孔國(guó)杰，馮時(shí)，于會(huì)龍，巨志揚(yáng)，龔建偉

(1.北京理工大學(xué) 機(jī)械與車輛學(xué)院，北京 100081;2.32398 部隊(duì)，北京 100192)

0 引言

地面無(wú)人集群系統(tǒng)由多個(gè)同構(gòu)或異構(gòu)的無(wú)人車構(gòu)成，是共同完成統(tǒng)一目標(biāo)的協(xié)作系統(tǒng)，在軍事［1-3］、生產(chǎn)［4］、物流［5］、交通［6-7］等各個(gè)領(lǐng)域能夠發(fā)揮重要作用，其典型應(yīng)用場(chǎng)景如圖1 所示。多車協(xié)同系統(tǒng)協(xié)同涉及交通流優(yōu)化［8-9］、智能任務(wù)調(diào)度分配［10-12］、多智能體協(xié)同定位［13-14］、協(xié)同規(guī)劃控制［15-24］等多個(gè)研究方向，目前，在智能車輛、智能交通、機(jī)器人等方向的研究及應(yīng)用領(lǐng)域，已經(jīng)取得了許多優(yōu)秀成果。隨著車與外界(V2X) 通信技術(shù)的發(fā)展［25-27］，無(wú)人車輛能夠通過(guò)網(wǎng)絡(luò)通訊與其他車輛、網(wǎng)絡(luò)設(shè)備、路面基礎(chǔ)設(shè)施等進(jìn)行互聯(lián)，單無(wú)人車輛獲取信息的范圍逐漸擴(kuò)大，并能夠基于交互信息進(jìn)行分析決策，進(jìn)一步促進(jìn)了車車、車網(wǎng)、車路之間的信息交互，從而使得多車協(xié)同系統(tǒng)有了更廣泛的應(yīng)用場(chǎng)景。

圖1 多車協(xié)同系統(tǒng)應(yīng)用場(chǎng)景Fig.1 Applications of cooperative motion planning

多車協(xié)同系統(tǒng)能夠?qū)崿F(xiàn)更合理的資源分配和任務(wù)分配，以及提高復(fù)雜任務(wù)的執(zhí)行容錯(cuò)率和魯棒性，在執(zhí)行各類復(fù)雜任務(wù)，如大面積環(huán)境探索［12］、集群打擊［28-29］、倉(cāng)儲(chǔ)物流［5］、協(xié)同施工作業(yè)時(shí)［30］，具有更大的優(yōu)勢(shì)。此外，多車協(xié)同系統(tǒng)有利于提升交通通行效率、改善擁堵狀況、減少污染排放與能源消耗，對(duì)系統(tǒng)整體效率提升及能耗降低有著重要的作用［31-33］。多車協(xié)同系統(tǒng)是多智能體系統(tǒng)的一個(gè)典型實(shí)例［34-38］，每輛無(wú)人車可看作一個(gè)智能體，在多個(gè)智能體協(xié)同行駛或作業(yè)時(shí)，會(huì)不可避免地產(chǎn)生運(yùn)動(dòng)軌跡沖突問(wèn)題。僅依靠單一平臺(tái)的感知、決策和控制進(jìn)行“孤島式”的相互避障策略，易受到環(huán)境及傳感器等因素的干擾，造成車輛避讓策略失誤，導(dǎo)致危險(xiǎn)情況的發(fā)生，既無(wú)法滿足多車協(xié)同系統(tǒng)的安全性需求，亦不能充分發(fā)揮多車協(xié)同系統(tǒng)的優(yōu)勢(shì)，這就產(chǎn)生了協(xié)同決策規(guī)劃的需求。

本文針對(duì)多車協(xié)同系統(tǒng)的協(xié)同運(yùn)動(dòng)規(guī)劃技術(shù)展開調(diào)研，對(duì)現(xiàn)有方法進(jìn)行總結(jié)和分類，并針對(duì)不同技術(shù)類型的特點(diǎn)進(jìn)行詳細(xì)分析。

1 國(guó)內(nèi)外發(fā)展現(xiàn)狀概述

1.1 國(guó)外多車協(xié)同技術(shù)及應(yīng)用場(chǎng)景概述

國(guó)外多車協(xié)同系統(tǒng)研究起步較早。早期研究由于硬件限制，大部分針對(duì)于小規(guī)模的多車協(xié)同系統(tǒng)，更多利用單體智能，依靠簡(jiǎn)單規(guī)則和交互完成多車協(xié)同。1996 年加拿大Alberta 大學(xué)Kube 等［15］研發(fā)了Collective Robotics 多車協(xié)同任務(wù)系統(tǒng)，實(shí)現(xiàn)了多個(gè)無(wú)人平臺(tái)的協(xié)作推箱任務(wù);1994 年美國(guó)加州大學(xué)PATH 項(xiàng)目進(jìn)行了高速環(huán)境下的多車協(xié)同行駛實(shí)驗(yàn)，實(shí)現(xiàn)了多車編隊(duì)穩(wěn)定行駛、加速、跟隨車輛進(jìn)入及離開編隊(duì)等［16］。近年來(lái)，隨著計(jì)算平臺(tái)算力的提升和通信技術(shù)的發(fā)展，多車協(xié)同系統(tǒng)向著大范圍作業(yè)、集群規(guī)模化、協(xié)同智能化的方向快速發(fā)展，研究人員將單車路徑規(guī)劃、模型預(yù)測(cè)控制(MPC)［39-43］、博弈論［44-46］等理論引入多車協(xié)同系統(tǒng)中，在理論探索和實(shí)驗(yàn)研究方面取得了大量進(jìn)展。Gerdts 等［17］將多車協(xié)同問(wèn)題表述為一個(gè)帶有反碰撞約束的順序規(guī)劃問(wèn)題，并通過(guò)求解障礙物包圍下的車輛最快無(wú)碰撞軌跡實(shí)現(xiàn)多車協(xié)同;英國(guó)Bucharest 大學(xué)Gabriela 等［18］通過(guò)建立交通管制決策優(yōu)化目標(biāo)，提出了一種4D 空間多車沖突檢測(cè)和沖突解決的優(yōu)化方法，通過(guò)調(diào)整速度及軌跡的中長(zhǎng)期避讓策略和通過(guò)調(diào)整航向的短期避讓策略實(shí)現(xiàn)協(xié)同規(guī)劃;荷蘭代爾夫特理工大學(xué)Zhu 等［19］提出一種考慮運(yùn)動(dòng)不確定性的分布式多車協(xié)同規(guī)劃方法，將每個(gè)智能體與實(shí)體的碰撞概率約束構(gòu)建為機(jī)會(huì)約束，通過(guò)假設(shè)不確定性符合高斯分布，將機(jī)會(huì)約束轉(zhuǎn)化為確定性線性約束，并基于分布式MPC 求解多智能體的無(wú)沖突路徑。

