智能汽车的基础，浅谈车辆自动驾驶轨迹规划的作用

[第一电气网]（特约作者Xpeng Motors Siege Lion）由于驾驶员的驾驶工作繁重，随着汽车保有量的增加，非专业驾驶员的数量增加，导致交通事故频发。如何提高汽车的主动安全性和交通安全性已成为一个紧迫的社会问题。

图1智能汽车原理图

随着计算机技术、电子技术、图像处理等信息处理技术的发展，研究人员开始将各种先进技术应用于汽车控制，以辅助驾驶员进行汽车控制，如防抱死制动控制系统、驱动力控制系统、四轮转向系统和汽车稳定性控制系统。基于对这些汽车电子控制系统的研究，结合蓬勃发展的智能信息处理技术，一门新的跨学科学科车辆自动驾驶（也称为智能汽车）逐渐出现。未来，实用的智能汽车将最大限度地减少交通事故，提高运输效率，减轻驾驶员的操纵负担，从而提高整个道路交通的安全性、机动性和主动安全性。2001年，科技部正式启动实施了“十五”国家科技攻关计划重大项目——智能交通系统关键技术开发与示范工程，以提高我国整个交通系统的管理水平和服务水平，提高效率和安全性，而车辆的自动驾驶是实现ITS（智能交通系统）的关键。

图2智能交通系统示意图

车辆自动驾驶系统本质上是一种智能控制机器，其研究内容大致可分为信息感知、行为决策和操纵控制三个子系统。路径规划是智能车辆导航和控制的基础，从轨迹决策的角度考虑，可分为局部路径规划和全局路径规划。全局路径规划的任务是根据全局地图数据库信息，规划从起点到目标点的无碰撞且可通行的路径。目前，准结构化道路环境下各种约束条件下的路径规划技术、自然地形环境下的路径计划技术和重新规划技术正在研究中。由于全局路径规划生成的路径只能是从起点到目标点的粗略路径，因此它没有考虑路径的方向、宽度、曲率、道路交叉口和路障等详细信息，智能汽车在行驶过程中由于局部环境和自身状态的不确定性，会遇到各种不可预测的情况。因此，在智能汽车的驾驶过程中，必须基于局部环境信息和自身状态信息来规划理想的无碰撞局部路径，这就是局部路径规划。常用的路径规划方法有：空间搜索法、层次法、动作行为法、势场法、网格法、模糊逻辑法和神经网络法。

自动驾驶任务可以分为三层，如图3所示。每一层执行不同的任务，包括上层路径规划、中层驾驶行为规划和下层轨迹规划。

图3自动驾驶任务

在已知电子地图、道路网络和宏观交通信息的先验信息下，上层路径规划根据优化目标获得两点之间的最优路径，完成路径规划的传感信息主要来自GPS定位信息和电子地图。中层驾驶行为规划是指根据主车感兴趣区域内的道路、交通车辆等环境信息，确定当前时刻符合交通规律和道路结构约束的最优驾驶行为，并动态规划驾驶行为序列，形成宏观路径。行为规划的感知信息主要来自雷达和摄像头等车辆传感器，用于识别道路障碍物、车道线、路标和红绿灯。下轨迹规划是指根据当前时刻的最优目标，以完成当前驾驶行为为目标，考虑周围交通环境，通过动态规划确定的最优轨迹……

环境和满足不同的约束。同时，车辆的动态约束也将反映在较低的地板上。除了必要的外部环境信息外，下层的轨迹规划还需要测量或估计主车辆的状态信息。

车辆路径规划的几个关键点：路网模型、路径规划算法和交通信息的智能预测，涉及多个方面。本文主要对路径规划过程进行简要讨论。

一、问题介绍

我们试图解决的问题是将游戏对象从起点移动到目的地，如图2所示。Pathfinding的目标是找到一条好的路径，避开障碍物和敌人，并将成本（燃料、时间、距离、设备、金钱等）降至最低。Movement的目标是寻找一条路径并跟随它。当游戏对象开始移动时，一个复杂的探路者加上一个琐碎的移动算法可以找到一条路径，游戏对象会沿着路径移动，忽略其他一切。一个简单的仅移动系统不会搜索路径（初始的“路径”将被一条直线取代），而是在每个节点只走一步，即在某个方向上行驶一定距离，同时需要考虑周围的障碍物环境以避免碰撞。显然，同时使用寻路和移动算法将获得最佳效果。

