中圖分類號：TP391.92 文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2025）05-0147-04

Abstract：At present，the conventional trafic path planning algorithm mainly optimizes the shortest path by constructing a dep learning model. However，due to the lack of detailed modeling of complex scenes，the path planning effctis not good.Inthis regard，anoptimization algorithmforconvenient passage path planning in complex scenarios was proposed.Firstly，the vehicle-mounted sensor was used to extract the keypoint information of theobstacle and construct a global coordinate system.Then，based on the passability ofthe site，a raster map was constructed to realize scene modeling.The path planning problem was transformed into the shortest travel time solving problem，and the objective function wasconstrained bycombining the path repetitionand travel speed.Finally，the heuristic function was introducedto optimize the smothness of the objective function planning results，soas to outputtheoptimal planning results.The test results showed that when the proposed method was used to planthe optimal path，the average path length of the algorithm was shorter，and the path planning effect is more ideal.

Key words ：complex scenarios ； path planning；shortest paths ； objective functions； access

路徑規(guī)劃算法的核心目標(biāo)在于尋找出一條最短的通信路線，使目標(biāo)對象能夠到達(dá)移動終點(diǎn)的同時，實現(xiàn)避障操作，并以最少的能耗完成配送任務(wù)。而在實際工作場景中，目標(biāo)對象在執(zhí)行配送任務(wù)時，通常會遇到大量的障礙物以及行駛限制條件。因此，針對障礙物的避障操作就成了路徑規(guī)劃工作的主要解決重點(diǎn)。對此，文獻(xiàn)[1]結(jié)合A 算法，以智能汽車作為規(guī)劃對象，通過采用A 算法對目標(biāo)函數(shù)進(jìn)行求解，提高了算法的迭代效果。文獻(xiàn)[2]將 算法與DWA算法進(jìn)行融合處理，通過尋找傳感數(shù)據(jù)到路徑規(guī)劃結(jié)果之間的對應(yīng)關(guān)系，對規(guī)劃效果進(jìn)行了有效優(yōu)化。研究通過將路徑規(guī)劃問題轉(zhuǎn)換為最短行駛時間求解問題，通過構(gòu)建目標(biāo)優(yōu)化函數(shù)，實現(xiàn)最短規(guī)劃路徑的求解[3] 。

1復(fù)雜場景下便捷通行路徑規(guī)劃優(yōu)化算法

1.1復(fù)雜場景下障礙物信息采集與坐標(biāo)系轉(zhuǎn)換

為對便捷通行路徑進(jìn)行規(guī)劃，以無人駕駛車為例，首先針對無人駕駛車的復(fù)雜工作場景進(jìn)行分析，在此基礎(chǔ)上對復(fù)雜場景中的障礙物信息進(jìn)行采集，并對信息點(diǎn)坐標(biāo)系進(jìn)行轉(zhuǎn)換，為后續(xù)的路徑規(guī)劃優(yōu)化提供幫助。障礙物按照運(yùn)動情況一般可以分為靜態(tài)障礙物與動態(tài)障礙物。受到復(fù)雜地形因素的影響，在對障礙物信息進(jìn)行采集的過程中，采集結(jié)果通常無法與實際障礙物的位置信息進(jìn)行良好匹配 因此，為了提高采集信息與障礙物信息的實際匹配情況，針對障礙物的共同特點(diǎn)，對信息提取點(diǎn)進(jìn)行規(guī)定，具體信息提取點(diǎn)分別為障礙物左右輪廓邊緣、障礙物尺寸、障礙物與無人駕駛車的相對距離、動態(tài)障礙物的相對移動速度。上述信息提取點(diǎn)的具體數(shù)據(jù)可以通過車載傳感器獲得[5]。假設(shè)傳感器與障礙物的最近直線距離為 d ，障礙物左右輪廓最高點(diǎn)與無人駕駛車的夾角分別為 和 ，障礙物最近點(diǎn)與無人駕駛車的夾角為 ，傳感器所探測到的障礙物橫向長度為W，由此構(gòu)建出的復(fù)雜場景下障礙物信息采集示意圖如圖1所示。

