主題詞：智能車輛 編隊控制人工勢場 萊維飛行隊形異構(gòu)變換中圖分類號：U461 文獻標志碼：A DOI： 10.19620/j.cnki.1000-3703.20250059

Research on the Obstacle Avoidance Strategy of Connected Vehicle Formation Basing on the Optimized Artificial Potential Field Method

Sun Yu^1，2 ，CaoManman3，WangQiang？，SunBohua4

Zhejiang University，Hangzhou 3100o;2.Chery New Energy AutomotiveCo.，Ltd.，Wuhu 241002;3.CATARC

IntellgentandConnectedTechnologyCo.，Ltd.，Tianjin3Oo38O;4.NationalKeyLaboratoryofAutomotiveChassis Integration and Bionics，Jilin University，Changchun 130025）

【Abstract】Inorder toovercome thecollsionandstabilityissesof theconnectedvehicle formationin dynamic， uncertainandcomplexdriving scenarios，and improvethedrivingsafetyfortheconectedvehicles，anobstacleavoidance strategyfortheconnectedvehicleformationisproposedbasingonoptimizedartificialpotentialfieldmethod.Theobstacle avoidancestrategyframeworkfortheconnectedvehicleformationisdesignedandthevehicleformationcontrolerbasingonthe classicalartificialpotentialfieldmethodisestablished.Onthisbasis，thevehicleformationsearchlogicwithLevi’sflight randomsearchcharacteristicsisproposedtoovercometheparameterlmitationof theincrementalcoeffcientoftractionand repulsioninartificialpotentialfieldmethod，andenhancetheadaptabilityofthevehicleformationtocomplexdriving environment.Theproposedobstacleavoidancestrategyisverifiedbyaco-simulation testing platform.Resultsshowthatthe connectedvehicle formation basingontheoptimizedartificialpotential fieldmethodcanadapttothecomplex driving environment more quickly，and has a shorter vehicle formation obstacle avoidance time.

Key words：Connected Vehicles，F(xiàn)ormation Control，Artificial Potential Field，Levy Flight HeterogeneousFormation Transformation

【引用格式】孫羽，曹曼曼，王強，等.基于優(yōu)化人工勢場法的智能車輛編隊避障策略研究[J].汽車技術(shù)，2025（7）：31-39. SUNY，CAOMM，WANGQ，et al.ResearchontheObstacle Avoidance Strategyof Connected Vehicle Formation Basing ontheOptimizedArtificialPotentialField Method[J].Automobile Technology，2025（7）：31-39.

1前言

一，可以提高車輛集群行駛模式的能源利用效率和車輛燃油經(jīng)濟性，減少對環(huán)境的污染1。對于行車安全性、通行效率及其對復(fù)雜環(huán)境的適應(yīng)能力，具有重要的智能車輛編隊控制是車輛編隊集群的核心技術(shù)之作用[2]

復(fù)雜行車環(huán)境具備部分可觀測、高階非線性與不確定性等場景屬性，使得車輛編隊控制問題成為具備多輸入多輸出的非線性系統(tǒng)控制問題3]。常用基于規(guī)則4或基于人工智能5的控制策略，建立安全且高效的車輛編隊控制架構(gòu)。其中，基于規(guī)則的車輛編隊控制策略，通過模糊邏輯或圖邏輯建立車輛編隊控制框架[6-7]，但尚存在泛化能力弱與極端工況難收斂等智能車輛集群的行車性能局限性。

為克服基于規(guī)則的控制策略帶來的弱環(huán)境適應(yīng)性，以人工勢場法[8]、遺傳算法或可視圖[控制等最優(yōu)控制及數(shù)據(jù)驅(qū)動型控制為代表的控制策略，逐步應(yīng)用于智能車輛編隊控制中。其中，人工勢場法具備計算量小、實時性能好且結(jié)構(gòu)簡單的優(yōu)點而被廣泛應(yīng)用[]。但智能車輛單體會出現(xiàn)目標不可達問題[12]，可通過基于視覺速度矢量的速度可變模型或基于導(dǎo)航函數(shù)的約束方程避免該問題的出現(xiàn)[13-14]。但相關(guān)方法并未考慮行車環(huán)境內(nèi)障礙物運動模式不確定性導(dǎo)致的編隊避障出現(xiàn)局部極小值或避障軌跡抖動等問題。為解決該問題，需要克服人工勢場法在求解中的增量系統(tǒng)設(shè)置方法，優(yōu)化引力和斥力的增量系數(shù)[15-16]。但由于上述方法多針對自主式智能車輛單體進行解算，因此，建立智能車輛編隊避障中目標可達且避障軌跡平滑的編隊避障策略，仍需進行深人研究。