除了理論方面的探索外，在實(shí)際應(yīng)用方面，國(guó)外許多科研單位也對(duì)多車協(xié)同系統(tǒng)進(jìn)行了一系列的探索，如美國(guó)航空航天局(NASA) 為實(shí)現(xiàn)外星球資源與環(huán)境探索目標(biāo)，設(shè)立Swarmie 項(xiàng)目［20］，利用多個(gè)具有感知、定位與通信功能的無(wú)人車，實(shí)現(xiàn)協(xié)同大面積未知區(qū)域探索，如圖2(a) 所示。美國(guó)海軍研究辦公室對(duì)水陸兩棲小型無(wú)人戰(zhàn)車集群展開研究，實(shí)現(xiàn)了多車協(xié)同兩棲作戰(zhàn)能力的提升。歐盟設(shè)立Martha課題，開展多車協(xié)同搬運(yùn)方面的研究，旨在提升多車協(xié)同系統(tǒng)的工作效率和能力。

圖2 國(guó)內(nèi)外多車協(xié)同系統(tǒng)研究現(xiàn)狀Fig.2 Research status of cooperative multi-vehicle systems

1.2 國(guó)內(nèi)多車協(xié)同技術(shù)及應(yīng)用場(chǎng)景概述

與國(guó)外相比，國(guó)內(nèi)對(duì)多車協(xié)同系統(tǒng)的研究開展相對(duì)較晚，然而，隨著近年來(lái)我國(guó)技術(shù)實(shí)力的快速提升與人工智能技術(shù)的快速突破，產(chǎn)生了許多有價(jià)值的理論研究成果與實(shí)際應(yīng)用［47-50］。清華大學(xué)Xu 等［7］針對(duì)部分車聯(lián)網(wǎng)環(huán)境下的多車隊(duì)列協(xié)同避讓問(wèn)題，提出了相對(duì)動(dòng)能密度的概念，在車聯(lián)網(wǎng)環(huán)境下設(shè)計(jì)了總相對(duì)動(dòng)能密度最小的多車協(xié)同控制算法。北京理工大學(xué)毛昱天等［38］針對(duì)初始通信網(wǎng)絡(luò)拓?fù)錇閺?qiáng)連通非平衡圖條件下的多車協(xié)同控制問(wèn)題進(jìn)行研究，在系統(tǒng)中存在和不存在領(lǐng)航者的條件下實(shí)現(xiàn)多車協(xié)同系統(tǒng)的分布式集群控制，實(shí)現(xiàn)了多車集群的編隊(duì)行駛，如圖2(b) 所示。

此外，國(guó)內(nèi)許多研究機(jī)構(gòu)與企業(yè)也紛紛開始探索多車協(xié)同系統(tǒng)的實(shí)際應(yīng)用［51-53］。陸軍裝備部“跨越險(xiǎn)阻2021 陸上無(wú)人系統(tǒng)挑戰(zhàn)賽”中加入無(wú)人車編組快速突擊組別、陸空無(wú)人系統(tǒng)集群偵查打擊組別等，將多無(wú)人系統(tǒng)集群作戰(zhàn)概念運(yùn)用到復(fù)雜地形、復(fù)雜天候和復(fù)雜電磁環(huán)境下，有力提高了多車協(xié)同系統(tǒng)在軍用領(lǐng)域的實(shí)際應(yīng)用水平，為占領(lǐng)未來(lái)智能化陸戰(zhàn)制高點(diǎn)提供技術(shù)儲(chǔ)備。京東物流將多車協(xié)同系統(tǒng)應(yīng)用于倉(cāng)儲(chǔ)物流領(lǐng)域，在其倉(cāng)儲(chǔ)配送中心使用百余臺(tái)具備環(huán)境感知、自主定位、協(xié)同作業(yè)等功能的物流機(jī)器人對(duì)快遞進(jìn)行快速分揀，如圖2(c) 所示。

2 多車協(xié)同系統(tǒng)協(xié)同運(yùn)動(dòng)規(guī)劃框架分類

多車協(xié)同規(guī)劃算法的整體框架類型主要分為集中式框架、分布式或分散式框架［54］，以及分層分布式或混合框架，如圖3 所示。

圖3 多車協(xié)同規(guī)劃算法框架Fig.3 Framework of multi-vehicle path planning

集中式框架［55］是指中央控制器計(jì)算所有被控車輛的運(yùn)動(dòng)軌跡，并發(fā)布給各車需執(zhí)行的控制量或控制參考量。由于各車需要與中央控制器直接進(jìn)行有關(guān)控制量的信息傳輸，常常要求所有被控車輛是網(wǎng)聯(lián)式的，并且各車之間能相互通信或車輛與基站之間(V2I) 能相互通信［56］。集中式框架的優(yōu)點(diǎn)是能獲取所有車輛的確定性狀態(tài)信息，從而能采用多無(wú)人車整體優(yōu)化的方法實(shí)現(xiàn)規(guī)劃結(jié)果的全局最優(yōu)性。當(dāng)計(jì)算規(guī)模小時(shí)，若采用高性能計(jì)算機(jī)作為中央控制器來(lái)實(shí)行并行計(jì)算，足夠滿足計(jì)算效率的要求。然而，當(dāng)被控車輛數(shù)目增加時(shí)，由于僅在一個(gè)機(jī)器上求解，計(jì)算代價(jià)和通信負(fù)擔(dān)顯著增加。這也是限制集中式框架廣泛應(yīng)用的主要原因。Li 等［54］將多車運(yùn)動(dòng)規(guī)劃問(wèn)題統(tǒng)一為集中式框架下考慮避免碰撞約束的最優(yōu)控制問(wèn)題，并提出一種基于初始化的計(jì)算框架——漸進(jìn)約束動(dòng)態(tài)優(yōu)化框架(PCDO) 以減少中央控制器的計(jì)算負(fù)擔(dān)，最終以多車協(xié)同停車任務(wù)驗(yàn)證了軌跡規(guī)劃結(jié)果的最優(yōu)性。

