黨亞南，田照星，郭利強(qiáng)

(中北大學(xué) 信息與通信工程學(xué)院，太原 030051)

0 引言

隨著自動(dòng)化技術(shù)與人工智能技術(shù)的相互融合快速發(fā)展，自動(dòng)駕駛車輛應(yīng)運(yùn)而生，它可以減少因人為原因?qū)е碌慕煌ㄊ鹿?，也可以為殘疾人、行?dòng)不便老年人等提供開車的權(quán)力，人工智能合理的路徑規(guī)劃也可以節(jié)約駕駛時(shí)間。激光雷達(dá)傳感器因具備探測(cè)精度高、穿透能力強(qiáng)和能夠三維成像等優(yōu)點(diǎn)，常常被搭載在自動(dòng)駕駛車輛來實(shí)現(xiàn)對(duì)車輛周身環(huán)境的感知。

在國外，對(duì)車載激光雷達(dá)技術(shù)研究具有代表性的機(jī)構(gòu)主要有美國麻省理工學(xué)院的林肯實(shí)驗(yàn)室、韓國工業(yè)技術(shù)研究院和三星機(jī)電有限公司等[1-4]。1998年，美國麻省理工學(xué)院林肯實(shí)驗(yàn)室成功研發(fā)出第一代激光雷達(dá)(Gen-Ⅰ)，通過激光器機(jī)械旋轉(zhuǎn)掃描實(shí)驗(yàn)，獲得了128×128像素的三維立體圖像。2001年，該實(shí)驗(yàn)室研發(fā)出第二代激光雷達(dá)(Gen-Ⅱ)，采用固體激光器，32×32硅APD探測(cè)器，擴(kuò)大了激光雷達(dá)的探測(cè)面積。2003年，該實(shí)驗(yàn)室研發(fā)出第三代激光雷達(dá)(Gen-Ⅲ)，通過在激光發(fā)射機(jī)前端增加了以衍射鏡為核心的光學(xué)系統(tǒng)，有效抑制了激光雷達(dá)在使用過程中遭遇的環(huán)境光干擾。在2012年，韓國工業(yè)技術(shù)研究院和三星機(jī)電有限公司在線性陣列探測(cè)器激光雷達(dá)系統(tǒng)的基礎(chǔ)上共同研制出具備高級(jí)三維成像功能的KIDAR-B25激光雷達(dá)系統(tǒng)[5-6]。

在國內(nèi)，對(duì)車載激光雷達(dá)展開深入研究的代表性機(jī)構(gòu)主要有：中科院上海技術(shù)物理研究所、哈爾濱工業(yè)大學(xué)和廣西空間與測(cè)繪重點(diǎn)實(shí)驗(yàn)室等單位[7-9]。中科院上海物理研究所成功研發(fā)出基于3×3APD探測(cè)器的激光雷達(dá)系統(tǒng)。隨后，該研究所又成功研制出一種高精度三維成像激光發(fā)射系統(tǒng)[10]。哈爾濱工業(yè)大學(xué)研制出采用532 nm調(diào)制激光器的面陣激光雷達(dá)系統(tǒng)[11]。廣西空間與測(cè)繪重點(diǎn)實(shí)驗(yàn)室利用光纖耦合的方式，改進(jìn)激光雷達(dá)接收系統(tǒng)，實(shí)現(xiàn)了多通道同步測(cè)量。

1 自動(dòng)駕駛車輛激光雷達(dá)系統(tǒng)結(jié)構(gòu)

自動(dòng)駕駛車輛激光雷達(dá)系統(tǒng)工作原理：激光發(fā)射電路在主控模塊的作用下向目標(biāo)物發(fā)射激光。當(dāng)激光打在目標(biāo)物上時(shí)，目標(biāo)物將激光反射回激光接收電路，然后由主控模塊對(duì)信號(hào)進(jìn)行計(jì)算、處理，得到大量無拓?fù)浣Y(jié)構(gòu)離散的空間坐標(biāo)點(diǎn)，即點(diǎn)云，通過計(jì)算機(jī)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行處理可以使車輛準(zhǔn)確感知到當(dāng)前路面狀況并使得車輛及時(shí)做出相應(yīng)操作。自動(dòng)駕駛車輛激光雷達(dá)系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