本文針對復(fù)雜行車環(huán)境中智能車輛編隊的安全性與適應(yīng)性，建立了基于優(yōu)化人工勢場法的智能車輛編隊避障策略。首先建立了智能車輛編隊避障策略框架，建立了具備萊維飛行隨機搜索特性的車輛編隊搜索邏輯、車輛編隊時空演化策略，克服人工勢場法中引力與斥力增量系數(shù)設(shè)置的局限性，進而增強車輛編隊對復(fù)雜行車環(huán)境的適應(yīng)能力。

2智能車輛編隊避障策略框架

智能車輛編隊避障策略框架如圖1所示。由圖1可知，智能車輛編隊避障策略包括編隊控制器設(shè)計、動態(tài)車輛編隊時空演化策略設(shè)計、車輛編隊搜索邏輯以及場景適應(yīng)能力評估器等4個部分。基于人工勢場法建立智能車輛編隊對應(yīng)的引力與斥力勢場模型，并計算得到智能車輛單體受到的引力和斥力。為提高智能車輛編隊對復(fù)雜環(huán)境的適應(yīng)能力，設(shè)計了智能車輛編隊隊形時空變換策略，并通過隊列伸縮系數(shù)切換隊形變換模式。為了解決復(fù)雜行車環(huán)境中障礙物意圖不確定性帶來的行車場景隨機性問題，建立了基于萊維飛行機制的車輛編隊搜索邏輯，優(yōu)化引力和斥力增量系數(shù)，并配合適當(dāng)?shù)年犘文Ｊ?，建立起智能車輛編隊在復(fù)雜行車環(huán)境中的避障能力。

3基于萊維飛行的智能車輛編隊避障策略

3.1基于人工勢場法的編隊控制器

根據(jù)智能車輛編隊所處復(fù)雜行車環(huán)境的系統(tǒng)屬性，行車環(huán)境可以等價為由多種勢力場所構(gòu)成的混合場域，編隊避障策略本質(zhì)上即為帶有動力學(xué)響應(yīng)的部分可觀粒子在混合場域時空演化過程中各時刻對應(yīng)的最優(yōu)化序列組。在假定智能車輛編隊具備唯一目的地的條件下，目的地產(chǎn)生引力勢場，勢場方向由智能車輛編隊內(nèi)各車輛單體的航向角決定；相應(yīng)地，行車環(huán)境中阻礙智能車輛編隊的各類型場景元素，可視為智能車輛編隊的障礙物，產(chǎn)生指向各車輛單體的斥力勢場?；谌斯輬龇ǖ闹悄苘囕v編隊控制器，即為智能車輛編隊在引力和斥力場的共同作用下向目的地行駛，并實時規(guī)劃無碰撞的平滑路徑的計算邏輯。復(fù)雜行車環(huán)境的引力勢場函數(shù) U_at（x） 和斥力勢場函數(shù) U_re（x） 為：

式中： η_at 和 η_re 分別為引力增量系數(shù)和斥力增量系數(shù)； Ψ_x? （204號x_gl 和 x_ob 分別為智能車輛、目的地以及障礙物的當(dāng)前位置坐標； ρ（x，x_gl） 為智能車輛和目的地間的距離； ρ（x，x_ob） 為智能車輛和障礙物間的最短距離； ρ_?0 為常數(shù)且 ρ₀gt;0 描述了障礙物的實際影響距離； n 為基于經(jīng)驗給定的常數(shù)。

智能車輛單體受到的引力和斥力為 U_at（x） 和 U_re（x） 的負梯度為：

F_at（x）=-?U_at（x）=η_atρ（x，x_gl）

F_rel 和 F_re2 的表達式為：

式中： F_rel 的方向由障礙物指向智能車輛單體； F_re2 的方向由智能車輛單體指向目的地。

因此，智能車輛單體在合勢場中受到的合力如下：

F_tl（x）=F_at（x）+F_re（x）

智能車輛編隊受到目的地引力和行車場景中障礙物斥力的共同作用，不斷朝向目的地移動。為解決基于人工勢場法的智能車輛編隊避障對應(yīng)的局部極小值問題，改進斥力在二維平面中的分量[]：