分散式框架或分布式框架是指各車有自己獨(dú)立的控制器，承載各自軌跡規(guī)劃任務(wù)［57］。一方面，對(duì)于大規(guī)模的無(wú)人車環(huán)境，將原始的多無(wú)人車全局優(yōu)化問(wèn)題分解為多個(gè)次優(yōu)的子問(wèn)題，由各車分?jǐn)傆?jì)算負(fù)擔(dān)，保證實(shí)時(shí)運(yùn)行效率;另一方面，對(duì)于無(wú)人車覆蓋率小于100%的環(huán)境，車輛在無(wú)法通過(guò)直接通信獲取其他車輛狀態(tài)信息的情況下，需自行通過(guò)感知預(yù)測(cè)等模塊觀測(cè)其他交通參與者的狀態(tài)和行為，并以此進(jìn)行規(guī)劃。Mirheli 等［58］提出了一種在無(wú)信號(hào)燈路口進(jìn)行協(xié)調(diào)駕駛的分布式規(guī)劃控制邏輯DCSICL，與其此前提出集中式框架方法SICL［59］相比，能以更少的CPU 計(jì)算時(shí)間來(lái)生成接近最優(yōu)的車輛軌跡，并且分布式算法框架不會(huì)隨著被控車輛數(shù)目的增多而延長(zhǎng)運(yùn)行時(shí)間。整體而言，通常分布式框架犧牲解的全局最優(yōu)性以換取更高的計(jì)算效率。

分層分布式框架也稱混合框架，結(jié)合了集中式和分布式框架的優(yōu)點(diǎn)［60-62］。在此框架中，中央控制器可以通過(guò)與各被控車輛通信來(lái)進(jìn)行集中式的規(guī)劃與控制，同時(shí)，各被控車輛之間又可以通過(guò)與相鄰車輛的通信來(lái)協(xié)同完成一定的任務(wù)。在此協(xié)同框架下，各車輛既受中央控制器的統(tǒng)一規(guī)劃任務(wù)控制，又保留了一定的車間協(xié)同自主性。分層分布式協(xié)同規(guī)劃框架既保留了集中式框架的全局最優(yōu)性，又保留了分布式框架的可擴(kuò)展性及魯棒性的優(yōu)點(diǎn)，可以在求解質(zhì)量和規(guī)劃的時(shí)間成本之間取得一個(gè)較好的平衡。

綜上所述，各類多車協(xié)同規(guī)劃算法框架都有其適用范圍，在求解規(guī)模不大且對(duì)解的質(zhì)量要求高時(shí)，優(yōu)先考慮集中式框架;而對(duì)于系統(tǒng)規(guī)模較大或存在非網(wǎng)聯(lián)車輛的情況，需要保證車輛有一定的分布式計(jì)算能力。

3 多車協(xié)同系統(tǒng)協(xié)同運(yùn)動(dòng)規(guī)劃算法分類

在多車協(xié)同系統(tǒng)中，多車協(xié)同決策規(guī)劃模塊需要計(jì)算多個(gè)車輛在未來(lái)一段時(shí)間內(nèi)的無(wú)沖突運(yùn)動(dòng)軌跡。需要在考慮多個(gè)車輛可能存在的運(yùn)動(dòng)沖突的同時(shí)，考慮環(huán)境因素、車輛自身結(jié)構(gòu)和車輛動(dòng)力學(xué)特性等因素對(duì)車輛運(yùn)動(dòng)軌跡帶來(lái)的限制，在較短時(shí)間內(nèi)規(guī)劃出多車運(yùn)動(dòng)相互之間無(wú)沖突、安全且易于控制模塊進(jìn)行軌跡跟蹤的運(yùn)動(dòng)軌跡。本節(jié)基于多車協(xié)同系統(tǒng)的框架分類，對(duì)不同框架下的算法進(jìn)行整理，并分析其特點(diǎn)。

3.1 集中式框架下的多車協(xié)同規(guī)劃方法

集中式框架采用中心節(jié)點(diǎn)計(jì)算、車輛節(jié)點(diǎn)執(zhí)行的方案，由中央計(jì)算設(shè)備對(duì)所有車輛的軌跡進(jìn)行實(shí)時(shí)規(guī)劃［54］，車輛負(fù)責(zé)跟蹤執(zhí)行所接收到的路徑結(jié)果?；诩惺娇蚣艿膮f(xié)同規(guī)劃方法通常可以計(jì)算出全局最優(yōu)軌跡，提升系統(tǒng)的執(zhí)行效率和協(xié)同效果，廣泛應(yīng)用于倉(cāng)儲(chǔ)物流、集群打擊等場(chǎng)景，然而，由于集中式框架對(duì)于通訊狀態(tài)和中心節(jié)點(diǎn)計(jì)算能力要求都十分高，在面對(duì)野外大面積探索、農(nóng)業(yè)作業(yè)等作業(yè)區(qū)域較廣、通訊延時(shí)較大的非結(jié)構(gòu)化道路場(chǎng)景任務(wù)時(shí)表現(xiàn)一般。目前集中式框架下的多車協(xié)同主要包括基于搜索算法和基于優(yōu)化控制的方法。

3.1.1 集中式框架下的多車協(xié)同規(guī)劃方法

在集中式的多車協(xié)同規(guī)劃中一類方法是在單車路徑搜索算法的基礎(chǔ)上進(jìn)行改進(jìn)而來(lái)［63］，此類方法中在單車搜索算法之上添加了對(duì)路徑?jīng)_突的處理機(jī)制，其中路徑?jīng)_突主要有兩種: 碰撞沖突和交換沖突［64］。此類方法中一類是基于A*搜索算法的方法［65-66］，例如局部修復(fù)A*算法(LRA*) 和分層合作A*算法(HCA*) 等。此類算法隨著車輛數(shù)量和環(huán)境復(fù)雜度增加，可擴(kuò)展性差。為解決這個(gè)問(wèn)題，目前基于路徑搜索的算法最常用的是沖突搜索(CBS)算法［67］。

基于沖突搜索的多車協(xié)同規(guī)劃方法從基于搜索的單車規(guī)劃方法基礎(chǔ)上發(fā)展而來(lái)，是近幾年提出的專門用于求解多車協(xié)同規(guī)劃問(wèn)題的一類分層搜索算法。經(jīng)典算法包括CBS 算法［68-69］、改進(jìn)沖突搜索(ICBS) 算法［70］、增強(qiáng)沖突搜索(ECBS) 算法［71］等。

