智能汽車的基礎，淺談車輛自動駕駛軌跡規劃的作用

[第一電氣網]（特約作者Xpeng Motors Siege Lion）由于駕駛員的駕駛工作繁重，隨著汽車保有量的增加，非專業駕駛員的數量增加，導致交通事故頻發。如何提高汽車的主動安全性和交通安全性已成為一個緊迫的社會問題。

圖1智能汽車原理圖

隨著計算機技術、電子技術、圖像處理等信息處理技術的發展，研究人員開始將各種先進技術應用于汽車控制，以輔助駕駛員進行汽車控制，如防抱死制動控制系統、驅動力控制系統、四輪轉向系統和汽車穩定性控制系統。基于對這些汽車電子控制系統的研究，結合蓬勃發展的智能信息處理技術，一門新的跨學科學科車輛自動駕駛（也稱為智能汽車）逐漸出現。未來，實用的智能汽車將最大限度地減少交通事故，提高運輸效率，減輕駕駛員的操縱負擔，從而提高整個道路交通的安全性、機動性和主動安全性。2001年，科技部正式啟動實施了“十五”國家科技攻關計劃重大項目——智能交通系統關鍵技術開發與示范工程，以提高我國整個交通系統的管理水平和服務水平，提高效率和安全性，而車輛的自動駕駛是實現ITS（智能交通系統）的關鍵。

圖2智能交通系統示意圖

車輛自動駕駛系統本質上是一種智能控制機器，其研究內容大致可分為信息感知、行為決策和操縱控制三個子系統。路徑規劃是智能車輛導航和控制的基礎，從軌跡決策的角度考慮，可分為局部路徑規劃和全局路徑規劃。全局路徑規劃的任務是根據全局地圖數據庫信息，規劃從起點到目標點的無碰撞且可通行的路徑。目前，準結構化道路環境下各種約束條件下的路徑規劃技術、自然地形環境下的路徑計劃技術和重新規劃技術正在研究中。由于全局路徑規劃生成的路徑只能是從起點到目標點的粗略路徑，因此它沒有考慮路徑的方向、寬度、曲率、道路交叉口和路障等詳細信息，智能汽車在行駛過程中由于局部環境和自身狀態的不確定性，會遇到各種不可預測的情況。因此，在智能汽車的駕駛過程中，必須基于局部環境信息和自身狀態信息來規劃理想的無碰撞局部路徑，這就是局部路徑規劃。常用的路徑規劃方法有：空間搜索法、層次法、動作行為法、勢場法、網格法、模糊邏輯法和神經網絡法。

自動駕駛任務可以分為三層，如圖3所示。每一層執行不同的任務，包括上層路徑規劃、中層駕駛行為規劃和下層軌跡規劃。

圖3自動駕駛任務

在已知電子地圖、道路網絡和宏觀交通信息的先驗信息下，上層路徑規劃根據優化目標獲得兩點之間的最優路徑，完成路徑規劃的傳感信息主要來自GPS定位信息和電子地圖。中層駕駛行為規劃是指根據主車感興趣區域內的道路、交通車輛等環境信息，確定當前時刻符合交通規律和道路結構約束的最優駕駛行為，并動態規劃駕駛行為序列，形成宏觀路徑。行為規劃的感知信息主要來自雷達和攝像頭等車輛傳感器，用于識別道路障礙物、車道線、路標和紅綠燈。下軌跡規劃是指根據當前時刻的最優目標，以完成當前駕駛行為為目標，考慮周圍交通環境，通過動態規劃確定的最優軌跡……

環境和滿足不同的約束。同時，車輛的動態約束也將反映在較低的地板上。除了必要的外部環境信息外，下層的軌跡規劃還需要測量或估計主車輛的狀態信息。

車輛路徑規劃的幾個關鍵點：路網模型、路徑規劃算法和交通信息的智能預測，涉及多個方面。本文主要對路徑規劃過程進行簡要討論。

一、問題介紹

我們試圖解決的問題是將游戲對象從起點移動到目的地，如圖2所示。Pathfinding的目標是找到一條好的路徑，避開障礙物和敵人，并將成本（燃料、時間、距離、設備、金錢等）降至最低。Movement的目標是尋找一條路徑并跟隨它。當游戲對象開始移動時，一個復雜的探路者加上一個瑣碎的移動算法可以找到一條路徑，游戲對象會沿著路徑移動，忽略其他一切。一個簡單的僅移動系統不會搜索路徑（初始的“路徑”將被一條直線取代），而是在每個節點只走一步，即在某個方向上行駛一定距離，同時需要考慮周圍的障礙物環境以避免碰撞。顯然，同時使用尋路和移動算法將獲得最佳效果。