式中： θ 為航向角； α 和 β 為經(jīng)驗系數(shù)， α∈（-1，1） 且β∈（-1，1），α 和 β 通過改變 F_re 在 p 軸和 q 軸上的取值，進而改變 F_re 的方向，使其既能指向目的地，同時又可以避開路徑上的局部最小點并避免與障礙物產(chǎn)生碰撞， α 和 β 需要賦予不同的數(shù)值，確保 F_re 方向可以發(fā)生改變，避免智能車輛代替出現(xiàn)局部最小值困境。

3.2動態(tài)車輛編隊時空變換策略

基于人工勢場法的智能車輛單體避障過程，僅需考慮避障的安全性并實現(xiàn)快速到達目的地。在智能車輛編隊進行避障的過程中，為提高其對復(fù)雜環(huán)境的適應(yīng)能力，還需要考慮智能車輛編隊隊形時空變換策略。建立基于隊列伸縮系數(shù) γ 的編隊隊形時空變換策略，考慮智能車輛編隊沿頭車行駛方向的縱側(cè)向伸縮程度，并規(guī)范編隊內(nèi)相鄰車輛的行車安全邊界。其中， γ 為：

式中： W 為智能車輛編隊的隊列寬度； W_max 為智能車輛編隊在行車環(huán)境內(nèi)可行駛區(qū)域中的最大寬度； γ_min 為智能車輛編隊內(nèi)相鄰車輛單體間不發(fā)生碰撞的最小伸縮系數(shù)，表征了智能車輛編隊產(chǎn)生變化的基準值。

智能車輛編隊在向目的地行駛過程中，領(lǐng)航車輛（即頭車）基于智能傳感器感知行車環(huán)境內(nèi)的障礙物等場景信息，規(guī)劃智能車輛編隊的期望行駛路徑，同時計算出當(dāng)前時刻的 γ 值與隊形變換模式值 κ 。隊形變換模式主要包括隊形無變化、隊形同構(gòu)變換以及隊形異構(gòu)變換等3種模式：

a.隊形無變換模式（ κ=1 模式）。當(dāng) γ?1 時，測試W_max≥W ，即領(lǐng)航車輛行車環(huán)境內(nèi)的可行使區(qū)域足以容納當(dāng)前隊形的智能車輛編隊，無需調(diào)整隊形即可通過當(dāng)前行車環(huán)境。

b.隊形同構(gòu)變換模式（ κ=2 模式）。當(dāng) γ_minlt;γlt;1 時，領(lǐng)航車輛行車環(huán)境內(nèi)的可行使區(qū)域?qū)?yīng)的寬度較低，智能車輛編隊可以通過調(diào)整 γ 值通過該區(qū)域，該模式維持歷史編隊隊形。

c.隊形異構(gòu)變換模式（ κ=3 模式）。當(dāng) γ?γ_min 時，智能車輛編隊無法通過同構(gòu)變換完成駕駛?cè)蝿?wù)，須改變車輛編隊隊形實現(xiàn)既定駕駛?cè)蝿?wù)。在該模式下，智能車輛編隊內(nèi)各單車分別進行避障自動駕駛，待切出該模式時，根據(jù)領(lǐng)航車行車狀態(tài)，重新恢復(fù)編隊隊形。

在動態(tài)車輛編隊完成避障行車過程中，領(lǐng)航車實時根據(jù)行車環(huán)境內(nèi)的可行駛區(qū)域計算 κ 值，智能車輛編隊內(nèi)其他車輛單體根據(jù)領(lǐng)航車輛的行車狀態(tài)，恢復(fù)并保持車輛編隊隊形，提高車輛編隊在復(fù)雜行車環(huán)境下的行車安全性和環(huán)境適應(yīng)性。

3.3復(fù)雜行車環(huán)境下的車輛編隊搜索邏輯

為了應(yīng)對復(fù)雜行車環(huán)境中障礙物意圖不確定性帶來的行車場景隨機性問題，設(shè)計了復(fù)雜行車環(huán)境下的車輛編隊搜索邏輯[18-19]。采用基于布谷鳥算法的萊維飛行隨機搜索邏輯，動態(tài)優(yōu)化基于人工勢場法設(shè)計的編隊控制器中的增量系數(shù) η_at 和 η_re ，并考慮動態(tài)車輛編隊時空變換策略，提高智能車輛編隊的行車安全性和場景適應(yīng)性。