CBS 算法把多車路徑規(guī)劃問(wèn)題視為多個(gè)單車路徑規(guī)劃問(wèn)題，上層算法找到多車路徑之間的沖突，并通過(guò)分裂結(jié)點(diǎn)的方式在下層搜索中添加多車路徑約束條件，下層算法解決多個(gè)單車路徑規(guī)劃問(wèn)題，在基于搜索的路徑規(guī)劃算法基礎(chǔ)上滿足多車路徑約束，從而解算多車無(wú)沖突路徑［72-73］。在CBS 算法中，下層算法的單車路徑搜索過(guò)程與普通的路徑規(guī)劃方法類似，不同之處在于搜索過(guò)程中需要額外考慮由上層算法添加的沖突約束以及在搜索過(guò)程中需要考慮原地等待等情況。CBS 算法流程如圖4［74］所示，其中圓點(diǎn)代表車輛的初始位置，星號(hào)代表各車輛的目標(biāo)位置，連接初始點(diǎn)和目標(biāo)點(diǎn)的實(shí)線代表相應(yīng)車輛從初始位置到目標(biāo)位置的路徑;填充顏色的方塊代表兩車路徑的沖突結(jié)點(diǎn)。兩輛車在初始時(shí)刻分別由下層算法規(guī)劃各自的路徑，二者在黃色結(jié)點(diǎn)處產(chǎn)生路徑?jīng)_突，因此需要生成新的分支。為消解沖突，在第2 層左側(cè)節(jié)點(diǎn)處添加沖突約束為藍(lán)色車輛不能通過(guò)沖突結(jié)點(diǎn)，右側(cè)節(jié)點(diǎn)處添加沖突約束為紅色車輛不能通過(guò)沖突結(jié)點(diǎn)。在相應(yīng)的沖突約束下，下層規(guī)劃算法重新對(duì)兩輛車進(jìn)行路徑規(guī)劃，并重復(fù)以上步驟，直至生成無(wú)沖突路徑。相較于基于A*算法的協(xié)同規(guī)劃方法，用A*整體規(guī)劃求解多車協(xié)同問(wèn)題需要在擴(kuò)展同時(shí)考慮各車之間的沖突，生成大量無(wú)意義的節(jié)點(diǎn)，CBS 算法通過(guò)添加約束解決沖突，求解效率更高。然而，在車輛數(shù)量較多的高度競(jìng)爭(zhēng)圖中，CBS 由于不能檢測(cè)到獨(dú)立的子問(wèn)題，其性能會(huì)迅速下降，因此出現(xiàn)了眾多基于CBS 的改進(jìn)和優(yōu)化算法。

圖4 CBS 算法示意圖［74］Fig.4 Illustration of CBS algorithm［74］

ICBS 算法在原始算法的基礎(chǔ)上，提出了元智能體的概念，將兩個(gè)沖突的車輛合并為一個(gè)元智能體，從而減少上層分裂結(jié)點(diǎn)的次數(shù)［71，75-76］;此外，CBS算法并不對(duì)沖突進(jìn)行分類，并任選沖突進(jìn)行拆分，性能受沖突選擇影響大，ICBS 算法將運(yùn)動(dòng)沖突進(jìn)行劃分，并提取出主要沖突、半主要沖突以及非主要沖突，通過(guò)優(yōu)先對(duì)主要沖突和半主要沖突進(jìn)行解決，從而提高算法的實(shí)時(shí)性。Barer 等［71］基于CBS 算法，在上下層搜索中將最優(yōu)搜索改為聚焦搜索，得到增強(qiáng)型CBS 算法，可以求得具有可控近似比的多車協(xié)同規(guī)劃問(wèn)題的近似解。聚焦搜索充分利用了上層解之間的沖突信息，使下層搜索更容易避免沖突。Cohen 等［77］在多車協(xié)同規(guī)劃問(wèn)題的原始圖內(nèi)引入了高速路，在高速路上的車輛只能單向行駛，改進(jìn)后的算法下層搜索類似加權(quán)A*算法，該算法也可以求得多車協(xié)同規(guī)劃問(wèn)題的近似最優(yōu)解。Cohen 等［78］將高速路方法加入到ICBS 算法、ECBS 算法中測(cè)試，發(fā)現(xiàn)算法求解性能都得到了提高，并且提出了兩種針對(duì)物流倉(cāng)儲(chǔ)這種場(chǎng)景下的高速路生成算法，使得高速路生成得以自動(dòng)化。

總的來(lái)說(shuō)，基于沖突搜索的多車協(xié)同規(guī)劃方法具有算法完備性，能夠在大面積、多車路徑耦合度高的場(chǎng)景下具有良好的表現(xiàn)，然而其算法框架對(duì)中心計(jì)算節(jié)點(diǎn)的計(jì)算能力要求高，且算法實(shí)時(shí)性一般，難以滿足車輛速度較快的多車協(xié)同場(chǎng)景需求。

3.1.2 基于優(yōu)化控制的集中式多車協(xié)同規(guī)劃方法

基于優(yōu)化的多車協(xié)同規(guī)劃方法在集中式和分布式框架下都有著廣泛的應(yīng)用，集中式框架下的優(yōu)化方法將所有被控車輛的運(yùn)動(dòng)軌跡作為優(yōu)化對(duì)象，相比于單車中基于優(yōu)化的路徑規(guī)劃算法，多車協(xié)同規(guī)劃的優(yōu)化問(wèn)題需要考慮被控對(duì)象之間避免運(yùn)動(dòng)軌跡沖突的約束。基于優(yōu)化的算法核心在于優(yōu)化目標(biāo)的選擇和約束條件的構(gòu)建，其中最典型的算法為預(yù)構(gòu)建碰撞檢測(cè)算法。

預(yù)構(gòu)建碰撞檢測(cè)算法根據(jù)車輛特性和車輛約束生成一系列候選軌跡簇［79-82］，構(gòu)成車輛運(yùn)動(dòng)基元庫(kù)，并分析多車運(yùn)動(dòng)基元庫(kù)之間兩兩時(shí)空三維坐標(biāo)系下的碰撞可能性，從而預(yù)構(gòu)建碰撞矩陣或碰撞判別準(zhǔn)則。作為優(yōu)化模型的約束，各車基于車輛運(yùn)動(dòng)基元庫(kù)選擇候選軌跡，并滿足與其他車輛的軌跡之間無(wú)碰撞約束，從而實(shí)現(xiàn)多車協(xié)同規(guī)劃，在小規(guī)模場(chǎng)景下具有良好的應(yīng)用效果，如車道并線［79］、匝道匯入［80］等，如圖5 所示。算法具有全局最優(yōu)性，保證了協(xié)同效率。然而由于預(yù)構(gòu)建碰撞檢測(cè)算法需要將多車軌跡離散為一系列碰撞矩陣，當(dāng)車輛數(shù)目和交互區(qū)域較大時(shí)，難以保證離散后求解空間內(nèi)算法的完備性和實(shí)時(shí)性。