移動一個簡單的物體似乎很容易，但路徑搜索很復雜。為什么路徑搜索很麻煩？考慮以下內容：

圖4防撞路徑規劃

起初，對象（單元）位于地圖的底部，并試圖移動到頂部。掃描區域（粉紅色部分）沒有任何東西表明它無法向上移動，所以它一直在向上移動。在頂部附近，它檢測到一個障礙物，然后改變移動方向，然后沿著U形障礙物找到紅色路徑。相反，探路器會掃描更大的區域（淺藍色部分），但它可以找到更短的路徑（藍色路徑），而不會讓單元進入凹面障礙物。

鑒于上述情況，如圖5所示，可以擴展運動算法來處理上圖所示的障礙物，或者避免產生凹形障礙物，或將凹形出口標記為危險出口（只有當目的地在內部時才能進入）。與等到最后一分鐘才發現問題相比，路徑搜索器可以提前制定計劃，選擇更好的運動路徑。

圖5避障優化的路徑規劃方法

第二，問題描述

車輛軌跡規劃和智能決策是實現汽車智能化的關鍵技術之一。其主要任務是根據環境感知系統處理的環境信號和先前的地圖信息來規劃車輛軌跡，目的是在滿足汽車駕駛諸多約束的前提下優化一定的性能指標。

智能汽車的自動駕駛行為是將汽車從初始位置“載”到目標位置。汽車的運動僅限于路面，其運動學和動力學模型使其無法像無人機那樣隨意調整航向角。因此，規劃路徑不僅要考慮最短距離和無碰撞，還要考慮車輛軌跡的可執行性。

3.車輛路徑規劃算法

根據車輛導航系統的研究歷史，車輛路徑規劃算法可分為靜態路徑規劃算法和動態路徑規劃算法。靜態路徑規劃是在物理地理信息和交通規則的約束下尋找最短路徑。靜態路徑規劃算法已經越來越成熟且相對簡單，但其應用意義對于實際交通條件并不顯著。動態路線規劃是在靜態路線規劃的基礎上，結合實時交通信息，及時調整預先規劃的最優行駛路線，直到到達目的地，最終得到最優路線。下面介紹幾種常見的車輛路徑規劃算法。

1.Dijkstra算法

圖6 Dijkstra算法的動態圖

Dijkstra算法是經典的最短路徑算法之一，由E.W.Dijkstra于1959年提出。該算法適用于計算非負道路權重的最短路徑問題，并且可以給出圖中從一個節點到所有其他節點的最短道路，這有助于明確這一點……

準確的搜索。相比之下，因為輸入是一個大的稀疏矩陣，所以它需要很長時間并占用大量空間。其算法復雜度為o（n），n為節點數。

2.Lee算法

Lee算法最早用于印刷電路和集成電路的路徑跟蹤。與Dijkstra算法相比，它更適合于數據隨時變化的道路路徑規劃，運行成本也比Dijkstra算法低。只要存在最優路徑，該算法就可以找到最優路徑。Lee算法的復雜性很難表達，它需要大量的空間來進行多層路徑規劃。

3.Floyd算法

Floyd算法由Floyd于1962年提出，是一種計算圖中任意兩點之間最短距離的算法。它可以正確地處理有向圖或負權的最短路徑問題，也可以用于計算有向圖的傳遞閉包。Floyd-Warshall算法的時間復雜度為o（n），空間復雜度為o（n）。n是節點數。對于每個節點，它的時間復雜度與D ijkstra算法相同，但實際操作效果優于D ijks特拉算法。

4.啟發式搜索算法A*算法

圖7 A*算法動態示意圖

啟發式搜索有許多算法，如局部最優搜索法、最佳優先級搜索法、A*算法等。其中，A*算法最早由Hart、Nilsson、Raphael等人提出。該算法通過引入評價函數，加快了搜索速度，提高了局部優化算法的搜索精度，因此得到了廣泛的應用，是目前最流行的最短路徑算法。A*算法比D ijkstra算法占用更少的存儲空間。它的時間復雜度是O（bd），b是節點的平均數量，D是從起點到終點的最短搜索深度。