圖1中，點(diǎn)1為無人駕駛車與障礙物的最近直線距離點(diǎn)，點(diǎn)2與點(diǎn)3分別為障礙物左、右側(cè)邊緣點(diǎn)，其對應(yīng)的坐標(biāo)分別為（x1， ）、（ ）、（ ， ）。由此構(gòu)建出的基準(zhǔn)點(diǎn)坐標(biāo)表達(dá)式如下所示。

式中： 為障礙物左右側(cè)邊緣點(diǎn)的中心，該點(diǎn)也是障礙物信息的重構(gòu)基準(zhǔn)點(diǎn)。

在對障礙物進(jìn)行坐標(biāo)系轉(zhuǎn)換時，也需要對基準(zhǔn)點(diǎn)進(jìn)行更改。因此，假設(shè)轉(zhuǎn)換完的全局基準(zhǔn)點(diǎn)坐標(biāo)為 ），由此得到的坐標(biāo)表達(dá)式如下所示。

式中： 為在新生成的全局坐標(biāo)系中，障礙物信息點(diǎn)編號為j時對應(yīng)的夾角集合； 為無人駕駛車的航向角度； 為無人駕駛車的原始坐標(biāo)； 為新生成的全局坐標(biāo)系中，障礙物的實際移動坐標(biāo)。

根據(jù)上式坐標(biāo)表達(dá)式，對新生成的全局基準(zhǔn)點(diǎn)坐標(biāo)進(jìn)行更新，并將該坐標(biāo)作為新坐標(biāo)系的原點(diǎn)，即可構(gòu)建出以障礙物為坐標(biāo)中心的全局坐標(biāo)系，從而完成對于障礙物信息的坐標(biāo)系轉(zhuǎn)換[6]

1.2路徑規(guī)劃目標(biāo)函數(shù)構(gòu)建

針對上述提取出的障礙物信息可以看出，無人駕駛車如果想實現(xiàn)最短路徑規(guī)劃，需要在最短的時間內(nèi)尋找出一條最優(yōu)的無障礙路線，從而實現(xiàn)避障優(yōu)化[7]。由于無人駕駛車的行駛速度是恒定不變的，因此對于路徑規(guī)劃的求解可以轉(zhuǎn)換為對最短行駛時間的求解。對此，以無人駕駛車最短行駛時間作為自標(biāo)函數(shù)，假設(shè)無人駕駛車的行駛狀態(tài)包括3種，分別為直行狀態(tài)、轉(zhuǎn)彎狀態(tài)以及等待狀態(tài)[8]為便于分析，首先對無人駕駛車的行駛場地進(jìn)行柵格地圖構(gòu)建，具體柵格地圖如圖2所示。

在圖2中，顏色越深，代表該地區(qū)的通行能力越差。4種指標(biāo)分別對應(yīng)不同的通行能力，因此采用圖2中的4種指標(biāo)對當(dāng)前地形的平坦程度進(jìn)行表征[9]。其中， 為完全平坦區(qū)域，即當(dāng)前柵格區(qū)域中不存在障礙物； 為相對平坦區(qū)域，代表當(dāng)前柵格區(qū)域中，無人駕駛車可以通過改變直行角度實現(xiàn)避障； 為障礙區(qū)域，該區(qū)域代表無人駕駛車可以通過轉(zhuǎn)彎操作實現(xiàn)避障； 為完全阻礙區(qū)域，該區(qū)域代表無人駕駛車無法實現(xiàn)避障，需要原路進(jìn)行返回，從而嘗試其他通行路線 。假設(shè)無人駕駛車在3種行駛狀態(tài)下，通過一個柵格的單位時間成本分別為 和 ，由此構(gòu)建出的路徑規(guī)劃目標(biāo)函數(shù)表達(dá)式如下所示。

式中： 為所有無人駕駛車的行駛總時間； 為第 i 輛無人駕駛車所行駛經(jīng)過的柵格數(shù)量； 和 分別為第 i 輛無人駕駛車在進(jìn)行避障操作時的轉(zhuǎn)彎次數(shù)