圖5 基于預(yù)構(gòu)建碰撞檢測(cè)法的多車協(xié)同規(guī)劃算法［79］Fig.5 Multi-vehicle cooperative planning algorithms based on pre-constructed collision detection［79］

3.2 分布式框架下的多車協(xié)同規(guī)劃方法

分布式框架是一種去中心化方案，去除了中心計(jì)算節(jié)點(diǎn)，將一個(gè)全局運(yùn)動(dòng)軌跡規(guī)劃問(wèn)題拆解成各車運(yùn)動(dòng)規(guī)劃子問(wèn)題，由車輛自身計(jì)算平臺(tái)獨(dú)立承載各自軌跡規(guī)劃任務(wù)［83-84］。由于分布式框架僅計(jì)算單車自身的運(yùn)動(dòng)軌跡，對(duì)于硬件設(shè)備計(jì)算能力的需求大大降低，而且不會(huì)隨著被控車輛數(shù)目的增多而延長(zhǎng)運(yùn)行時(shí)間，提升了系統(tǒng)的實(shí)時(shí)性，且具有不依賴中心計(jì)算節(jié)點(diǎn)的優(yōu)點(diǎn)，防止因?yàn)橹行挠?jì)算節(jié)點(diǎn)的故障導(dǎo)致整個(gè)系統(tǒng)的癱瘓，增強(qiáng)了系統(tǒng)的靈活性和魯棒性。然而由于分布式系統(tǒng)僅處理與自己相關(guān)的信息，并不對(duì)全局運(yùn)動(dòng)軌跡進(jìn)行整體處理，每個(gè)車輛的規(guī)劃結(jié)果可收斂到納什均衡，但非帕累托最優(yōu)解，即每個(gè)無(wú)人車都能達(dá)到自己期望的最優(yōu)解，但無(wú)法收斂至全局最優(yōu)［85-86］。此類方法在難以布設(shè)中心計(jì)算節(jié)點(diǎn)的非結(jié)構(gòu)化道路下具有更加靈活的優(yōu)勢(shì)，但在城市十字路口交通調(diào)度一類需要最大化通行效率的場(chǎng)景下表現(xiàn)一般，目前主要有以下4 種方法。

3.2.1 基于優(yōu)化的分布式多車協(xié)同規(guī)劃方法

在分布式框架中，優(yōu)化方法將各車通行順序或自車運(yùn)動(dòng)軌跡作為優(yōu)化對(duì)象，目前主要方法有人工勢(shì)場(chǎng)法、安全走廊法、點(diǎn)對(duì)點(diǎn)安全距離或安全時(shí)距法等。

人工勢(shì)場(chǎng)法的基本思想是在目標(biāo)處設(shè)計(jì)一個(gè)吸引勢(shì)［87-93］，在障礙物處構(gòu)造一個(gè)排斥勢(shì)，在車輛運(yùn)動(dòng)過(guò)程中，車輛會(huì)遵循勢(shì)的梯度，計(jì)算出被目標(biāo)吸引，被障礙物排斥的路徑［94］。Lienke 等［87］將協(xié)同規(guī)劃問(wèn)題簡(jiǎn)化為靜態(tài)障礙物或短時(shí)動(dòng)態(tài)障礙物避障，各個(gè)車輛基于通信系統(tǒng)或預(yù)測(cè)信息獲取其他車輛的運(yùn)動(dòng)軌跡并進(jìn)行風(fēng)險(xiǎn)評(píng)估，從而構(gòu)建勢(shì)場(chǎng)地圖實(shí)現(xiàn)多車協(xié)同規(guī)劃，如圖6(a) 所示，其中上圖縱軸代表人工勢(shì)場(chǎng)勢(shì)能大小，下圖為勢(shì)場(chǎng)的可視化圖，顏色越深代表勢(shì)場(chǎng)值越大?；谌斯?shì)場(chǎng)法的規(guī)劃方法由于其簡(jiǎn)單高效、生成路徑平滑的優(yōu)勢(shì)，在近20 年來(lái)得到了廣泛的關(guān)注。然而，人工勢(shì)場(chǎng)法的性能依靠勢(shì)場(chǎng)函數(shù)的設(shè)計(jì)，容易導(dǎo)致局部極小值問(wèn)題，車輛路徑受到目標(biāo)點(diǎn)附近障礙物的排斥后始終在終點(diǎn)附近振蕩，無(wú)法收斂到終點(diǎn)值，此外，人工勢(shì)場(chǎng)法將障礙物描述為斥力，本質(zhì)上是一種軟約束，在道路環(huán)境復(fù)雜的非結(jié)構(gòu)化場(chǎng)景下易產(chǎn)生危險(xiǎn)，難以保證絕對(duì)的安全性。

安全走廊法將當(dāng)前時(shí)刻其他車輛的運(yùn)動(dòng)軌跡在本車的三維時(shí)空地圖下進(jìn)行投影占據(jù)［95-106］，并在可通行區(qū)域上提取對(duì)應(yīng)的安全走廊，在安全走廊下獲取優(yōu)化變量對(duì)應(yīng)的邊界，從而構(gòu)建帶有約束的優(yōu)化問(wèn)題，快速求解自身運(yùn)動(dòng)軌跡。Klischat 等［96］將可通行區(qū)域進(jìn)行提取并構(gòu)建一個(gè)有向圖來(lái)存儲(chǔ)，從而表示可在對(duì)應(yīng)單元格通行的時(shí)間，如圖6(b) 所示。由于其他車輛軌跡、動(dòng)靜態(tài)障礙物在本車三維時(shí)空地圖下的占據(jù)往往表現(xiàn)為非凸形式，需要將其建模為非凸優(yōu)化問(wèn)題，Liu 等［98］在非凸空間障礙物占據(jù)下提取對(duì)應(yīng)優(yōu)化變量的凸可通行區(qū)域，從而將非凸優(yōu)化問(wèn)題轉(zhuǎn)換為凸優(yōu)化問(wèn)題，提升了優(yōu)化求解的效率，如圖6(c) 所示，其中Convex Feasible Set(CFS) 代表凸可行集合，New Reference Point 表示新參考點(diǎn)，Optimal Solution in the CFS 表示凸可行集合中的最優(yōu)解。基于安全走廊法的多車協(xié)同規(guī)劃方法在大部分場(chǎng)景下具有良好的表現(xiàn)，當(dāng)優(yōu)化模型的目標(biāo)函數(shù)和約束建立合理時(shí)，具有良好的求解效率?；谕箍尚屑膮f(xié)同規(guī)劃方法具有普適性，能應(yīng)對(duì)一般交互場(chǎng)景［96，100-101］，在車輛與車輛交互場(chǎng)景［102-103］、車輛與行人交互場(chǎng)景［104-105］均有應(yīng)用。然而，與基于安全距離的方法類似，上述方法僅能在單個(gè)時(shí)間周期內(nèi)進(jìn)行優(yōu)化，沒(méi)有利用到預(yù)測(cè)軌跡的動(dòng)態(tài)信息。Ding 等［106］將安全走廊擴(kuò)展到時(shí)空三維構(gòu)型空間里，規(guī)劃出避開動(dòng)態(tài)障礙物的協(xié)調(diào)軌跡。

