經(jīng)網(wǎng)絡(luò)；約束優(yōu)化；軌跡規(guī)劃

1 引 言

隨著傳感、控制、計(jì)算等關(guān)鍵性技術(shù)的不斷發(fā)展和硬件系統(tǒng)的升級(jí)，無(wú)人車(chē)成為智能領(lǐng)域的新興產(chǎn)物，無(wú)人駕駛技術(shù)也成了科研界的熱門(mén)研究課題[1]。無(wú)人地面車(chē)輛是最常見(jiàn)的無(wú)人系統(tǒng)之一，在已知環(huán)境和簡(jiǎn)單地形中，無(wú)人車(chē)的路徑規(guī)劃技術(shù)研究相對(duì)成熟。然而，在野外環(huán)境中，先驗(yàn)信息不足，不僅地面起伏不平，無(wú)人車(chē)在執(zhí)行任務(wù)時(shí)還可能會(huì)遇到石塊、土堆、凹坑等不同種類(lèi)的障礙物，野外復(fù)雜的環(huán)境情況給車(chē)輛前進(jìn)和安全行駛造成困擾。在復(fù)雜環(huán)境中自主行駛的無(wú)人車(chē)可代替人類(lèi)執(zhí)行危險(xiǎn)任務(wù)，如作戰(zhàn)打擊、運(yùn)輸物資、搜索救援等。在科學(xué)研究方面，無(wú)人車(chē)對(duì)野外復(fù)雜環(huán)境的高度適應(yīng)力在未來(lái)外星勘測(cè)和采集工作方面具有值得展望的前景；在經(jīng)濟(jì)效益方面，野外無(wú)人車(chē)技術(shù)的研究對(duì)未來(lái)無(wú)人汽車(chē)減少事故具有應(yīng)用價(jià)值[2]。