5.雙向搜索算法

雙向搜索算法是Dantzig提出的基本思想，Nicholson正式提出了該算法。該算法從起點開始搜索最短路徑，從終點開始搜索最長路徑，最佳效果是兩者在中點相遇，可以縮短搜索時間。然而，如果終止規則不合適，算法可能會使搜索時間增加一倍，也就是說，兩個方向都會被搜索到最后。

6.蟻群算法

圖8蟻群算法原理圖

蟻群算法是由意大利學者M.Dorigo于1991年提出的。它是一種隨機搜索算法，也是一種基于對自然界螞蟻集體行為研究的優化算法。它具有很強的魯棒性，并且易于與其他方法相結合。蟻群算法的復雜度優于D ijkstra算法。

此外，還有實時啟發式搜索算法、基于分層道路網絡的搜索算法、神經網絡、遺傳算法和模糊理論等。由于實際需求的不同，算法的要求和側重點也會有所不同，因此上述算法也有許多改進算法。大多數算法在用于解決車輛路徑問題時都會存在一些缺陷，因此目前的研究重點是將多種算法融合，構建混合算法。

四、 摘要

目前，投入市場應用的大多數成熟的車載導航系統都是基于靜態路徑規劃的。然而，面對諸多不穩定因素的交通現實，用戶對現有系統并不滿意。特別是當發生交通事故和交通堵塞時，靜態路徑規劃無法及時改變路線。因此，車輛導航的動態路徑規劃已成為新一代智能車輛導航系統研究的熱點問題。車輛動態路徑規劃基于歷史和當前交通信息數據預測未來交通流量，用于及時調整和更新最佳行駛路線，從而有效減少道路擁堵和交通事故。

圖9多導航儀協調規劃示意圖

隨著計算機科學技術、無線通信技術和交通運輸行業的快速發展，車載導航系統動態路徑規劃的研究趨勢也將朝著多導航器協同規劃的方向發展。目前，車輛導航以單車為對象引導路徑，沒有考慮整體協調，很可能會造成新的交通擁堵等問題，因此多導航……

或者協調規劃將是一種更實用的規劃方法。

[參考文獻]

1.考慮全局最優的車輛微觀動態軌跡規劃。

2.車輛導航動態路徑規劃的研究進展。

3、 道路交通自適應路由[第一電氣網]（特約作者Xpeng Motors Siege Lion）由于駕駛員的駕駛工作繁重，隨著汽車保有量的增加，非專業駕駛員的數量增加，導致交通事故頻發。如何提高汽車的主動安全性和交通安全性已成為一個緊迫的社會問題。

圖1智能汽車原理圖

隨著計算機技術、電子技術、圖像處理等信息處理技術的發展，研究人員開始將各種先進技術應用于汽車控制，以輔助駕駛員進行汽車控制，如防抱死制動控制系統、驅動力控制系統、四輪轉向系統和汽車穩定性控制系統。基于對這些汽車電子控制系統的研究，結合蓬勃發展的智能信息處理技術，一門新的跨學科學科車輛自動駕駛（也稱為智能汽車）逐漸出現。未來，實用的智能汽車將最大限度地減少交通事故，提高運輸效率，減輕駕駛員的操縱負擔，從而提高整個道路交通的安全性、機動性和主動安全性。2001年，科技部正式啟動實施了“十五”國家科技攻關計劃重大項目——智能交通系統關鍵技術開發與示范工程，以提高我國整個交通系統的管理水平和服務水平，提高效率和安全性，而車輛的自動駕駛是實現ITS（智能交通系統）的關鍵。

圖2智能交通系統示意圖

車輛自動駕駛系統本質上是一種智能控制機器，其研究內容大致可分為信息感知、行為決策和操縱控制三個子系統。路徑規劃是智能車輛導航和控制的基礎，從軌跡決策的角度考慮，可分為局部路徑規劃和全局路徑規劃。全局路徑規劃的任務是根據全局地圖數據庫信息，規劃從起點到目標點的無碰撞且可通行的路徑。目前，準結構化道路環境下各種約束條件下的路徑規劃技術、自然地形環境下的路徑計劃技術和重新規劃技術正在研究中。由于全局路徑規劃生成的路徑只能是從起點到目標點的粗略路徑，因此它沒有考慮路徑的方向、寬度、曲率、道路交叉口和路障等詳細信息，智能汽車在行駛過程中由于局部環境和自身狀態的不確定性，會遇到各種不可預測的情況。因此，在智能汽車的駕駛過程中，必須基于局部環境信息和自身狀態信息來規劃理想的無碰撞局部路徑，這就是局部路徑規劃。常用的路徑規劃方法有：空間搜索法、層次法、動作行為法、勢場法、網格法、模糊邏輯法和神經網絡法。