以及等待次數(shù)。

針對上述構(gòu)建出的路徑規(guī)劃目標(biāo)函數(shù)，采用任務(wù)節(jié)點(diǎn)以及執(zhí)行任務(wù)時間對上述函數(shù)進(jìn)行約束，從而保證每個運(yùn)輸任務(wù)只有一輛無人駕駛車執(zhí)行，同時也能夠有效保證無人駕駛車在進(jìn)行避障操作時，不同任務(wù)之間的路線不會出現(xiàn)沖突。假設(shè) 為第 i 輛無人駕駛車需要執(zhí)行編號為 q 的配送任務(wù)。由此得到的約束條件表達(dá)式如下所示。

式中： 和 分別為無人駕駛車在執(zhí)行編號為q的配送任務(wù)時，進(jìn)入柵格地圖的時間以及離開時間。

同時，受到場地規(guī)模的限制，無人駕駛車在執(zhí)行任務(wù)配送時，速度不能過快[1]。因此除了路徑重復(fù)情況以外，還針對無人駕駛車的移動速度進(jìn)行了約束，具體約束表達(dá)式如下所示。

式中： 和 為無人駕駛車的最大相速度以及最大角速度； 為無人駕駛車在執(zhí)行配送任務(wù)時的平均行駛速度。

通過上述約束，可以保證無人駕駛車在執(zhí)行配送任務(wù)時，行駛速度不會超出額定限值，從而保證了行駛過程中的安全性[12]

1.3路徑規(guī)劃目標(biāo)函數(shù)求解

針對上述構(gòu)建出的路徑規(guī)劃目標(biāo)函數(shù)，通過結(jié)合啟發(fā)式函數(shù)優(yōu)化法，對自標(biāo)函數(shù)進(jìn)行優(yōu)化求解，從而實現(xiàn)無人駕駛車的便捷路徑規(guī)劃與優(yōu)化[13]。假設(shè)搜索節(jié)點(diǎn)的代價函數(shù)為 f（x） ，具體函數(shù)表達(dá)式如下所示。

式中： 為搜索節(jié)點(diǎn)的實際代價； h（n） 為代價評估值。

采用上述代價函數(shù)對路徑規(guī)劃目標(biāo)函數(shù)進(jìn)行求解時，由于缺乏對移動距離的限制，導(dǎo)致求解出的路徑規(guī)劃結(jié)果可能存在路徑較長的問題。因此引入啟發(fā)式函數(shù)，對上述代價函數(shù)進(jìn)行優(yōu)化，從而優(yōu)化目標(biāo)函數(shù)的路徑規(guī)劃效果。具體啟發(fā)式函數(shù)表達(dá)式如下所示。

式中： d 和 D 分別為無人駕駛車當(dāng)前位置到目標(biāo)點(diǎn)的距離，以及無人駕駛車原始位置到目標(biāo)點(diǎn)的距離。

通過采用上述啟發(fā)式函數(shù)對目標(biāo)函數(shù)進(jìn)行優(yōu)化求解，可以提高規(guī)劃路線的平滑性，從而優(yōu)化路徑規(guī)劃效果，減少路線中的折線部分。

綜合上述步驟，整理出來的路徑規(guī)劃流程如圖3所示 。

由圖3可以看出，首先采用車載傳感器，對無人駕駛車周邊的傳感數(shù)據(jù)進(jìn)行采集，具體包括障礙物的關(guān)鍵位置點(diǎn)數(shù)據(jù)，從而以障礙物為坐標(biāo)原點(diǎn)，構(gòu)建出全局坐標(biāo)系。在此基礎(chǔ)上對障礙物信息點(diǎn)進(jìn)行重構(gòu)處理。將障礙物的重構(gòu)結(jié)果與劃分出的柵格地圖進(jìn)行結(jié)合，即可完成環(huán)境建模工作。然后以無人駕駛車最短行駛時間作為優(yōu)化目標(biāo)，構(gòu)建出路徑規(guī)劃目標(biāo)函數(shù)，并對目標(biāo)函數(shù)進(jìn)行約束限制。最后，通過采用啟發(fā)式函數(shù)對目標(biāo)函數(shù)進(jìn)行優(yōu)化求解，從而對無人駕駛車的行駛狀態(tài)進(jìn)行更新。通過判定輸出的規(guī)劃結(jié)果是否為預(yù)測的最優(yōu)步長，輸出最優(yōu)路徑規(guī)劃值[15] 。