野外無(wú)人車(chē)控制的核心技術(shù)是路徑規(guī)劃算法，分為經(jīng)典路徑規(guī)劃算法和啟發(fā)式路徑規(guī)劃算法。典型的路徑規(guī)劃算法包括細(xì)胞分解法、采樣法和基于抽樣的方法，如快速探索隨機(jī)樹(shù)（RRT）[3]等。狀態(tài)空間過(guò)大或情況相對(duì)不可預(yù)測(cè)時(shí)，典型路徑規(guī)劃方法效率降低，甚至無(wú)法完成。啟發(fā)式搜索通過(guò)設(shè)計(jì)評(píng)價(jià)省略了無(wú)意義的計(jì)算，常見(jiàn)的啟發(fā)式搜索算法有遺傳算法（GA）[4]、蟻群算法（ACO）[5]、粒子群優(yōu)化算法（PSO）[6]等，這些算法和基于這些算法簡(jiǎn)單改進(jìn)的啟發(fā)式路徑規(guī)劃方法，在復(fù)雜度高和需要實(shí)時(shí)判斷的野外環(huán)境中并不適用。解決野外復(fù)雜環(huán)境中的路徑規(guī)劃問(wèn)題，需要對(duì)傳統(tǒng)的路徑規(guī)劃算法進(jìn)行優(yōu)化，必要時(shí)，需要與其他算法相結(jié)合以提高解決問(wèn)題的有效性。Q-learning算法[7]是增強(qiáng)學(xué)習(xí)算法之一，基于該方法優(yōu)化改進(jìn)的經(jīng)驗(yàn)?記憶?學(xué)習(xí)（EMQL）算法[8]用以實(shí)現(xiàn)自主學(xué)習(xí)下的路徑規(guī)劃。這類(lèi)強(qiáng)化學(xué)習(xí)的方法是一種在研究路徑規(guī)劃時(shí)用于提高移動(dòng)機(jī)器人環(huán)境適應(yīng)度的框架，但該方法屬于全局規(guī)劃，難以滿(mǎn)足實(shí)時(shí)性要求。A*算法廣泛用于機(jī)器人避障，Cheng等人[9]提出了用動(dòng)態(tài)窗和A*算法結(jié)合來(lái)優(yōu)化路徑規(guī)劃的技術(shù)，檢測(cè)全局地圖中突然出現(xiàn)的障礙物實(shí)現(xiàn)局部避障，提高了移動(dòng)機(jī)器人運(yùn)動(dòng)時(shí)全局最優(yōu)和實(shí)時(shí)避障的能力，但該算法的計(jì)算量會(huì)隨環(huán)境復(fù)雜度提高而增大，收斂慢。韓明等人[10]針對(duì)傳統(tǒng)方法收斂慢和局部最優(yōu)的問(wèn)題，對(duì)粒子群優(yōu)化下路徑規(guī)劃算法進(jìn)行了改進(jìn)，這種改進(jìn)的方法具有較快的收斂速度，但傾向于將環(huán)境信息納入路徑規(guī)劃中同時(shí)考慮，對(duì)自適應(yīng)性的要求較高。Germi團(tuán)隊(duì)針對(duì)移動(dòng)機(jī)器人的GA路徑規(guī)劃算法，提出一種利用自適應(yīng)勢(shì)場(chǎng)優(yōu)化路徑規(guī)劃方法的技術(shù)[11]，提高了路徑規(guī)劃對(duì)環(huán)境的自適應(yīng)性，但路徑規(guī)劃時(shí)只求可行性，無(wú)法保證最優(yōu)性。成昌巍等人[12]針對(duì)局部最小值和不可達(dá)點(diǎn)的問(wèn)題改進(jìn)了人工勢(shì)場(chǎng)路徑規(guī)劃算法，這種改進(jìn)型算法能使機(jī)器人避免陷入局部最優(yōu)。路徑規(guī)劃得到的是空間位置點(diǎn)，軌跡規(guī)劃得到最終的軌跡。Yu等人[13]在機(jī)器人任務(wù)運(yùn)動(dòng)研究中通過(guò)多項(xiàng)式對(duì)關(guān)節(jié)定點(diǎn)進(jìn)行插值，提高了機(jī)器人運(yùn)動(dòng)的平穩(wěn)性，但羅列的動(dòng)力學(xué)條件較多，擬合條件比較苛刻。Goll等人[14]提出了基于2D網(wǎng)格的地面機(jī)器人軌跡規(guī)劃方法，通過(guò)考慮路徑和執(zhí)行誤差實(shí)現(xiàn)了非理想運(yùn)動(dòng)的軌跡擬合，但該方法是一種局部軌跡規(guī)劃方法。

本文提出了一種基于環(huán)境建模的野外無(wú)人車(chē)路徑規(guī)劃和軌跡規(guī)劃算法。直接進(jìn)行野外環(huán)境下的路徑規(guī)劃較為困難，可利用環(huán)境感知技術(shù)和路徑規(guī)劃技術(shù)相結(jié)合的方式達(dá)到目的。首先，通過(guò)傳感器獲取環(huán)境信息并處理，再通過(guò)訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行環(huán)境建模，得到較為精確的野外環(huán)境模型。其次，通過(guò)模型提取所需的高度和梯度信息作為參考，構(gòu)建約束并優(yōu)化約束函數(shù)進(jìn)行從起點(diǎn)到終點(diǎn)的路徑規(guī)劃。最后對(duì)路徑進(jìn)行優(yōu)化，由于得到的路徑是由空間位置點(diǎn)連接成的折線(xiàn)路徑，基于Minimum Snap思想用階多項(xiàng)式進(jìn)行曲線(xiàn)擬合，達(dá)到軌跡規(guī)劃的目的。

2 環(huán)境感知與建模

2.1 多傳感器系統(tǒng)