自動駕駛任務可以分為三層，如圖3所示。每一層執行不同的任務，包括上層路徑規劃、中層駕駛行為規劃和下層軌跡規劃。

圖3自動駕駛任務

在已知電子地圖、道路網絡和宏觀交通信息的先驗信息下，上層路徑規劃根據優化目標獲得兩點之間的最優路徑，完成路徑規劃的傳感信息主要來自GPS定位信息和電子地圖。中層駕駛行為規劃是指根據主車感興趣區域內的道路、交通車輛等環境信息，確定當前時刻符合交通規律和道路結構約束的最優駕駛行為，并動態規劃駕駛行為序列，形成宏觀路徑。行為規劃的感知信息主要來自雷達和攝像頭等車輛傳感器，用于識別道路障礙物、車道線……

路標和紅綠燈。下軌跡規劃是指根據當前時刻的最優目標，以完成當前駕駛行為為目標，考慮周圍交通環境，滿足不同約束條件，通過動態規劃確定的最優軌跡。同時，車輛的動態約束也將反映在較低的地板上。除了必要的外部環境信息外，下層的軌跡規劃還需要測量或估計主車輛的狀態信息。

車輛路徑規劃的幾個關鍵點：路網模型、路徑規劃算法和交通信息的智能預測，涉及多個方面。本文主要對路徑規劃過程進行簡要討論。

一、問題介紹

我們試圖解決的問題是將游戲對象從起點移動到目的地，如圖2所示。Pathfinding的目標是找到一條好的路徑，避開障礙物和敵人，并將成本（燃料、時間、距離、設備、金錢等）降至最低。Movement的目標是尋找一條路徑并跟隨它。當游戲對象開始移動時，一個復雜的探路者加上一個瑣碎的移動算法可以找到一條路徑，游戲對象會沿著路徑移動，忽略其他一切。一個簡單的僅移動系統不會搜索路徑（初始的“路徑”將被一條直線取代），而是在每個節點只走一步，即在某個方向上行駛一定距離，同時需要考慮周圍的障礙物環境以避免碰撞。顯然，同時使用尋路和移動算法將獲得最佳效果。

移動一個簡單的物體似乎很容易，但路徑搜索很復雜。為什么路徑搜索很麻煩？考慮以下內容：

圖4防撞路徑規劃

起初，對象（單元）位于地圖的底部，并試圖移動到頂部。掃描區域（粉紅色部分）沒有任何東西表明它無法向上移動，所以它一直在向上移動。在頂部附近，它檢測到一個障礙物，然后改變移動方向，然后沿著U形障礙物找到紅色路徑。相反，探路器會掃描更大的區域（淺藍色部分），但它可以找到更短的路徑（藍色路徑），而不會讓單元進入凹面障礙物。

鑒于上述情況，如圖5所示，可以擴展運動算法來處理上圖所示的障礙物，或者避免產生凹形障礙物，或將凹形出口標記為危險出口（只有當目的地在內部時才能進入）。與等到最后一分鐘才發現問題相比，路徑搜索器可以提前制定計劃，選擇更好的運動路徑。

圖5避障優化的路徑規劃方法

第二，問題描述

車輛軌跡規劃和智能決策是實現汽車智能化的關鍵技術之一。其主要任務是根據環境感知系統處理的環境信號和先前的地圖信息來規劃車輛軌跡，目的是在滿足汽車駕駛諸多約束的前提下優化一定的性能指標。

智能汽車的自動駕駛行為是將汽車從初始位置“載”到目標位置。汽車的運動僅限于路面，其運動學和動力學模型使其無法像無人機那樣隨意調整航向角。因此，規劃路徑不僅要考慮最短距離和無碰撞，還要考慮車輛軌跡的可執行性。

3.車輛路徑規劃算法

根據車輛導航系統的研究歷史，車輛路徑規劃算法可分為靜態路徑規劃算法和動態路徑規劃算法。靜態路徑規劃是在物理地理信息和交通規則的約束下尋找最短路徑。靜態路徑規劃算法已經越來越成熟且相對簡單，但其應用意義對于實際交通條件并不顯著。動態路線規劃是在靜態路線規劃的基礎上，結合實時交通信息，及時調整預先規劃的最優行駛路線，直到到達目的地，最終得到最優路線。下面介紹幾種常見的車輛路徑規劃算法。