圖1 自動(dòng)駕駛車輛激光雷達(dá)系統(tǒng)結(jié)構(gòu)框圖

2 車載激光雷達(dá)發(fā)射接收常用技術(shù)

2.1 車載激光雷達(dá)信號(hào)發(fā)射技術(shù)

車載激光雷達(dá)的信號(hào)發(fā)射系統(tǒng)分為機(jī)械式、混合式和固態(tài)式三種。

2.1.1 機(jī)械式激光雷達(dá)

機(jī)械式激光雷達(dá)由于其探測(cè)性能優(yōu)越，技術(shù)成熟成為目前的主流，機(jī)械式激光雷達(dá)是安置在汽車頂部，通過控制系統(tǒng)來控制機(jī)械掃描結(jié)構(gòu)轉(zhuǎn)動(dòng)，實(shí)現(xiàn)由“線”到“面”對(duì)車輛周身環(huán)境360°全方位的感知，機(jī)械掃描結(jié)構(gòu)是由多個(gè)激光器豎直排列起來，在激光器前方加入透鏡和底座的旋轉(zhuǎn)結(jié)構(gòu)構(gòu)成的，機(jī)械式激光雷達(dá)掃描時(shí)具有掃描速度快，抗外界干擾能力強(qiáng)和能對(duì)外界環(huán)境實(shí)現(xiàn)360°掃描等優(yōu)點(diǎn)。

2.1.2 混合式激光雷達(dá)

混合式車載激光雷達(dá)是將激光雷達(dá)安裝在汽車頂部，通過將激光器固定，控制激光器前方的MEMS振鏡進(jìn)行旋轉(zhuǎn)，從而使激光雷達(dá)實(shí)現(xiàn)對(duì)車身周圍環(huán)境120°的掃描，混合式車載激光雷達(dá)內(nèi)部振鏡的尺寸很難把控，尺寸的大小關(guān)系到振鏡的頻率、車輛控制的實(shí)時(shí)性和激光雷達(dá)的探測(cè)距離。這個(gè)問題是目前混合激光雷達(dá)量產(chǎn)和實(shí)際應(yīng)用的一個(gè)技術(shù)難點(diǎn)。

2.1.3 全固態(tài)式激光雷達(dá)

全固態(tài)車載激光雷達(dá)中光學(xué)相控陣車載激光雷達(dá)是將多個(gè)光電掃描單元排列組成，在每個(gè)設(shè)置好的方向上依次產(chǎn)生高強(qiáng)度光束完成掃描；閃光型車載激光雷達(dá)是直接向前方發(fā)射出大片激光光束，完成對(duì)目標(biāo)區(qū)域的檢測(cè)。全固態(tài)車載激光雷達(dá)具有無時(shí)延、穩(wěn)定性高等優(yōu)點(diǎn)，通常安裝在車身多個(gè)方位以便實(shí)現(xiàn)對(duì)周圍環(huán)境全方位的掃描。

2.2 車載激光雷達(dá)信號(hào)接收技術(shù)

車載激光雷達(dá)信號(hào)接收方法分為非相干探測(cè)和相干探測(cè)兩種。

2.2.1 非相干探測(cè)

非相干探測(cè)利用光電探測(cè)器直接將激光雷達(dá)發(fā)射系統(tǒng)發(fā)射出的激光信號(hào)轉(zhuǎn)換為電信號(hào)。非相干探測(cè)方法具有操作難度低和探測(cè)系統(tǒng)簡單等優(yōu)點(diǎn)[12]。因此非相干探測(cè)的方法是目前車載激光雷達(dá)信號(hào)接收最常用的方法。

2.2.2 相干探測(cè)

相干探測(cè)的方法指的是在激光雷達(dá)發(fā)射出激光后通過分光束，將激光光束分為一束參考光束，一束發(fā)射激光，待光電探測(cè)器接收到激光回波信號(hào)后，將回波信號(hào)和參考光束進(jìn)行相關(guān)處理，去除掉回波信號(hào)中摻雜的噪聲信號(hào)。相干探測(cè)的方法具有探測(cè)精度高、靈敏度高和信噪比高等優(yōu)點(diǎn)。

3 激光雷達(dá)點(diǎn)云數(shù)據(jù)軟件處理的關(guān)鍵技術(shù)