萊維飛行機制基于非正態(tài)分布的隨機過程[20，計算補償服從萊維穩(wěn)定分布，運動方向服從均勻分布。在搜索過程中交替使用小步長的短距離移動和大步長的長距離移動，從而增強了全局搜索能力，減少了陷入局部最優(yōu)的可能性。萊維飛行的隨機步長函數(shù) l（S_t，q） 為[21-22]

式中： .L（S_?，q） 為萊維分布函數(shù)； T 為伽瑪函數(shù)函數(shù)； q 為步長指數(shù)； 為萊維飛行機制中的隨機步長，可作為人工勢場隨機增量。

為更好的實現(xiàn) 在萊維飛行隨機搜索邏輯中的工程應(yīng)用計算公式為：

其中，參數(shù) μ 和 v 服從如下正態(tài)分布， σ_μ 和 σ_v 采用試驗標定的經(jīng)驗值，并得到對應(yīng)的 μ 和 v

μ～N（0，σ_μ²），v～N（0，σ_v²）

σ_μ=σ_v=1

對人工勢場中關(guān)鍵參數(shù)進行優(yōu)化，優(yōu)化后的增量系數(shù) η_at 和 η_re 為：

η_at=maxl（S_t，q），q∈（1，3]

η_re=minl（S_t，q），q∈（1，3]

將萊維飛行機制中的隨機步長帶人到人工勢場法的引力勢場函數(shù)和斥力勢場函數(shù)中，得到對應(yīng)的 U_at（x） 和 U_re（x）

基于布谷鳥算法的萊維飛行機制，對 η_at 和 η_re 的尋優(yōu)步驟如下：

a.初始化 L（S_t，q） 中的相關(guān)參數(shù)，計算增量系數(shù) η_at 和nre;b.采用人工勢場法計算智能車輛編隊的避障策略，設(shè)定領(lǐng)航車避障后到達期望位置的迭代次數(shù) n ，并計算對應(yīng)的 κ 值；c.根據(jù)式（11）計算 l（S_t，q） 值，并計算更新后的 η_at 和nre;d.更新智能車輛編隊位置，并計算當(dāng)前迭代步中l(wèi)（S_t，q） 的極值，用來確定最適合的 （η_at，η_re） 組合；e.判斷 n 是否超過既定值，如超過既定值則輸出其中的 （η_at，η_re） 組合最優(yōu)值，否則返回步驟b;f.迭代結(jié)束返回最優(yōu)值對應(yīng)的編隊解算數(shù)據(jù)，即可得到最優(yōu)的 （η_at，η_re） 組合。

3.4車輛編隊場景適應(yīng)效率評估器設(shè)計

場景適應(yīng)效率評估器用于評價智能車輛編隊對特定行車環(huán)境的適應(yīng)程度，采用環(huán)境適應(yīng)度效率函數(shù) S_ef 以及避障過程耗時方差表示， S_ef 的計算公式為[23]：

S_ef=I_t+I_e+I_d

式中 ：I_t?I_e 和 I_d 分別為智能車輛編隊隊形變換的收斂時間比率、能量消耗速率以及隊形畸變程度。

計算得到的 S_ef 值越小，智能車輛編隊的行車安全性和行車場景適應(yīng)性越強，對應(yīng)的避障策略越合理且有效。

3.5智能車輛編隊避障流程

具備萊維飛行隨機搜索特性的車輛編隊搜索邏輯，對經(jīng)典人工勢場法求解智能車輛編隊避障邏輯進行了改進，如圖2所示，對應(yīng)步驟說明如下：

a.對智能車輛編隊進行初始化，并構(gòu)建一組常用的智能車編隊陣型數(shù)據(jù)庫。b.判斷當(dāng)前時刻智能車輛編隊中領(lǐng)航車的可行駛區(qū)域。當(dāng)領(lǐng)航車僅存在單一通行路徑時，根據(jù) γ 值，計算確定最適合當(dāng)前避障情況下的隊形配置 κ ；當(dāng)領(lǐng)航車存在多條可行駛路徑且行車環(huán)境復(fù)雜時，則只能選擇κ=2 隊形變化模式。c.判斷若發(fā)現(xiàn)存在多條可行路徑且隊形變換處于異構(gòu)模式時，采用優(yōu)化的人工勢場法確定當(dāng)前行車環(huán)境中 η_at 和 η_re 的取值，指導(dǎo)智能車編隊實施避障。d.在 κ=0 與 κ=1 模式時，跟隨車采用跟隨領(lǐng)航車保持策略智能車輛編隊形狀； κ=2 模式時，跟隨車采用獨立避障策略。