1.Dijkstra算法

圖6 Dijkstra算法的動態圖

Dijkstra算法是cla……

ic最短路徑算法，由E.W.Dijkstra于1959年提出。該算法適用于計算非負道路權重的最短路徑問題，可以給出圖中從一個節點到所有其他節點的最短路線，具有思路清晰、搜索準確的特點。相比之下，因為輸入是一個大的稀疏矩陣，所以它需要很長時間并占用大量空間。其算法復雜度為o（n），n為節點數。

2.Lee算法

Lee算法最早用于印刷電路和集成電路的路徑跟蹤。與Dijkstra算法相比，它更適合于數據隨時變化的道路路徑規劃，運行成本也比Dijkstra算法低。只要存在最優路徑，該算法就可以找到最優路徑。Lee算法的復雜性很難表達，它需要大量的空間來進行多層路徑規劃。

3.Floyd算法

Floyd算法由Floyd于1962年提出，是一種計算圖中任意兩點之間最短距離的算法。它可以正確地處理有向圖或負權的最短路徑問題，也可以用于計算有向圖的傳遞閉包。Floyd-Warshall算法的時間復雜度為o（n），空間復雜度為o（n）。n是節點數。對于每個節點，它的時間復雜度與D ijkstra算法相同，但實際操作效果優于D ijks特拉算法。

4.啟發式搜索算法A*算法

圖7 A*算法動態示意圖

啟發式搜索有許多算法，如局部最優搜索法、最佳優先級搜索法、A*算法等。其中，A*算法最早由Hart、Nilsson、Raphael等人提出。該算法通過引入評價函數，加快了搜索速度，提高了局部優化算法的搜索精度，因此得到了廣泛的應用，是目前最流行的最短路徑算法。A*算法比D ijkstra算法占用更少的存儲空間。它的時間復雜度是O（bd），b是節點的平均數量，D是從起點到終點的最短搜索深度。

5.雙向搜索算法

雙向搜索算法是Dantzig提出的基本思想，Nicholson正式提出了該算法。該算法從起點開始搜索最短路徑，從終點開始搜索最長路徑，最佳效果是兩者在中點相遇，可以縮短搜索時間。然而，如果終止規則不合適，算法可能會使搜索時間增加一倍，也就是說，兩個方向都會被搜索到最后。

6.蟻群算法

圖8蟻群算法原理圖

蟻群算法是由意大利學者M.Dorigo于1991年提出的。它是一種隨機搜索算法，也是一種基于對自然界螞蟻集體行為研究的優化算法。它具有很強的魯棒性，并且易于與其他方法相結合。蟻群算法的復雜度優于D ijkstra算法。

此外，還有實時啟發式搜索算法、基于分層道路網絡的搜索算法、神經網絡、遺傳算法和模糊理論等。由于實際需求的不同，算法的要求和側重點也會有所不同，因此上述算法也有許多改進算法。大多數算法在用于解決車輛路徑問題時都會存在一些缺陷，因此目前的研究重點是將多種算法融合，構建混合算法。

四、 摘要

目前，投入市場應用的大多數成熟的車載導航系統都是基于靜態路徑規劃的。然而，面對諸多不穩定因素的交通現實，用戶對現有系統并不滿意。特別是當發生交通事故和交通堵塞時，靜態路徑規劃無法及時改變路線。因此，車輛導航的動態路徑規劃已成為新一代智能車輛導航系統研究的熱點問題。車輛動態路徑規劃基于歷史和當前交通信息數據預測未來交通流量，用于及時調整和更新最佳行駛路線，從而有效減少道路擁堵和交通事故。

圖9多導航儀協調規劃示意圖

隨著計算機科學技術、無線通信技術和交通運輸業的飛速發展，車載導航系統動態路徑規劃的研究趨勢也將朝著……

多個導航器協調規劃的方向。目前，車輛導航以單車為對象引導路徑，沒有考慮整體協調，很可能會造成新的交通擁堵等問題，因此多導航器協調規劃將是一種更實用的規劃方法。

[參考文獻]

1.考慮全局最優的車輛微觀動態軌跡規劃。

2.車輛導航動態路徑規劃的研究進展。

3、 道路交通的自適應路線

標簽：發現小鵬

汽車資訊熱門資訊