圖6 基于優(yōu)化的分布式多車協(xié)同規(guī)劃算法Fig.6 Distributed multi-vehicle cooperative planning based on optimization

基于安全距離或安全時(shí)距的約束條件直接考慮同一時(shí)刻各車的空間位置關(guān)系，能方便地嵌入到多車協(xié)同優(yōu)化問(wèn)題中。由于安全距離僅考察各車在二維空間上的沖突問(wèn)題，因此大部分的優(yōu)化問(wèn)題采用MPC 的滾動(dòng)優(yōu)化思想［107］在每個(gè)時(shí)間采樣步內(nèi)構(gòu)建安全時(shí)距約束，要求車輛i 與車輛j 之間的距離或時(shí)間差大于閾值，這類約束條件在高速匝道并道［108-110］、換道［111-113］等場(chǎng)景中十分常見。同時(shí)，在車輛隊(duì)列［114-116］或編隊(duì)行駛［117］時(shí)，各車間距能作為功能性約束進(jìn)行隊(duì)形的引導(dǎo)和保證?；诎踩嚯x或安全時(shí)距的約束條件構(gòu)建簡(jiǎn)單方便，但由于只能在單個(gè)時(shí)間采樣周期進(jìn)行優(yōu)化，難以直接用于軌跡規(guī)劃，更常用于控制策略的設(shè)計(jì)。

3.2.2 基于速度障礙的多車協(xié)同規(guī)劃方法

基于速度障礙(VO) 的多車協(xié)同規(guī)劃方法［93，118-120］的基本思想是計(jì)算兩車相對(duì)速度，若相對(duì)速度的方向在寬度為二者半徑之和的扇區(qū)內(nèi)，則兩車在未來(lái)某個(gè)時(shí)間點(diǎn)必然會(huì)發(fā)生碰撞，故將障礙扇區(qū)相對(duì)于另一車輛的速度進(jìn)行平移，即為本車的絕對(duì)速度障礙區(qū)，車輛求取在障礙區(qū)范圍之外使得當(dāng)前速度抖動(dòng)最小的相對(duì)速度，從而避免碰撞發(fā)生［121］，如圖7(a) 所示。基于速度障礙的方法易導(dǎo)致車輛速度抖動(dòng)問(wèn)題，由于車輛之間僅交互速度信息，當(dāng)其他的車輛也采取同樣的回避措施時(shí)，兩車會(huì)不斷進(jìn)行相互避讓，造成車輛運(yùn)動(dòng)的抖動(dòng)。互惠速度障礙(RVO) 算法［122］假設(shè)其他車輛會(huì)分擔(dān)一半的避讓責(zé)任，減小對(duì)自身當(dāng)前扇形障礙區(qū)的偏移程度，從而解決抖動(dòng)問(wèn)題，如圖7(b) 所示。此類方法由于分布式特性、算法實(shí)時(shí)性高、僅需交互車輛速度信息的優(yōu)點(diǎn)，在仿真、游戲等領(lǐng)域有著十分廣泛的應(yīng)用。然而，由于此類方法僅依據(jù)其他車輛當(dāng)前速度信息進(jìn)行避讓，在車輛速度較高的場(chǎng)景下并不具有良好的適應(yīng)性，且由于此類算法將車輛上一幀的速度作為當(dāng)前幀的預(yù)期速度，在轉(zhuǎn)彎及避讓其他車輛時(shí)易出現(xiàn)異常的預(yù)期，造成急轉(zhuǎn)現(xiàn)象的發(fā)生，不利于車輛的穩(wěn)定行駛。

圖7 速度障礙法［120］Fig.7 Velocity obstacle-based methods［120］

3.2.3 基于博弈論的多車協(xié)同規(guī)劃方法

基于博弈論的協(xié)同規(guī)劃方法［123-125］試圖將所有智能車當(dāng)作獨(dú)立的具有自私性質(zhì)的理性決策者，并在構(gòu)建多車之間沖突和協(xié)作交互行為的數(shù)學(xué)模型后，各車基于此模型理解與其他交通參與者和環(huán)境的相互作用產(chǎn)生的效益或代價(jià)，并最大化主觀效益［126-127］，基于博弈多車協(xié)同規(guī)劃方法更傾向于生成行為決策結(jié)果(行為或目標(biāo)點(diǎn)) 而非確定的運(yùn)動(dòng)軌跡［128］，如圖8 所示。

圖8 基于博弈論的多車協(xié)同規(guī)劃方法［127］Fig.8 Game theory-based multi-vehicle cooperative planning

完整的數(shù)學(xué)模型需要定義博弈對(duì)象、博弈者能獲取的信息(觀察函數(shù)) 和能執(zhí)行的操作(轉(zhuǎn)移函數(shù))，以及操作帶來(lái)的相應(yīng)收益或損失(回報(bào)或收益函數(shù))［129-130］?；诓┺恼摰膮f(xié)同規(guī)劃方法又可分為合作型博弈和非合作型博弈兩類，前者表示一些交通參與者以外部強(qiáng)制約束方式(或稱合同) 構(gòu)成利益共同體并以此為博弈最小單位，而后者僅以本車作為受益者。Lin 等［131］基于合作型博弈方法構(gòu)建多車協(xié)同換道模型，各車能以統(tǒng)一的付費(fèi)方式換取車道通行權(quán)，因此能公平地分配合作利益共同體內(nèi)部各車的收益或損失，保證變道車輛和讓行車輛的雙贏與合作。合作型博弈方法還常用于在車輛隊(duì)列行駛場(chǎng)景［132-135］、出租車調(diào)度場(chǎng)景［136］等存在典型的利益共同體的場(chǎng)景。然而，由于實(shí)際道路中的其他交通參與者，如有人駕駛車輛等不參與合作而僅根據(jù)自己的利益進(jìn)行運(yùn)動(dòng)，非合作型博弈方法也具有必要的應(yīng)用價(jià)值［137］，并且已經(jīng)在換道場(chǎng)景［138-140］交叉路口［141-142］和環(huán)島［143］等場(chǎng)景中進(jìn)行了驗(yàn)證。劉陽(yáng)［144］結(jié)合兩類方法的特點(diǎn)提出一種基于分層運(yùn)動(dòng)協(xié)同控制方法，在針對(duì)車輛隊(duì)列運(yùn)動(dòng)協(xié)同規(guī)劃問(wèn)題中，將隊(duì)列內(nèi)外的路權(quán)沖突問(wèn)題抽象為“隊(duì)列內(nèi)合作，隊(duì)列外競(jìng)爭(zhēng)”的交互問(wèn)題，從而利用合作型博弈方法和非合作型博弈方法的特點(diǎn)實(shí)現(xiàn)各車隊(duì)的整體效益最大化。綜上，合作型博弈方法需在存在利益共同體的場(chǎng)景下使用，并且要考慮內(nèi)部的公平效益分配;同時(shí)，兩類博弈方法更傾向于生成規(guī)劃參考量而非確定的規(guī)劃軌跡，如車輛隊(duì)列間距、道路通行權(quán)等。