2 實驗論證

2.1 實驗說明

為驗證提出的復(fù)雜場景下便捷通行路徑規(guī)劃優(yōu)化算法在實際路徑規(guī)劃效果方面的有效性，實驗選取了2種常規(guī)的移動路徑規(guī)劃算法作為對比對象，分別為基于蟻群算法的移動路徑規(guī)劃算法，以及基于通行度估計的移動路徑規(guī)劃算法。通過構(gòu)建實驗平臺，采用3種路徑規(guī)劃方法對同一個派送任務(wù)進(jìn)行規(guī)劃，對比不同方法下的實際規(guī)劃效果。

2.2 實驗準(zhǔn)備

實驗通過采用MATLAB軟件，模擬出無人駕駛車的避障環(huán)境。為保證實驗結(jié)果的嚴(yán)謹(jǐn)性，3種路徑規(guī)劃方法將在同一個柵格地圖中進(jìn)行。對此，所模擬出的實驗環(huán)境如圖4所示。

在圖4的實驗環(huán)境中，黑色部分代表障礙物，白色部分代表無人駕駛車。為保證實驗效果，實驗?zāi)M出了不同軌跡的移動路線，用于對仿真柵格場景進(jìn)行測試，部分移動路線數(shù)據(jù)如表1所示。

針對表1中的移動路線數(shù)據(jù)，在原始實驗環(huán)境中選取了15處位置作為目標(biāo)點(diǎn)，編號分別為1＼～15。其中，前5個目標(biāo)點(diǎn)為必須經(jīng)過位置，后10個位置為可以因避障操作而忽略的位置，具體測試環(huán)境如圖5所示。

針對圖5構(gòu)建出的實際測試環(huán)境，實驗對路徑搜索時間進(jìn)行限制。將3種方法的規(guī)劃時間均限制在120s以內(nèi)，對比不同規(guī)劃方法下的每種最優(yōu)規(guī)劃路線的平均路徑長度，從而比較出不同方法的實際規(guī)劃效果。

2.3路徑規(guī)劃效果對比

對比實驗選取的不同規(guī)劃方法的實際規(guī)劃性能，具體衡量指標(biāo)為相同搜索時間內(nèi)，所有最優(yōu)路徑的平均長度，該值越低，代表算法的規(guī)劃效果越好，具體實驗結(jié)果如圖6、圖7所示。

由圖6和圖7可知，在不同柵格尺寸下，不同路徑規(guī)劃方法所規(guī)劃出的最優(yōu)路徑平均長度均有所不同。通過數(shù)值上的對比可以明顯看出，2種常規(guī)的路徑規(guī)劃算法在給定的時間限制內(nèi)，所規(guī)劃出的最優(yōu)路徑平均長度均不夠理想，同時路徑長度也會受到柵格尺寸的影響而出現(xiàn)較大的波動。研究提出的復(fù)雜場景下便捷通行路徑規(guī)劃優(yōu)化算法在規(guī)劃效果上明顯優(yōu)于2種常規(guī)的路徑規(guī)劃方法。在規(guī)定時間內(nèi)，算法所輸出的最優(yōu)路徑平均長度低于2種常規(guī)的路徑規(guī)劃方法。

3結(jié)語

針對常規(guī)的路徑規(guī)劃方法在規(guī)劃效果方面不夠理想的問題，通過結(jié)合啟發(fā)式函數(shù)，提出了一種新型的路徑規(guī)劃方法。在今后的研究工作中，還需對算法的檢測指標(biāo)進(jìn)行優(yōu)化分析，從而檢測出算法在不同方面的具體規(guī)劃性能。

【參考文獻(xiàn)】

[1］梁超.基于深度學(xué)習(xí)和A～*算法的智能車路徑規(guī)劃研究［J].汽車實用技術(shù)，2023，48（15）：87-94.