在野外環(huán)境中，由于光線(xiàn)遮擋和復(fù)雜地形等因素，單獨(dú)使用視覺(jué)傳感器進(jìn)行感知會(huì)產(chǎn)生偏差。隨著環(huán)境感知技術(shù)的發(fā)展，多傳感器融合可幫助無(wú)人車(chē)在復(fù)雜的野外環(huán)境中獲取更加準(zhǔn)確的信息。使用三維激光雷達(dá)、單目相機(jī)和慣性測(cè)量單元（IMU）組成傳感器系統(tǒng)進(jìn)行環(huán)境感知，雷達(dá)是核心傳感器，相機(jī)和IMU是輔助傳感器。雷達(dá)、相機(jī)和IMU將輸入點(diǎn)云信息、圖像信息和姿態(tài)角信息，其表達(dá)式分別為

2.2 點(diǎn)云數(shù)據(jù)處理和位姿校正

然后利用IMU得到的姿態(tài)角信息算出旋轉(zhuǎn)矩陣，通過(guò)旋轉(zhuǎn)矩陣實(shí)現(xiàn)車(chē)體坐標(biāo)系和地面坐標(biāo)系的匹配，坐標(biāo)轉(zhuǎn)換的表達(dá)式為

2.3 基于RBF神經(jīng)網(wǎng)絡(luò)的環(huán)境建模

如何通過(guò)傳感器信息正確建立野外環(huán)境模型是后續(xù)做路徑規(guī)劃的基礎(chǔ)。野外環(huán)境中的障礙物種類(lèi)復(fù)雜多樣，包括土坑、樹(shù)木、石塊等。對(duì)于路徑規(guī)劃技術(shù)，不需要分析具體的障礙物種類(lèi)，只要獲取不同類(lèi)別的地面信息作為建立環(huán)境模型的參考輸入即可。野外環(huán)境中，高于地面的障礙物稱(chēng)為凸障礙物，低于地面的障礙物稱(chēng)為凹障礙物。激光雷達(dá)掃描得到的點(diǎn)云可以反映兩類(lèi)不同的障礙物，把傳感器信息作為輸入，在建立準(zhǔn)確的環(huán)境模型后，利用模型正確設(shè)計(jì)路徑規(guī)劃的約束即可達(dá)到避障的目的。環(huán)境建模的方法有構(gòu)建環(huán)境的地圖模型和數(shù)學(xué)模型。前者的代表是目前比較熱門(mén)的同時(shí)定位與地圖構(gòu)建技術(shù)（SLAM），這種方法需要大量的儲(chǔ)存空間和計(jì)算成本。相對(duì)于前者的高計(jì)算成本，無(wú)人車(chē)系統(tǒng)對(duì)實(shí)時(shí)性的要求更高，本文采用后者的思想，使用將傳感器信息放入神經(jīng)網(wǎng)絡(luò)訓(xùn)練回歸數(shù)學(xué)模型來(lái)進(jìn)行環(huán)境建模。

RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近的神經(jīng)網(wǎng)絡(luò)，能實(shí)現(xiàn)以高精度逼近任意連續(xù)的非線(xiàn)性網(wǎng)絡(luò)。它是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。輸入層是傳感系統(tǒng)信號(hào)源的輸入，隱含層指隱含神經(jīng)元，輸出層則是隱含層的加權(quán)線(xiàn)性組合。因?yàn)榛旌细咚鼓Ｐ涂蓴M合任意函數(shù)分布，一般取高斯核函數(shù)為神經(jīng)元。如圖1即是一個(gè)簡(jiǎn)單的徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包含兩個(gè)信號(hào)源輸入、四個(gè)隱含層高斯核函數(shù)，將通過(guò)訓(xùn)練得到需要的線(xiàn)性輸出。當(dāng)信息更加復(fù)雜時(shí)，可增加隱含層神經(jīng)元的數(shù)量，因此，通過(guò)個(gè)隱含神經(jīng)元，徑向基神經(jīng)網(wǎng)絡(luò)不僅可以近似任意函數(shù)，而且網(wǎng)絡(luò)權(quán)值求取能由線(xiàn)性方程組求解得到。即網(wǎng)絡(luò)由輸入到輸出的映射是非線(xiàn)性的，而網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)又是線(xiàn)性的。