3.2.4 基于共識(shí)的多車協(xié)同規(guī)劃方法

基于共識(shí)的協(xié)同規(guī)劃方法將所有交通參與者納入考慮范圍，各車作為參與者接收他車的意見規(guī)劃和調(diào)整本車軌跡，同時(shí)對(duì)其他網(wǎng)聯(lián)車輛軌跡結(jié)果提出要求，最終所有車輛達(dá)成共識(shí)，實(shí)現(xiàn)整體協(xié)調(diào)合作［145］。Mirheli 等［146］和Molinari［147］提出一種基于共識(shí)的分布式軌跡規(guī)劃算法，該算法針對(duì)無(wú)信號(hào)燈交叉路口的多車軌跡規(guī)劃問(wèn)題，收集沖突區(qū)域內(nèi)各車車輛級(jí)別的軌跡規(guī)劃結(jié)果以更新各車預(yù)測(cè)軌跡信息，在多次迭代求解后各車規(guī)劃軌跡實(shí)現(xiàn)收斂，從而達(dá)成共識(shí)，將軌跡結(jié)果質(zhì)量推廣到全局最優(yōu)性。此外，基于共識(shí)的協(xié)同規(guī)劃方法可以用于設(shè)計(jì)車輛隊(duì)列行駛算法，以促進(jìn)隊(duì)列的弦穩(wěn)定性［148-150］?；诠沧R(shí)的協(xié)同規(guī)劃方法應(yīng)用于分布式框架，盡管能通過(guò)迭代方式實(shí)現(xiàn)漸進(jìn)最優(yōu)，但難以直接表征全局目標(biāo)。

3.3 分層分布式框架下的多車協(xié)同規(guī)劃方法

分層分布式框架中，中心計(jì)算平臺(tái)通常計(jì)算出離散規(guī)劃參考量，并發(fā)布給各車，再由各車以此生成考慮復(fù)雜動(dòng)態(tài)環(huán)境約束和車輛自身運(yùn)動(dòng)學(xué)等約束的軌跡，既保證了全局結(jié)果的質(zhì)量，也有效降低了算法的復(fù)雜度，提升了系統(tǒng)的實(shí)時(shí)性和實(shí)際應(yīng)用效果。常用的離散規(guī)劃參考量有通行順序［151］、任務(wù)點(diǎn)列表［152］以及基準(zhǔn)點(diǎn)抵達(dá)時(shí)間列表［153］等。Ye 等［151］針對(duì)高速匝道并道場(chǎng)景提出了一個(gè)雙層優(yōu)化邊緣計(jì)算模型BOEC 以同時(shí)優(yōu)化并道時(shí)間和車輛軌跡，其中，最優(yōu)并道時(shí)間是由道路單元(RSU) 根據(jù)其收集的V2I 通信范圍內(nèi)的所有車輛狀態(tài)信息規(guī)劃求解保證，車輛實(shí)際執(zhí)行軌跡是由各車在接收RSU 發(fā)布的通行順序后自行生成。此類框架通常采用上述集中式和分布式下的算法進(jìn)行混合搭配，具有其共同的特點(diǎn)。

4 現(xiàn)有研究的不足與挑戰(zhàn)

本文對(duì)目前多車協(xié)同規(guī)劃主流算法的現(xiàn)狀進(jìn)行剖析，總結(jié)出多車規(guī)劃問(wèn)題仍存在的主要不足:

1) 在算法的多場(chǎng)景適應(yīng)性方面，目前關(guān)于多無(wú)人車協(xié)同運(yùn)動(dòng)規(guī)劃算法的研究通常僅是對(duì)某一特定場(chǎng)景的分析和應(yīng)用，難以用通用、統(tǒng)一的多車協(xié)同規(guī)劃框架合理地協(xié)調(diào)軌跡層約束信息與多車行為層約束信息，其中前者包括軌跡平滑度、與環(huán)境交互安全性等，后者包括整體通行效率、與多無(wú)人車之間的交互安全性等。本文將此問(wèn)題的原因分解為兩個(gè)主要的挑戰(zhàn)——實(shí)現(xiàn)多車運(yùn)動(dòng)規(guī)劃結(jié)果全局最優(yōu)性和提高求解效率的權(quán)衡挑戰(zhàn)、時(shí)空三維避免碰撞約束的高維復(fù)雜度挑戰(zhàn)，具體分析如下:

實(shí)現(xiàn)多車運(yùn)動(dòng)規(guī)劃結(jié)果全局最優(yōu)性和提高求解效率的權(quán)衡挑戰(zhàn)。目前多車規(guī)劃算法中能實(shí)現(xiàn)規(guī)劃結(jié)果全局最優(yōu)性的包括有基于博弈論的方法、基于優(yōu)化的方法等，然而，前者僅能求解出離散的規(guī)劃參考量而非完整的軌跡，如道路通行權(quán)等，后者在直接將各車軌跡作為優(yōu)化變量求解時(shí)，求解耗時(shí)隨無(wú)人車數(shù)目的增長(zhǎng)而急劇增大。而其他多車規(guī)劃算法為了提高求解效率，僅能求解出次優(yōu)結(jié)果，如基于共識(shí)方法在分布式框架下實(shí)現(xiàn)漸進(jìn)最優(yōu)結(jié)果。目前研究針對(duì)此挑戰(zhàn)，通常將多車協(xié)同運(yùn)動(dòng)規(guī)劃問(wèn)題限定在固定的場(chǎng)景中，以便利用道路結(jié)構(gòu)特征、行為特征等降低求解復(fù)雜度，如為了協(xié)調(diào)全局最優(yōu)性和求解效率，十字交叉路口場(chǎng)景中算法根據(jù)道路結(jié)構(gòu)特征為所有車輛分配道路段和通行順序、換道場(chǎng)景中根據(jù)行為特征決策出變換車道行為的合適時(shí)機(jī)，盡管算法在規(guī)定場(chǎng)景中表現(xiàn)良好，然而，與場(chǎng)景強(qiáng)相關(guān)的多車協(xié)同運(yùn)動(dòng)規(guī)劃算法難以泛化到其他場(chǎng)景中應(yīng)用。