e.判斷領(lǐng)航車是否到達目的地，如尚未到達目的地，則繼續(xù)執(zhí)行新一次避障邏輯。在全部行車過程中，避障策略各關(guān)鍵內(nèi)參隨行車環(huán)境自適應(yīng)變化，保證智能車輛編隊能夠最大程度保持隊形并成功到達目的地。

4仿真試驗與結(jié)果分析

4.1高精度聯(lián)合仿真試驗平臺搭建

為驗證避障策略的合理性和有效性，建立高精度聯(lián)合仿真試驗平臺，見圖3。 CarSim2016^°ledast 軟件用于建立具備高動力學(xué)響應(yīng)精度的領(lǐng)航車動力學(xué)模型，集成了激光雷達模型的VirtualTestDrive（VTD）軟件提供了包含行車場地、障礙物場景與激光雷達模型。智能車輛編隊中的跟隨車模型以及避障策略在MathWorksSimulink？軟件中進行構(gòu)建與設(shè)計。領(lǐng)航車及智能車輛編隊狀態(tài)隨虛擬行車場景變化，避障控制指令同時隨特定場景時空變化。領(lǐng)航車裝配了用于環(huán)境感知的激光雷達傳感器，編隊中的其他車輛接收編隊狀態(tài)信息與障礙物位置信息。 及MathWorksSimulink？運行于NationalInstrument設(shè)備的PXIe-8881板卡中，VTD軟件運行于具備了I9處理器 2.19GHz 主頻與32G內(nèi)存的高算力服務(wù)器。PXIe-8881板卡與高算力服務(wù)器間采用CAN總線實時交互數(shù)據(jù)。

為驗證本文所提出融合算法的合理性和可行性，共計建立3組對比性試驗?？紤]到三角形的密集編隊模式具備最大的觀測角，并能夠保持智能車輛編隊隊形的穩(wěn)定性，因此以三角形作為試驗基本隊形。采用領(lǐng)航車-跟隨車編隊控制策略控制智能車輛編隊。領(lǐng)航車的初始速度設(shè)置為 0.15m/s ，向目的地坐標做勻速運動，編隊隊形的頂角角度設(shè)置為 45^° ，環(huán)境中障礙物數(shù)量設(shè)置為40個，在智能車輛編隊行駛方向上隨機分布，用來模擬行車過程中所應(yīng)對的障礙物的部分可觀屬性，對應(yīng)的坐標位置設(shè)為隨機坐標。為了適應(yīng)行車場景中的多目的地航向測試，將目的地作為設(shè)置為不同的方向，目標坐標點分別設(shè)置為（25，20）（25，25）和（20，25）。針對每組目的地坐標點，分別進行測試。設(shè)計了兩組對照試驗，通過采用基于改進傳統(tǒng)人工勢場算法以及時效優(yōu)先避障策略等算法建立的智能車輛編隊避障策略與本文所提方法進行對比。文獻[5]采用多智能體遺傳算法在線優(yōu)化多車輛編隊的避障控制效果，并將其與人工勢場法相結(jié)合進而保持隊形的穩(wěn)定性；文獻[24]采用時效優(yōu)先避障策略對智能車輛進行控制，通過智能車輛編隊隊形變換知識庫作為參照樣本，通過評估避障耗時優(yōu)化編隊避障效果。文獻[5]與文獻[24]中的對應(yīng)避障策略均以領(lǐng)航車-跟隨車編隊為被控對象，并以車輛編隊的通行時間及環(huán)境適應(yīng)性作為控制目標，將其作為對照組，以驗證所提出避障策略的合理性和有效性。