點(diǎn)云數(shù)據(jù)軟件處理的幾個(gè)關(guān)鍵技術(shù)主要包括點(diǎn)云分割聚類算法、目標(biāo)識(shí)別算法和自動(dòng)駕駛車輛路徑規(guī)劃算法。

3.1 點(diǎn)云分割聚類算法

在進(jìn)行點(diǎn)云分割聚類之前需要對(duì)初始點(diǎn)云數(shù)據(jù)集進(jìn)行預(yù)處理。點(diǎn)云分割聚類算法是將點(diǎn)云數(shù)據(jù)集根據(jù)其特征進(jìn)行分割和聚類，常用的點(diǎn)云分割算法包括DBSCAN、K-means和歐式聚類等。

3.1.1 DBSCAN算法

DBSCAN算法的中心思想是根據(jù)每個(gè)點(diǎn)云之間的密度將點(diǎn)云數(shù)據(jù)集分割成多個(gè)聚類。

DBSCAN算法具有算法原理簡單，便于實(shí)現(xiàn)，能夠?qū)Σ煌螤畹奈矬w進(jìn)行聚類，對(duì)噪聲不敏感等優(yōu)點(diǎn)。但是隨著激光點(diǎn)云數(shù)據(jù)量的增加，會(huì)出現(xiàn)內(nèi)存占用嚴(yán)重，導(dǎo)致聚類收斂速度變慢，實(shí)時(shí)性變差等問題；而且當(dāng)空間密度不均勻時(shí)，DBSCAN算法無法對(duì)遠(yuǎn)近距離的目標(biāo)產(chǎn)生相同的聚類收斂效果，就會(huì)出現(xiàn)漏檢和誤檢的情況[13]。

文獻(xiàn)[14]通過對(duì)密度不均勻的點(diǎn)云數(shù)據(jù)進(jìn)行分區(qū)，在分區(qū)內(nèi)進(jìn)行核心點(diǎn)的遍歷，實(shí)現(xiàn)對(duì)目標(biāo)的快速檢測(cè)；文獻(xiàn)[15]通過建立KD-Tree索引可以快速去除與核心點(diǎn)不相關(guān)的點(diǎn)云數(shù)據(jù)，然后通過優(yōu)化參數(shù)Eps提高對(duì)遠(yuǎn)距離目標(biāo)的點(diǎn)云收斂聚類效果；文獻(xiàn)[16]根據(jù)點(diǎn)云的分布特性設(shè)計(jì)了橢圓鄰域。橢圓的參數(shù)隨著采樣點(diǎn)的位置能夠進(jìn)行自適應(yīng)調(diào)整，通過使用 KITTI 數(shù)據(jù)集對(duì)橢圓的參數(shù)進(jìn)行數(shù)值優(yōu)化；文獻(xiàn)[17]通過基于k近鄰最大距離平均值的估計(jì)方法來使Eps實(shí)現(xiàn)自動(dòng)調(diào)節(jié)。

以上改進(jìn)方法很好的改進(jìn)了DBSCAN算法中存在的問題，此外提高了DBSCAN算法正檢率、檢測(cè)精度和聚類效果，而且縮短了DBSCAN算法運(yùn)行時(shí)間。

3.1.2 K-means算法

k-means算法的中心思想是依據(jù)點(diǎn)云數(shù)據(jù)到K個(gè)聚類中心的歐氏距離將點(diǎn)云數(shù)據(jù)反復(fù)聚類到K個(gè)聚類中。

k-means算法具有算法原理簡單、便于實(shí)現(xiàn)、運(yùn)算快和聚類效果好等優(yōu)點(diǎn)，但是k-means算法對(duì)噪聲和異常點(diǎn)比較敏感，不能將噪聲和異常點(diǎn)剔除掉，往往會(huì)把噪聲點(diǎn)和異常點(diǎn)歸于離聚類中心歐式距離最近的聚類中，而且k-means算法的時(shí)間復(fù)雜度較高，對(duì)k的選值也會(huì)影響聚類效果。