圖1 徑向基神經(jīng)網(wǎng)絡(luò)

2.4 環(huán)境模型的復(fù)雜性

環(huán)境的復(fù)雜性因素可以由兩方面來(lái)描述：一是環(huán)境的結(jié)構(gòu)和數(shù)據(jù)量；二是環(huán)境建模的復(fù)雜度。結(jié)構(gòu)越復(fù)雜、數(shù)據(jù)越多，反映的信息越詳細(xì)，但是用于保存環(huán)境信息的內(nèi)存開(kāi)始變大，難以實(shí)時(shí)更新和快速規(guī)劃；相對(duì)地，若模型結(jié)構(gòu)簡(jiǎn)單，數(shù)據(jù)量小，則會(huì)丟失有用的環(huán)境細(xì)節(jié)。環(huán)境建模的復(fù)雜度則表明建模速度的快慢，若復(fù)雜度太大，則建模困難，難以反映環(huán)境變化。

本文提出的基于數(shù)學(xué)模型的建模，其復(fù)雜性低于地圖建模的SLAM，不論是與建立語(yǔ)義地圖還是拓?fù)涞貓D比，數(shù)學(xué)模型的數(shù)據(jù)和結(jié)構(gòu)均相對(duì)簡(jiǎn)單，最重要的是從模型函數(shù)中提取數(shù)據(jù)更為簡(jiǎn)單。采用數(shù)學(xué)模型建模時(shí)，訓(xùn)練單隱層前饋RBF神經(jīng)網(wǎng)絡(luò)比訓(xùn)練多隱含層的BP網(wǎng)絡(luò)效率高、收斂快、效果好。

3 基于環(huán)境模型的無(wú)人車(chē)路徑規(guī)劃

3.1 基于模型的路徑規(guī)劃策略

環(huán)境建模將存在障礙物、情況相對(duì)未知的復(fù)雜野外環(huán)境抽象成數(shù)學(xué)模型，基于無(wú)人地面車(chē)輛的路徑規(guī)劃轉(zhuǎn)化成數(shù)學(xué)模型中的優(yōu)化求解。此時(shí)，野外無(wú)人車(chē)路徑規(guī)劃的策略為：通過(guò)提取環(huán)境模型中所需要考慮的環(huán)境信息，綜合考慮初始位置到目標(biāo)位置的距離作為約束條件，再通過(guò)優(yōu)化代價(jià)函數(shù)求解路徑點(diǎn)。本文引入距離、梯度和高度構(gòu)建約束函數(shù)，通過(guò)優(yōu)化約束函數(shù)求取空間路徑點(diǎn)。

3.2 約束函數(shù)的構(gòu)建和路徑生成

其中：前兩項(xiàng)為環(huán)境數(shù)學(xué)模型對(duì)坐標(biāo)的偏導(dǎo)，用以描述環(huán)境梯度，進(jìn)而通過(guò)梯度值是否突變表征是否遇到障礙物地形；第三項(xiàng)為高度。無(wú)人車(chē)路徑規(guī)劃的目的是找到一條離目標(biāo)點(diǎn)距離近、高度和梯度綜合值比較小的路徑。綜合考慮這些物理量，約束函數(shù)可以設(shè)計(jì)為

設(shè)計(jì)好約束函數(shù)后，通過(guò)求解帶不等約束的非線(xiàn)性?xún)?yōu)化問(wèn)題生成路徑點(diǎn)，達(dá)到路徑規(guī)劃的目的。即求解：

4 野外無(wú)人車(chē)軌跡規(guī)劃方法

4.1 多項(xiàng)式擬合路徑生成軌跡

路徑規(guī)劃求解得到路徑點(diǎn)，最終路徑是由坐標(biāo)點(diǎn)連成的折線(xiàn)路徑。本節(jié)研究將折線(xiàn)路徑優(yōu)化成曲線(xiàn)軌跡的軌跡規(guī)劃技術(shù)。