4.2車輛編隊避障結(jié)果分析

智能車輛編隊到達不同目的地時，3組試驗各進行10次，所得到的避障策略所耗時間以及10次計算的平均避障時間如表1所示。

試驗1：目的地坐標點設(shè)置為（25，20）。智能車輛編隊中各智能車單體的初始坐標位置分別為（0.0）（-1，-1）（-1，1），（-2，-2）（-2，2）和（-2.0）。其中，（0.0）為智能車輛編隊中領(lǐng)航車的初始坐標位置。其他坐標分別為三角形編隊兩側(cè)的跟隨車初始坐標。每種避障策略進行10次循環(huán)試驗，記錄智能車輛編隊從初始位置出發(fā)，經(jīng)過障礙區(qū)域并最終到達目的地坐標所消耗的時間。試驗1的試驗結(jié)果如圖4所示。圖4a與圖4b為基于文獻[5]和文獻[24]計算得到的避障結(jié)果，圖4c＼～圖4e為基于本文研究得到的避障結(jié)果。

如圖4所示，編號為leader的領(lǐng)航車通過感知行車環(huán)境，由初始位置向目的地行駛， robot₁ ＼～robot5共計5輛跟隨車，根據(jù)對應(yīng)的避障策略完成特定隊形下的智能車輛編隊行駛?cè)蝿?wù)。3組試驗對應(yīng)的避障策略均可以完成由初始位置到目的地的駕駛?cè)蝿?wù)。相比而言，基于改進人工勢場算法的避障策略具備耗時最短的性能優(yōu)勢。此外，基于改進人工勢場算法的避障策略，可以得到更為整齊的編隊隊形，且具備較好的編隊速度跟隨性能。

試驗2：目的地坐標點設(shè)置為設(shè)為（25，25），分別選取文獻[5]、文獻[24]和本文方法，3種方法對比下的智能車輛編隊協(xié)同避障效果如圖5所示。由圖5試驗結(jié)果可知，基于改進人工勢場算法的避障策略，在路徑和耗時上均為最優(yōu)，在整體避障過程中編隊的隊形結(jié)構(gòu)保持良好。文獻[24]在編隊避障的耗時方面優(yōu)于文獻[5]，整體避障效率較高。

試驗3：目的地坐標點設(shè)置為設(shè)為（20，25），分別選取文獻[5]、文獻[24]和本文方法，3種方法對比下的智能車輛編隊協(xié)同避障效果如圖6所示。由圖6可知，基于改進人工勢場算法的避障策略，在智能車輛編隊避障的整體耗時最少，編隊整體形狀保持良好。

4.3車輛編隊避障策略效率與穩(wěn)定性

為了減少偶然誤差對試驗結(jié)果的影響，增強試驗結(jié)果的可信度，采用場景適應(yīng)效率評估器對試驗結(jié)果進行評價。基于文獻[5]、文獻[24]和本文對應(yīng)的避障策略，在障礙物數(shù)量設(shè)定為40時，試驗50次和100次計算得到的歸一化 S_ef 值對標表，如表2所示，且對應(yīng)顯著性檢驗結(jié)果表明，即差異有顯著性意義（ （Plt;0.05） ；在障礙物數(shù)量設(shè)定為40時，不同算法在50次和100次仿真試驗中，智能車輛編隊避障過程中所用時間的方差如表3所示，且對應(yīng)顯著性檢驗結(jié)果表明，即差異有顯著性意義（ Plt;0.05 ）；以目的地坐標為（20，25）為例，計算障礙物數(shù)量在40至70區(qū)間變化時，100次計算得到的歸一化 S_ef 值對標表，如表4所示，且對應(yīng)顯著性檢驗結(jié)果表明，即差異有顯著性意義（ Plt;0.05） ，在自的地坐標為（25，25）以及（25，20）處得到了相類似的計算結(jié)果。

由表2＼～表4可知，本文提出的優(yōu)化人工勢場算法在隨機動態(tài)分布的障礙環(huán)境中避障耗時更穩(wěn)定、整體效率更優(yōu)，且在不同障礙物數(shù)量的行車環(huán)境下均具備較強的環(huán)境適應(yīng)性。此外，在不同復(fù)雜程度的行車場景中，基于優(yōu)化人工勢場法的智能車輛編隊避障策略具備更高的隊形穩(wěn)定性、更強行車安全性和場景適應(yīng)性。