［2]拓應(yīng)全.基于網(wǎng)絡(luò)技術(shù)的井下無軌膠輪車交通管控系統(tǒng)設(shè)計優(yōu)化[J].粘接，2023，50（1）：182-186.

[3]張潔.基于優(yōu)化算法的核環(huán)境巡檢機(jī)器人路徑規(guī)劃[J].機(jī)械設(shè)計與研究，2023，39（3）：27-30.

[4]張威，張鑫中，王叢佼，等.改進(jìn)灰狼算法的變電站巡檢機(jī)器人路徑規(guī)劃[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2023，37（6）：129-135.

[5］陳渝.基于非完全平坦地形下的移動機(jī)器人路徑規(guī)劃[J].電腦編程技巧與維護(hù)，2023（7）：133-136.

[6]李立，魏曉晨.云環(huán)境下的倉儲物流機(jī)器人路徑規(guī)劃方法研究[J].機(jī)械設(shè)計與制造工程，2023，52（7）：51-55.

[7]葉梓菁，魏文紅，李環(huán)，等.基于改進(jìn)粒子群算法的無人機(jī)路徑規(guī)劃[J].東莞理工學(xué)院學(xué)報，2023，30（3）：18-23.

[8]衛(wèi)海.輕量化碳纖維夾芯結(jié)構(gòu)復(fù)合材料在軌道交通領(lǐng)域研究進(jìn)展[J].粘接，2022，49（9）：73-76.

[9]寧競，龍妍.改進(jìn)蟻群算法的煤礦巡檢機(jī)器人路徑規(guī)劃[J].煤炭技術(shù)，2023，42（6）：235-237.

[10]梁健，顏愛忠，鄭安琪，等.基于 ROS 的履帶式機(jī)器人自主建圖與路徑規(guī)劃研究［J].科技創(chuàng)新與應(yīng)用，2023，13（19） ：51-54.

[11]李繁繁，陳長瑤，楊旺舟.多重因素下西南邊疆地區(qū)中心城市空間可達(dá)性分析——以云南省為例[J].云南師范大學(xué)學(xué)報（自然科學(xué)版），2022，42（6）：57-63.

[12]孔慧芳，夏露，張倩.基于改進(jìn)人工勢場法的智能車輛避撞路徑規(guī)劃[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2023，46（5）：583-589.

[13］茍丹丹，張開生，王放.物聯(lián)環(huán)境下?lián)矶碌缆菲囎顑?yōu)通行路徑選擇［J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2022，22（12） ：32-36.

[14］張沫，吳一卓.基于A*算法的搬運(yùn)機(jī)器人路徑規(guī)劃優(yōu)化[J].現(xiàn)代電子技術(shù)，2023，46（13）：135-139.

[15] 姚吉宇，江龍暉.基于改進(jìn)的CBS算法的USV路徑規(guī)劃[J].中國航海，2023，46（2）：1-8.

[16]孫占峰，崔利功，于安琪，等.高粘高彈改性瀝青路面混合料對降噪性能的影響研究［J].粘接，2023，50（7） ：64-68.

[17]袁詩雪，吳凱，楊瑞波，等.物資采購統(tǒng)簽統(tǒng)付流程一體化決策算法［J].云南師范大學(xué)學(xué)報（自然科學(xué)版），2023，43（5）：49-53.

[18]肖岳平，陽倩，蘇焱鴻，等.基于改進(jìn)A*與DWA算法融合的路徑規(guī)劃仿真設(shè)計［J].湖南工程學(xué)院學(xué)報（自然科學(xué)版），2023，33（2）：30-37.

[19] 徐潔，張銳，汪志鋒.改進(jìn)蟻群算法在自動導(dǎo)引車路徑規(guī)劃中的應(yīng)用[J].工業(yè)儀表與自動化裝置，2023（3）：88-92.

[20]薛光輝，劉爽，王梓杰，等.基于改進(jìn)概率路線圖算法的煤礦機(jī)器人路徑規(guī)劃方法［J].工礦自動化，2023，49（6） ：175-181.

（責(zé)任編輯：平海）