時(shí)空三維避免碰撞約束的高維復(fù)雜度挑戰(zhàn)?，F(xiàn)階段多車規(guī)劃算法在三維時(shí)空構(gòu)型空間里避免碰撞的思路主要有:①通過(guò)碰撞檢測(cè)篩選出安全的候選軌跡;②通過(guò)提取出與其他車輛、障礙物無(wú)碰撞的三維可通行空間，并基于該空間邊界生成安全軌跡。前者的代表方法有基于軌跡三維碰撞檢測(cè)的方法［80］，但由于目前的三維碰撞檢測(cè)方法并不成熟，以及將多車軌跡按照每個(gè)時(shí)刻進(jìn)行切片以按照靜態(tài)障礙物碰撞檢測(cè)方法進(jìn)行安全性判斷的方法存在時(shí)間消耗過(guò)多的問(wèn)題，因此，實(shí)際應(yīng)用場(chǎng)景有限，僅適用于場(chǎng)景不太復(fù)雜、無(wú)人車數(shù)目不多的情況。后者的代表方法有基于凸可行集的方法，但目前的方法中在生成安全區(qū)域過(guò)程中較少地考慮車輛的可通行能力和由于航向角等變化而引起幾何外形占據(jù)范圍的變化情況。因此，存在軌跡規(guī)劃模塊與安全區(qū)域生成模塊沒(méi)有合理協(xié)調(diào)的情況，從而導(dǎo)致在給定安全區(qū)域內(nèi)難以求解出合理的軌跡結(jié)果的問(wèn)題。

2) 在多車軌跡結(jié)果的質(zhì)量方面，目前關(guān)于多無(wú)人車協(xié)同運(yùn)動(dòng)規(guī)劃算法的研究仍存在符合車輛運(yùn)動(dòng)特性的多車軌跡縱橫向耦合求解的挑戰(zhàn)，即沒(méi)有解決路徑規(guī)劃與速度規(guī)劃耦合問(wèn)題。多數(shù)運(yùn)動(dòng)規(guī)劃算法在處理車輛運(yùn)動(dòng)學(xué)模型的非完整性約束時(shí)，采取的是縱橫向解耦思路或者耦合模型簡(jiǎn)化思路。縱橫向解耦思路常用于傳統(tǒng)單車規(guī)劃算法的改進(jìn)多車算法，如優(yōu)先級(jí)分配方式和運(yùn)動(dòng)協(xié)調(diào)方式分別從路徑層面和速度層面著手。一方面，盡管將三維時(shí)空構(gòu)型空間的問(wèn)題通過(guò)解耦的方式降維處理能降低問(wèn)題復(fù)雜度，但也縮減了實(shí)際的解空間，損失了最優(yōu)性;另一方面，解耦方式下路徑規(guī)劃和速度規(guī)劃串聯(lián)運(yùn)行，有可能導(dǎo)致路徑規(guī)劃結(jié)果和速度規(guī)劃結(jié)果無(wú)法合理協(xié)調(diào)的問(wèn)題產(chǎn)生，如僅在路徑層面選擇較大曲率的路徑繞開其他車輛時(shí)，速度規(guī)劃可能仍規(guī)劃出較大的速度而導(dǎo)致車輛失穩(wěn)，或僅在速度層面選擇加減速的方式避讓其他車輛時(shí)，路徑層面無(wú)法對(duì)應(yīng)修改已經(jīng)規(guī)劃出的結(jié)果，從而導(dǎo)致三維時(shí)空空間下軌跡變化明顯而降低舒適性。耦合模型簡(jiǎn)化思路是由于直接對(duì)三維時(shí)空軌跡進(jìn)行優(yōu)化時(shí)，時(shí)空邊界獲取難度較高，因此多采用簡(jiǎn)單的質(zhì)點(diǎn)模型或曲線模型，如基于軌跡三維碰撞檢測(cè)的方法［80］、基于凸可行集的方法［106］等。這類方法盡管同時(shí)對(duì)路徑層面和速度層面進(jìn)行耦合規(guī)劃，但簡(jiǎn)化的模型不滿足車輛非完整性約束和動(dòng)力學(xué)特性要求，因此，規(guī)劃的結(jié)果存在不利于控制模塊進(jìn)行跟蹤執(zhí)行的風(fēng)險(xiǎn)。

5 總結(jié)

本文針對(duì)地面無(wú)人集群系統(tǒng)的運(yùn)動(dòng)規(guī)劃問(wèn)題，介紹了問(wèn)題的背景及應(yīng)用場(chǎng)景，對(duì)無(wú)人集群系統(tǒng)中多平臺(tái)協(xié)同運(yùn)動(dòng)規(guī)劃的各類方法進(jìn)行了歸納總結(jié)和分析。將現(xiàn)有研究中無(wú)人集群系統(tǒng)的協(xié)同運(yùn)動(dòng)規(guī)劃架構(gòu)分為三類框架，分別為集中式、分布式及分層分布式框架?；诳蚣芊诸悾诟黝惪蚣芟聦?duì)國(guó)內(nèi)外地面無(wú)人集群系統(tǒng)中多平臺(tái)協(xié)同運(yùn)動(dòng)規(guī)劃的各類方法進(jìn)行了總結(jié)，分析了多平臺(tái)協(xié)同規(guī)劃技術(shù)的研究現(xiàn)狀，總結(jié)了各類框架下多車協(xié)同規(guī)劃領(lǐng)域的主流算法，并對(duì)每種算法的優(yōu)缺點(diǎn)進(jìn)行歸納。進(jìn)而分析了當(dāng)前地面無(wú)人集群系統(tǒng)中多車協(xié)同規(guī)劃技術(shù)的發(fā)展現(xiàn)狀及不足之處，提出當(dāng)前多車協(xié)同規(guī)劃中仍存在的挑戰(zhàn)性問(wèn)題和未來(lái)的研究方向。