一個(gè)多項(xiàng)式軌跡無(wú)法擬合復(fù)雜的曲線(xiàn)。在時(shí)間同步和順序不變的前提下，將需要優(yōu)化成曲線(xiàn)軌跡的路徑分成多段，每一段都是一個(gè)階多項(xiàng)式軌跡。即

4.2 基于Minimum Snap思想構(gòu)建目標(biāo)函數(shù)和等式約束

因此，經(jīng)過(guò)運(yùn)算可得到優(yōu)化目的為最小化目標(biāo)函數(shù)：

圖2 軌跡規(guī)劃的等式約束

得到目標(biāo)函數(shù)后，為進(jìn)行軌跡規(guī)劃還需要構(gòu)建等式約束。如圖2所示，多項(xiàng)式軌跡擬合的等式約束包括兩部分，第一是導(dǎo)數(shù)約束，即位置、速度、加速度的約束；第二是連續(xù)性約束，即位置、速度、加速度在時(shí)間策略下具體如何相等的約束。包括將起點(diǎn)和終點(diǎn)的位置、速度、加速度作為約束條件；將中間所有點(diǎn)的位置、速度和加速度連續(xù)作為約束條件；將中間所有點(diǎn)在時(shí)間策略下的位置匹配作為約束條件。通過(guò)等式約束下最小化目標(biāo)函數(shù)可以求得軌跡參數(shù)。

5 仿真實(shí)驗(yàn)

5.1 實(shí)驗(yàn)平臺(tái)與實(shí)驗(yàn)場(chǎng)景

本文進(jìn)行的實(shí)驗(yàn)基于優(yōu)艾智和Youibot3無(wú)人地面車(chē)輛。如圖3所示，把無(wú)人車(chē)放置在一個(gè)30 m′20 m的矩形野外環(huán)境，地面起伏不平。設(shè)置相應(yīng)的凸障礙物和凹障礙物：實(shí)驗(yàn)場(chǎng)地中用三個(gè)約0.8 m高的箱子和1個(gè)約0.6 m高的土堆代表需要避開(kāi)的凸障礙物，用一個(gè)深0.8 m的土坑代表需要避開(kāi)的凹障礙物。

圖3 實(shí)驗(yàn)場(chǎng)景

5.2 環(huán)境感知和建模仿真

圖5 野外環(huán)境模型

5.3 路徑規(guī)劃仿真及分析

圖6 路徑規(guī)劃仿真結(jié)果

圖7 提高環(huán)境信息權(quán)值后路徑規(guī)劃仿真結(jié)果

5.3 軌跡規(guī)劃仿真

本文采用五階多項(xiàng)式擬合路徑并將其優(yōu)化成曲線(xiàn)軌跡，得到軌跡規(guī)劃點(diǎn)后計(jì)算每一段路徑的距離和總的距離，初始化多項(xiàng)式階數(shù)為5，參數(shù)個(gè)數(shù)為6，軌跡條數(shù)為?1 = 24。初始化總的分配時(shí)間為= 25，求解矩陣，利用時(shí)間分配構(gòu)建位置連續(xù)約束，通過(guò)循環(huán)求取其他約束。用二次規(guī)劃函數(shù)求解目標(biāo)函數(shù)和約束下的所有參數(shù)，返回參數(shù)并畫(huà)出軌跡圖，得到軌跡曲線(xiàn)。最終仿真結(jié)果如圖8所示，圖6得到的折線(xiàn)路徑成功擬合成最終需要跟蹤的曲線(xiàn)軌跡。

圖8 軌跡規(guī)劃仿真結(jié)果

6 結(jié) 論

在存在障礙物和情況相對(duì)未知復(fù)雜的野外環(huán)境中，無(wú)人車(chē)的路徑規(guī)劃相對(duì)困難和復(fù)雜。針對(duì)該問(wèn)題，將環(huán)境感知技術(shù)作為路徑規(guī)劃的基礎(chǔ)，提出了一種基于環(huán)境建模的野外無(wú)人車(chē)路徑規(guī)劃和軌跡規(guī)劃方法。仿真結(jié)果表明，這種路徑規(guī)劃方法可有效實(shí)現(xiàn)野外環(huán)境中的障礙規(guī)避，同時(shí)生成最終軌跡。