5結(jié)束語

本文建立了基于優(yōu)化人工勢場法的智能車輛編隊避障策略，基于人工勢場法建立智能車輛編隊控制器，提高其在具備一定的行車風(fēng)險場景中的安全性；建立了智能車輛編隊隊形時空變換策略，提高其對復(fù)雜環(huán)境的適應(yīng)能力；建立了具備萊維飛行隨機搜索特性的車輛編隊搜索邏輯，克服人工勢場法中引力與斥力增量系數(shù)設(shè)置的局限性，進而增強車輛編隊在復(fù)雜行車環(huán)境系統(tǒng)性能。最后，搭建了高精度聯(lián)合仿真試驗平臺，試驗結(jié)果表明，基于優(yōu)化人工勢場法的智能車輛編隊避障策略，智能車輛編隊在不同復(fù)雜程度的行車場景中，能夠有效并動態(tài)地控制編隊避障和編隊隊形，具備較高的安全性和環(huán)境適應(yīng)能力。

參考文獻

[1]張心睿，王潤民，凡海金，等.混合交通環(huán)境下網(wǎng)聯(lián)交叉 口車輛協(xié)同誘導(dǎo)策略及仿真測試[J].汽車技術(shù)，2021（10）： 1-6. ZHANGXR，WANGRM，F(xiàn)ANHJ，etal.Researchand Simulation of Vehicle Cooperative Guidance Strategy on Connected and Signalized Intersections underMixed Traffic Environment[J].Automobile Technology，2021（1O）：1-6.

[2]高力，陸麗萍，褚端峰，等.基于圖與勢場法的多車道編隊 控制[J].自動化學(xué)報，2020，46（1）：117-126. GAO L，LU L P，CHU D F，et al. Multi-Lane Convoy Control Based on Graph and Potential Field[J].Acta Automatica Sinica，2020，46（1）： 117-126.

[3]王珂，王艷陽，鄧修金，等.不確定性對車輛軌跡預(yù)測的影 響研究綜述[J].汽車技術(shù)，2022（7）：1-14. WANG K，WANGYY，DENG XJ， etal.AReview on the Study of Impacts of Uncertainties on Vehicle Trajectory Prediction[J]. Automobile Technology，2022（7）：1-14.

[4]PIDW，XUEPY，XIEBY，et al.APlatoon Control Method Based on DMPC for Connected Energy-Saving Electric Vehicles[J].IEEETransactionson Transportation Electrification，2022，8（3）： 3219-3235.

[5]仇國慶，李芳彥，吳建.基于多智能體遺傳算法的多機器 人混合式編隊控制[J].青島科技大學(xué)學(xué)報（自然科學(xué)版）， 2017，38（2）： 107-111. CHOUGQ，LIFY，WU J，et al. Multi-Robot Hybrid FormationControlBasedonMulti-AgentGenetic Algorithm[J].Journal ofQingdaoUniversityofScienceand Technology （Natural Science Edition）， 2017，38（2）： 107-111.

[6]LI T H S，CHANG S J， TONG W.Fuzzy Target Tracking Control of Autonomous Mobile Robots by Using Infrared Sensors[J]. IEEE Transactions on Fuzzy Systems，2004， 12（4）： 491-501.

[7]LEE Y，YOU B.Free Space Detection Algorithm Using Object Tracking for Autonomous Vehicles[J]. Sensors，2022， 22（315）： 1-13.

[8] MOHAMED E F， EL-METWALLY K， HANAFY A R. An Improved Tangent Bug Method Integrated with Artificial Potential Field for Multi-Robot Path Planning[C]/ 2011 International Symposium on Innovations in Intelligent Systems and Applications （INISTA）. Kocaeli， Turkey： IEEE， 2021：555-559.

[9] MAHJOUBI H， BAHRAMI F，LUCAS C. Path Planning in an Environment with Static and Dynamic Obstacles Using Genetic Algorithm：A Simplified Search Space Approach[C]// IEEE Congress on Evolutionary Computation. Vancouver， Canada：IEEE，2016：2483-2489.

[10] LOZANO-PEREZ， TOMAS. AutomaticPlanningof Manipulator Transfer Movements[J]. IEEE Transactions on Systems，Man and Cybernetics，2022，11（10）： 681-698.