文獻(xiàn)[18]通過將改進(jìn)的果蠅算法優(yōu)化K-means算法，提高了K-means算法的噪聲魯棒性和準(zhǔn)確率；文獻(xiàn)[19]通過構(gòu)造相異度矩陣,建立每個(gè)樣本點(diǎn)的鄰域，選取K個(gè)相互距離較遠(yuǎn)且鄰域內(nèi)樣本點(diǎn)較密集的初始聚類中心,在減少了算法的迭代次數(shù)的同時(shí)，提高了聚類效果；文獻(xiàn)[20]提出了將數(shù)據(jù)集映射到網(wǎng)格的網(wǎng)格-K-means算法，利用網(wǎng)格點(diǎn)作為加權(quán)代表點(diǎn)對(duì)數(shù)據(jù)集進(jìn)行處理，以此解決算法效率低、聚類精度差等問題。

某村2014年人口達(dá)8280人，流域范圍內(nèi)土家族和漢族混居的特點(diǎn)較為明顯。且其為貧困山區(qū)，故而其也被國家列為重點(diǎn)扶貧區(qū)域。2009年前，該村村民散居地形高度差達(dá)到了1300m以上。受到計(jì)劃經(jīng)濟(jì)和交通條件等因素的影響，該村的集體經(jīng)濟(jì)發(fā)展水平較低，農(nóng)民生活質(zhì)量不高，而且村莊公共基礎(chǔ)設(shè)施建設(shè)不夠完善。2009年后，新的領(lǐng)導(dǎo)班子以山區(qū)生態(tài)資源為基礎(chǔ)，充分調(diào)動(dòng)了基層村委會(huì)的主觀能動(dòng)性，積極利用貧困山區(qū)政策資源的優(yōu)勢(shì)，全面擴(kuò)大市場(chǎng)優(yōu)勢(shì)，從而有效帶動(dòng)大批基層群眾開展鄉(xiāng)村建設(shè)。

以上改進(jìn)算法很好的改進(jìn)了k-means算法存在的問題，還提出了選取聚類中心點(diǎn)的新方法，在一定程度上提高了聚類效果。

3.2 目標(biāo)識(shí)別算法

目標(biāo)識(shí)別算法是指將點(diǎn)云分割聚類算法分割聚類后的多個(gè)點(diǎn)云數(shù)據(jù)集進(jìn)行識(shí)別，目標(biāo)識(shí)別算法主要有SVM算法、RF算法和人工神經(jīng)網(wǎng)絡(luò)等。

3.2.1 SVM算法

SVM算法的中心思想是對(duì)聚類分割后的待測(cè)點(diǎn)云數(shù)據(jù)集進(jìn)行識(shí)別，通過核函數(shù)將圖像的特征空間從非線性空間轉(zhuǎn)換到線性空間，利用線性分類方法在線性空間進(jìn)行分類識(shí)別。

SVM算法具有能夠解決點(diǎn)云數(shù)據(jù)集樣本小、緯度高和非線性等問題的優(yōu)點(diǎn)，減少算法的運(yùn)算時(shí)間和計(jì)算量，SVM算法在處理不同點(diǎn)云數(shù)據(jù)時(shí)具有較強(qiáng)的適應(yīng)性[21]，但是支持向量機(jī)模型的內(nèi)部參數(shù)和核函數(shù)的選取會(huì)對(duì)分類效果產(chǎn)生很大影響，若選取不當(dāng)會(huì)使算法陷入局部最優(yōu)。

文獻(xiàn)[22]通過在SVM算法中引入全局粒子算法和網(wǎng)格搜索法，在對(duì)點(diǎn)云數(shù)據(jù)集進(jìn)行粗步搜索后再進(jìn)行精細(xì)搜索得到最優(yōu)解；文獻(xiàn)[23]通過將遺傳算法中的交叉變異算子引入SVM算法，這樣使得算法能夠在全局范圍內(nèi)尋找最優(yōu)值；文獻(xiàn)[24]通過在SVM算法中加入交叉驗(yàn)證法和網(wǎng)格搜索算法來得到SVM算法的最優(yōu)解。

3.2.2 RF算法

RF算法的中心思想是利用多個(gè)單分類器對(duì)測(cè)試集進(jìn)行分類，共同參與投票選出最終識(shí)別結(jié)果。

RF算法具有算法容易實(shí)現(xiàn)，分類精度高、分類效果好、訓(xùn)練耗時(shí)短以及應(yīng)用廣泛等優(yōu)點(diǎn)，但當(dāng)RF算法處理不平衡和噪聲過大的點(diǎn)云數(shù)據(jù)時(shí)，容易出現(xiàn)由過多的冗余特征引起的過擬合現(xiàn)象；而且模型常將少數(shù)類歸為多數(shù)類處理來提升整體分類精度，這樣就會(huì)得到虛假的分類精度。