在未來(lái)的工作中，當(dāng)需要處理的環(huán)境信息更加復(fù)雜時(shí)，如何更好地利用傳感器系統(tǒng)得到的數(shù)據(jù)進(jìn)行信息融合，使得感知更加準(zhǔn)確也是一個(gè)研究方向。對(duì)于未知環(huán)境，隨著任務(wù)需求更加多元化，多輛野外無(wú)人車(chē)協(xié)同控制也是一個(gè)研究方向。在大數(shù)據(jù)時(shí)代，如何將機(jī)器學(xué)習(xí)與控制技術(shù)相結(jié)合設(shè)計(jì)一種高效的無(wú)人系統(tǒng)框架，可以有效提高無(wú)人車(chē)的智能水平，這也是一個(gè)值得開(kāi)展的工作。

[1] 李艷. 無(wú)人駕駛汽車(chē)將奔向何方[J]. 中國(guó)商界, 2017(7): 116-119.

[2] 陳云峰, 鄒丹. 美國(guó)先進(jìn)野外無(wú)人戰(zhàn)車(chē)發(fā)展歷程[J]. 輕兵器, 2014(14): 20-23.

[3] Kuffner J J, Lavalle S M. RRT-connect: An efficient approach to single-query path planning[C]. IEEE International Conference on Robotics and Automation(ICRA), San Francisco, USA, April 24-28, 2000.

[4] Gemeinder M, Gerke M. GA-based path planning for mobile robot systems employing an active search algorithm[J]. Applied Soft Computing, 2003(2): 149-158.

[5] Duan H, Yu Y, Zhang X, et al. Three-dimension path planning for UCAV using hybrid meta-heuristic ACO-DE algorithm[J]. Simulation Modelling Practice and Theory, 2010, 18(8): 1104-1115.

[6] Masehian E, Sedighizadeh D. A multi-objective PSO-based algorithm for robot path planning[C]. IEEE International Conference on Industrial Technology(ICIT), Vina del Mar, Chile, May 27, 2010.

[7] Watkins C J, Dayan P. Q-learning[J]. Machine Learning, 1992， 8(3): 279-292.

[8] Zhao M, Lu H, Yang S, et al. The experience-memory Q-learning algorithm for robot path planning in unknown environment[J]. IEEE Access, 2020, 1(1): 98-99.

[9] Cheng C, Hao X, Li J, et al. Global dynamic path planning based on fusion of improved A* algorithm and dynamic window approach[J]. Hsi-An Chiao Tung Ta Hsueh/journal of Xi’an Jiaotong University, 2017, 51(11): 137-143.

[10] 韓明，劉教民，吳朔梅，等. 粒子群優(yōu)化的移動(dòng)機(jī)器人路徑規(guī)劃算法[J].計(jì)算機(jī)應(yīng)用，2017, 37(8): 2258-2263.

[11] Germi S B, Khosravi M A, Fesharakifard R. Adaptive GA-based potential field algorithm for collision-free path planning of mobile robots in dynamic environments[C]. RSI International Conference on Robotics and Mechatronics (ICRM). London, UK, November 19-20, 2018.

[12] 成昌巍, 胡勁文, 王策, 等. 基于改進(jìn)型人工勢(shì)場(chǎng)的路徑規(guī)劃方法[J]. 無(wú)人系統(tǒng)技術(shù), 2019, 2(6): 10-16.

[13] Yu H, Meng Q, Zhang J, et al. Time-optimal trajectory planning of robot based on improved adaptive genetic algorithm[C]. IEEE Chinese Control and Decision Conference (CCDC), Shen Yang, China, June 9-11, 2018.