[11]梅藝林，崔立堃，胡雪巖，等.基于人工勢場法的復(fù)雜環(huán) 境下多無人車避障與編隊控制[J].工程科學(xué)學(xué)報，2025， 47（2）： 364-373. MEI YL， CUI L K，HU X Y，et al. Obstacle Avoidance and Formation Control of Multiple Unmanned Vehicles in Complex Environments Based on Artificial Potential Field Method[J]. Chinese Journal of Engineering，2O25，47（2）： 364-373 .

[12] ZHANG T， ZHU Y， SONG J. Real-Time Motion Planning forMobile Robots byMeansofArtificialPotentialField Method in Unknown Environment[J]. Industrial Robot， 2019，37（4）： 384-400.

[13]代冀陽，殷林飛，楊保建，等.一種矢量人工勢能場的多 智能體編隊避障算法[J].計算機仿真，2015，32（3）：388- 392. DAIJY，YINLF，YANGBJ，etal.A Multi-Agent Algorithm of Obstacle Avoidance Based on Vectorial Artificial Potential Field[J]. Computer Simulation，2015， 32（3）：388-392.

[14] COLLEDANCHISE M， DIMAROGONASD V， OGREN P. Obstacle Avoidance in Formation Using Navigation-Like Functions and Constraint Based Programming[C]// IEEE/ RSJ International Conference on Intelligent Robotsamp; Systems.Tokyo，Japan：IEEE，2018：5234-5239.

[15]張立陽，陳亦梅.輪式移動機器人軌跡跟蹤與避障研 究[J].自動化與儀表，2017，32（11）：72-76. ZHANG LY，CHEN Y M.Research on Trajectory Tracking and Obstacle Avoidance of Wheeled Mobile Robot[J]. Automationamp; Instrumentation，2017，32（11）： 72-76.

[16]翟紅生，王佳欣.基于人工勢場的機器人動態(tài)路徑規(guī)劃新 方法[J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2015，27（6）： 815-818. ZHAIH S，WANGJX.DynamicPath Planning Research for Mobile Robot Based on Artificial Potential Field[J]. JournalofChongqingUniversityofPostsand Telecommunications（Natural ScienceEdition），2015， 27（6）： 815-818.

[17] SUN S， YIN G，LI X. Path Planning for Mobile Robot Using the Novel Repulsive Force Algorithm[C]// IOP Conference Series：Earth and Environmental Sciene.Chongqing， China，2018：1-9.

[18] YANG X S.Deb S. Cuckoo Search Via Levy Flights[C]/ Nature amp; Biologically Inspired. Computing，20o9 （NaBIC）. Coimbatore，India：IEEE，201O：210-214.

[19]柳新妮，馬苗.布谷鳥搜索算法在多閾值圖像分割中的 應(yīng)用[J].計算機工程，2019，39（7）：274-278. LIUXN，MA M.Application of Cuckoo Search Algorithm inMulti-Threshold Image Segmentation[J]. Computer Engineering，2019，39（7）： 274-278.

[20]LISX，WANGJS.Improved Cuckoo Search Algorithm withNovelSearchingMechanismforSolving Unconstrained Function Optimization Problem[J]. IAENG International Journal of Computer Science，2O22，44（1）： 301-314.

[21] LIU X N，MIAO M A. Application of Cuckoo Search Algorithm in Multi-Threshold Image Segmentation[J]. Computer Engineering，2019，39（7）： 274-278.

[22]LI SX，WANGJS.Improved Cuckoo Search Algorithm withNovelSearchingMechanismforSolving Unconstrained Function Optimization Problem[J]. IAENG International Journal of Computer Science，2O22，44（1）： 301-314.

[23]聶博文，馬宏緒，王劍，等.微小型四旋翼飛行器的研究 現(xiàn)狀與關(guān)鍵技術(shù)[J].電光與控制，2007，14（6）：113-117. NIEB W，MA H X，WANG J，et al. Study on Actualities and Critical Technologies of Micro/Mini Quadrotor[J]. Electronics， Optics amp; Control，2007，14（6）： 113-117.

[24]吳慧超，羅元，周前能，等.時效優(yōu)先的輪式機器人編隊 避障策略[J].信息與控制，2017，46（2）：211-217. WUHC，LUO Y，ZHOUQN，etal.Obstacle Avoidance Strategy of Wheeled Robot Formations Based on Time Efficiency[J]. Information and Control， 2017，46（2）：211- 217. （責(zé)任編輯 王 一） 修改稿收到日期為2025年3月19日。