文獻(xiàn)[25]通過使用ReliefF算法來得到分類性能最佳的特征子集來構(gòu)造RF，提高了評(píng)價(jià)指標(biāo)數(shù)值，解決了處理不平衡數(shù)據(jù)的過擬合現(xiàn)象；文獻(xiàn)[26]通過將RF算法和Lasso方法相結(jié)合，使得算法可以根據(jù)不同的輸入樣本動(dòng)態(tài)地獲得決策樹數(shù)目。

以上改進(jìn)算法不僅有效解決了RF算法上述存在的問題，并且RF算法在評(píng)價(jià)指標(biāo)分類精度、靈敏度和AUC等都有了一定程度的提高，在此基礎(chǔ)上還極大的縮短了算法的運(yùn)行時(shí)間。

3.3 路徑規(guī)劃算法

路徑規(guī)劃算法是將目標(biāo)識(shí)別算法識(shí)別出來行人、車輛以及其它障礙物，根據(jù)當(dāng)前車輛狀態(tài)規(guī)劃自動(dòng)駕駛車輛的未來的行駛軌跡。常用路徑規(guī)劃算法有RRT算法、A*算法和蟻群算法等。

3.3.1 RRT算法

RRT算法中心是以根節(jié)點(diǎn)為起點(diǎn)向外進(jìn)行延伸拓展，直到延伸到目標(biāo)節(jié)點(diǎn)，完成規(guī)劃路徑。

RRT算法具有強(qiáng)大的搜索和拓展能力，具有建模時(shí)間少，適應(yīng)能力強(qiáng)，可用于高維路徑規(guī)劃問題和不受系統(tǒng)模型限制等優(yōu)點(diǎn)，

但是RRT算法在運(yùn)算過程向外擴(kuò)展時(shí)沒有區(qū)域限制，會(huì)導(dǎo)致算法計(jì)算量大、計(jì)算速度變慢。其次步長的設(shè)置也會(huì)影響算法的收斂效率，使得規(guī)劃出來的路徑轉(zhuǎn)折點(diǎn)多。

文獻(xiàn)[27]主要通過采用雙向搜索機(jī)制來對(duì)隨機(jī)樹進(jìn)行拓展，基于此，采用啟發(fā)式搜索機(jī)制拉扯隨機(jī)樹向目標(biāo)點(diǎn)生長，提高了算法的規(guī)劃效率；文獻(xiàn)[28]通過將目標(biāo)引力、障礙物斥力和隨機(jī)點(diǎn)引力三合一引入RRT算法，使之可以自適應(yīng)調(diào)節(jié)RRT算法步長，通過剪枝優(yōu)化方法，優(yōu)化路徑長度；文獻(xiàn)[29]通過循環(huán)采樣策略生成隨機(jī)點(diǎn)，通過代價(jià)函數(shù)的擴(kuò)展隨機(jī)點(diǎn)規(guī)則來過濾隨機(jī)點(diǎn)，在選擇相鄰點(diǎn)時(shí)考慮車輛轉(zhuǎn)角范圍，通過b樣條曲線對(duì)路徑進(jìn)行簡化和平滑，以此來提高規(guī)劃路徑質(zhì)量。

以上改進(jìn)算法有效的改進(jìn)了PPT算法收斂較慢、計(jì)算量大、節(jié)點(diǎn)利用率低以及步長設(shè)置的問題，并且減少了采樣節(jié)點(diǎn)、縮短了路徑長度和極大縮短了算法運(yùn)算時(shí)間。

3.3.2 A*算法

A*算法的算法中心是通過估價(jià)函數(shù)進(jìn)行評(píng)估并給出其搜索路徑，直到形成了一條包含起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的規(guī)劃路徑。

A*算法具有算法簡單、搜索能力強(qiáng)、尋路效率較高和求解穩(wěn)定性高等優(yōu)點(diǎn)，但是它在路徑規(guī)劃過程中存在計(jì)算量大、內(nèi)存占用嚴(yán)重和規(guī)劃的路徑轉(zhuǎn)折點(diǎn)多、不平滑等缺點(diǎn)。

