无人驾驶汽车运动规划方法研究综述 - 阅读笔记

发布时间:2024年01月14日

本文旨在对自己的研究方向做一些学习记录,方便日后回顾,详细论文细节见:无人驾驶汽车运动规划方法研究综述

1 摘要

文章从环境建模路径搜索两个方面对现有的路径规划算法进行阐述(算法原理、应用现状、优缺点)。

2 引言

一般基于图的搜索算法产生的基础路径会出现不连续节点,最后采用光滑处理方法,如B样条;车辆从起始点到目标点的规划也可以看作是在有限的时间内满足汽车运动学动力学约束的问题。

3 环境建模

当车载雷达和摄像头反馈出当前的环境信息,局部规划器将环境信息处理成规划算法适应的模型。
环境建模的方法:
(1)道路路网的可视图
(2)网格分解的栅格法
(3)人工势场法
(4)随机路图法

3.1 确定性策略

可视图法是将环境中的障碍物尺寸加上本车尺寸进行膨胀,然后障碍物描述为多边形,本车描述为质点,将多边形的顶点、起点、终点连接形成无碰撞路径网络。
在这里插入图片描述
==网格分解法一般将环境描述为一种均匀网格,主要为矩形、三角形等。==栅格法用大小相同的矩形网格划分环境空间,使用栅格数组表示环境。在栅格数组中,自由空间由0表示,障碍物空间由1表示。对于一部分是障碍物一部分是自由空间的栅格依据其占有比例划分。
在这里插入图片描述
势场法的主要思想是将周围的环境表达为具有引力和斥力的势场,主要描述为障碍物势场和道路势场,以障碍物为中心对本车具有一定梯度的排斥市场,目标点对本车具有引力作用。
在这里插入图片描述
势场法的缺点就是会陷入局部最优,在目标点附近存在障碍时不可达、狭窄通道出现抖动现象等问题。

(1)[11]提出整合侧向规划满足车辆非完整性约束、得到最佳路径以及对不同传感器的普适性,使用人工势场描述车辆周围环境,包括障碍物、道路边界、车道线,建立风险环境,规划层首先满足汽车运动学和动力学约束的状态,对基本状态进行扩展可得到多候选路径,利用启发式搜索最佳路径。
(2)[12]提出通过在障碍物的斥力函数中增加最小安全距离,同时考虑机器人与目标点的相对距离解决了障碍物附近目标不可达。通过以人工势场为主、栅格法为辅的方式解决了陷入局部极小的情况。

对于传统势场法不足的改进:
(1)通过修正引力函数解决可能碰到障碍物的问题,避免由于离目标点太远导致引力过大。
在这里插入图片描述
改进的引力函数增加了机器人与目标点的阈值范围 d g o a l ? d^*_{goal} dgoal??

(2)引入新的斥力函数解决目标点附近有障碍物导致目标点不可达问题
在这里插入图片描述
改进的斥力函数增加了目标和物体距离的影响,当机器人靠近障碍物时斥力场增大,但相对距离减少一定程度上减弱了斥力作用。

(3)扩展势场法在基础势场上附加转动势场和任务势场,转动势场的作用是当机器人与障碍物同向时减少斥力。任务势场考虑机器人当前速度,排除了根据近期势能对机器人速度无影响的障碍物,使轨迹更加平滑。

3.2 随机性策略

PRM:得到自由空间的随机采样点是在已知信息的环境内采样分成若干个点,然后舍弃处于障碍物区域与边界中的采样点,加入起始点和目标点,连接各点,最后除去与障碍物相交的线段构成随机路图,采用遍历式搜索算法可以得到最短路径。
在这里插入图片描述

传统PRM算法在处理狭窄通道时,由于采样点很少能落在通道,[13]对落在障碍物区域的采样点施加势场力,使之移动到自由空间,增大的落在狭窄通道采样点的可能。

PRM算法当采样点太少或者分布不合理时得到路径不是最优的,随着采样点的增加可以达到最优但效率会下降。
PRM适用场景:比较固定的场景,可以解决高维空间和复杂约束的路径规划问题,但具有较大不确定性,得到次优路径(甚至不能寻到路径)。

4 路径搜索算法

寻路的方法是在环境构建完成的情况下,选择适合的搜索算法以期达到避障及使用能量最小的目的,有图搜索算法、树搜索算法、智能优化算法

4.1 图搜索算法

A算法常适用于静态全局路径规划,[15]基于A算法设计的D算法则适应于动态环境的路径规划。[16]研究了公路环境上和非公路环境下的路径规划问题,采用激光雷达构建局部栅格代价地图,障碍区域被分配为无限代价值,自由空间代价最低,根据车辆当前位置、航向信息,给车辆规划不同长度弧长的离散路径集合,根据代价函数寻找最优路径。非公路下的路径规划采用D算法。

4.2 树搜索算法

基于采样的RRT思想:在当前环境进行随机采样工作,RRT算法分为初始化、生长树和生成路径三个阶段
初始化时首先定义起始点和终点,向环境中随机撒点,如果采样点不在障碍物区域,则连接起始点移动一定的距离得到新的节点。生长树阶段对于无障碍区域的采样点,找离它最近的树上的一点,然后移动一定距离得到新的子节点。规划阶段时目标点已被添加到树上,找到一条从起点到目标点的最短路径。
在这里插入图片描述
优点:高维空间可行,而且可以得到安全无碰的路径;缺点:采样的随机性导致前后规划的路径有可能不一致,得到路径曲率连续性差。

4.3 智能优化算法

基于优化寻路的算法是将寻路看作是集安全、边界和距离最短的约束。 传统优化方法包括蚁群算法,遗传算法[20]和细菌觅食法[21]。
在这里插入图片描述
仿生学在路径规划中比较经典的是触须法[24],触须法是模拟自然界中的昆虫触 (试探),不同的触须分布于车辆坐标系空间中形成扇形区域,为不同的驾驶路径提供选择。
在这里插入图片描述

5 总结

基于图搜索的路径规划适用于二维空间的全局路径规划。对于三维空间的规划,RRT算法表现出较好的运算效率,但是规划出来的路径有随机性和曲率不连续的缺点。智能优化算法以车辆运动学为基础,建立代价函数寻最优的控制变量。

无人车路径规划技术多用于满足车辆及道路约束条件下的避障功能,未来应该考虑实际交通环境下的法规要求以及其他驾驶者的意图,做出更合理的路径规划。

文章来源:https://blog.csdn.net/BigDavid123/article/details/135588477
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。