[14] Goll S A, Luksha S S, Leushkin V S, et al. Unmanned ground vehicle local trajectory planning algorithm[C]. IEEE Mediterranean Conference on Embedded Computing, 2016(1): 317-321.

Path Planning and Trajectory Planning Technology of Unmanned Ground Vehicle (UGV) in the Field

CHEN Zhiwei1, HU Jinwen1, ZHAO Chunhui1, WANG Ce1, HOU Xiaolei1, PAN Quan1, WANG Teng1, XU Zhao2

(1. Ministry of Education Key Laboratory of Information Fusion Technology, School of Automation, Northwestern Polytechnical University, Xi’an 710072, China; 2. School of Electronic Information, Northwestern Polytechnical University, Xi’an 710072, China)

For the Unmanned Ground Vehicle (UGV) in conventional layout and structured urban environments, the environment perception and path planning technologies are relatively mature. However, the UGV has difficulties in autonomous planning and obstacle avoidance in the field with less information. This article focuses on the path planning and trajectory planning technology of UGV in the complex field environment. Firstly, considering factors like the presence of convex obstacles, concave obstacles and the undulating ground, the on-board sensors system composed of lidar, camera and IMU are used to obtain complex field environment information and data processing. Then, the field environment can be modeled by training Radial Basis Function neural networks (RBF networks). After that, the constraint is constructed by the obtained environment model and the constraint function is optimized for path planning of UGV in the field environment by introducing the distance between start position and the target position, the environment height and gradient. Finally, the path is fit by the N-order polynomial based on the Minimum Snap so that the obtained path can be optimized to the trajectory that needs to be tracked. The effectiveness of this method is verified by simulation experiments that it can achieve the purpose of autonomous path planning and trajectory planning of the UGV in the complex field environment.

Unmanned Ground Vehicle；Environment Perception；Path Planning；RBF Neural Network；Constraints Optimization；Trajectory Planning

TP242.6

A

2096–5915(2021)02–40?09

10.19942/j.issn.2096?5915.2021.2.017

陳智偉，胡勁文，趙春暉，等. 野外無(wú)人車(chē)路徑規(guī)劃與軌跡規(guī)劃技術(shù)[J]. 無(wú)人系統(tǒng)技術(shù)，2021，4(2)：40–48.

2020–10–10；

2020–11–27

國(guó)家自然科學(xué)基金（61803309，61703343）；中央高?；A(chǔ)研究經(jīng)費(fèi)（3102019ZDHKY02，3102018JCC003）；陜西省自然科學(xué)基金（2018JQ6070，2019JM-254）；中國(guó)博士后科學(xué)基金（2018M633574）

陳智偉（1997?），男，碩士研究生，主要研究方向?yàn)闊o(wú)人車(chē)自主控制、SLAM地圖重構(gòu)與環(huán)境感知。

胡勁文（1983?），男，博士，副教授，主要研究方向?yàn)闊o(wú)人機(jī)編隊(duì)、智能車(chē)、協(xié)同控制、網(wǎng)絡(luò)控制等。本文通訊作者。

趙春暉（1973?），男，博士，副教授，主要研究方向?yàn)闊o(wú)人機(jī)感知規(guī)避與視覺(jué)導(dǎo)航、圖像處理、目標(biāo)跟蹤識(shí)別。

王 策（1995?），男，碩士研究生，主要研究方向?yàn)榧す饫走_(dá)與相機(jī)檢測(cè)。

侯曉磊（1985?），男，博士，講師，主要研究方向?yàn)檫b操作系統(tǒng)、無(wú)人機(jī)飛行控制等。

潘 泉（1961?），男，博士，教授，主要研究方向?yàn)樾畔⑷诤?、目?biāo)跟蹤與識(shí)別、深度網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)等。

王 騰（1998?），男，碩士研究生，主要研究方向?yàn)闊o(wú)人機(jī)飛行控制與編隊(duì)。

徐 釗（1982?），女，博士，副教授，主要研究方向?yàn)榛诖髷?shù)據(jù)分析的儀器故障預(yù)測(cè)等。