文獻(xiàn)[30]通過跳點(diǎn)算法對(duì)A*算法搜索進(jìn)行改進(jìn)，并在此基礎(chǔ)上通過Floyd算法對(duì)規(guī)劃路徑進(jìn)行優(yōu)化；文獻(xiàn)[31]通過減少開啟列表中的節(jié)點(diǎn)數(shù)量，剔除掉冗余路徑點(diǎn)和不必要的轉(zhuǎn)折點(diǎn)；文獻(xiàn)[32]通過在A*算法的代價(jià)函數(shù)中加入角度評(píng)估代價(jià)函數(shù)，不僅可以尋找到拐點(diǎn)最小的路徑，而且可以縮短找到最優(yōu)路徑的時(shí)間；文獻(xiàn)[33]通過擴(kuò)展搜索鄰域去除多余節(jié)點(diǎn)，并利用DWA算法改進(jìn)評(píng)估函數(shù)，以便算法可以找到最優(yōu)路徑，提高節(jié)點(diǎn)利用率。

這些改進(jìn)算法有效的改進(jìn)了算法計(jì)算量大，計(jì)算速度慢，內(nèi)存占用嚴(yán)重以及轉(zhuǎn)折點(diǎn)多和路徑不平滑等問題，而且減少了采樣節(jié)點(diǎn)、縮短了路徑長度、提高節(jié)點(diǎn)利用率。

4 結(jié)束語

5G時(shí)代的到來，讓自動(dòng)駕駛車輛的廣泛應(yīng)用成為了可能，隨著激光雷達(dá)點(diǎn)云數(shù)據(jù)處理的發(fā)展，在未來進(jìn)行車載激光雷達(dá)點(diǎn)云數(shù)據(jù)的發(fā)射系統(tǒng)的選取時(shí)，因固態(tài)激光雷達(dá)具有無時(shí)延、體積小、成本低等優(yōu)點(diǎn)會(huì)被優(yōu)先選擇。

目前使用最多的激光雷達(dá)點(diǎn)云數(shù)據(jù)的接收方法是非相干探測(cè)，未來的發(fā)展趨勢(shì)會(huì)通過設(shè)計(jì)高功率、窄脈沖的激光驅(qū)動(dòng)電路和選擇靈敏度高，探測(cè)面積大的光電二極管來優(yōu)化非相干探測(cè)方法。

在未來激光雷達(dá)點(diǎn)云數(shù)據(jù)的軟件處理中，點(diǎn)云分割聚類算法中因K-means算法更適用于分類重疊、高維的激光點(diǎn)云數(shù)據(jù)可以被優(yōu)先考慮使用，但需要主要解決K-means算法對(duì)噪聲不敏感以及K值選取問題，未來對(duì)噪聲不敏感的問題可以通過引入果蠅算法和將數(shù)據(jù)集映射到網(wǎng)格，利用網(wǎng)格點(diǎn)作為加權(quán)代表點(diǎn)對(duì)數(shù)據(jù)集進(jìn)行處理等方法解決，未來對(duì)其K值的選取可以通過構(gòu)造相異度矩陣和通過數(shù)據(jù)對(duì)象密度信息和與中心點(diǎn)的距離信息的結(jié)合進(jìn)行選取。在未來目標(biāo)識(shí)別算法中，因RF算法具有較高的精確度、召回率、AUC和較快的訓(xùn)練時(shí)間可以優(yōu)先考慮使用該算法，但需要主要解決RF算法處理不平衡、噪聲過大的點(diǎn)云數(shù)據(jù)時(shí)容易過擬合的問題，未來可以通過引入ReliefF算法來處理過擬合現(xiàn)象，在未來路徑規(guī)劃算法中，因RRT算法算法具有規(guī)劃路徑速度快，能夠滿足算法實(shí)時(shí)性的要求，而且可以進(jìn)行高維路徑規(guī)劃和不受系統(tǒng)模型限制可以被優(yōu)先考慮使用該算法，但需要主要解決RRT算法使得規(guī)劃出來的路徑轉(zhuǎn)折點(diǎn)多的問題，未來可以通過利用b樣條曲線和驅(qū)動(dòng)一致性與路徑平滑算法相結(jié)合的方法來光滑規(guī)劃路徑。