移动一个简单的物体似乎很容易，但路径搜索很复杂。为什么路径搜索很麻烦？考虑以下内容：

图4防撞路径规划

起初，对象（单元）位于地图的底部，并试图移动到顶部。扫描区域（粉红色部分）没有任何东西表明它无法向上移动，所以它一直在向上移动。在顶部附近，它检测到一个障碍物，然后改变移动方向，然后沿着U形障碍物找到红色路径。相反，探路器会扫描更大的区域（浅蓝色部分），但它可以找到更短的路径（蓝色路径），而不会让单元进入凹面障碍物。

鉴于上述情况，如图5所示，可以扩展运动算法来处理上图所示的障碍物，或者避免产生凹形障碍物，或将凹形出口标记为危险出口（只有当目的地在内部时才能进入）。与等到最后一分钟才发现问题相比，路径搜索器可以提前制定计划，选择更好的运动路径。

图5避障优化的路径规划方法

第二，问题描述

车辆轨迹规划和智能决策是实现汽车智能化的关键技术之一。其主要任务是根据环境感知系统处理的环境信号和先前的地图信息来规划车辆轨迹，目的是在满足汽车驾驶诸多约束的前提下优化一定的性能指标。

智能汽车的自动驾驶行为是将汽车从初始位置“载”到目标位置。汽车的运动仅限于路面，其运动学和动力学模型使其无法像无人机那样随意调整航向角。因此，规划路径不仅要考虑最短距离和无碰撞，还要考虑车辆轨迹的可执行性。

3.车辆路径规划算法

根据车辆导航系统的研究历史，车辆路径规划算法可分为静态路径规划算法和动态路径规划算法。静态路径规划是在物理地理信息和交通规则的约束下寻找最短路径。静态路径规划算法已经越来越成熟且相对简单，但其应用意义对于实际交通条件并不显著。动态路线规划是在静态路线规划的基础上，结合实时交通信息，及时调整预先规划的最优行驶路线，直到到达目的地，最终得到最优路线。下面介绍几种常见的车辆路径规划算法。

1.Dijkstra算法

图6 Dijkstra算法的动态图

Dijkstra算法是经典的最短路径算法之一，由E.W.Dijkstra于1959年提出。该算法适用于计算非负道路权重的最短路径问题，并且可以给出图中从一个节点到所有其他节点的最短道路，这有助于明确这一点……

准确的搜索。相比之下，因为输入是一个大的稀疏矩阵，所以它需要很长时间并占用大量空间。其算法复杂度为o（n），n为节点数。

2.Lee算法

Lee算法最早用于印刷电路和集成电路的路径跟踪。与Dijkstra算法相比，它更适合于数据随时变化的道路路径规划，运行成本也比Dijkstra算法低。只要存在最优路径，该算法就可以找到最优路径。Lee算法的复杂性很难表达，它需要大量的空间来进行多层路径规划。

3.Floyd算法

Floyd算法由Floyd于1962年提出，是一种计算图中任意两点之间最短距离的算法。它可以正确地处理有向图或负权的最短路径问题，也可以用于计算有向图的传递闭包。Floyd-Warshall算法的时间复杂度为o（n），空间复杂度为o（n）。n是节点数。对于每个节点，它的时间复杂度与D ijkstra算法相同，但实际操作效果优于D ijks特拉算法。

4.启发式搜索算法A*算法

图7 A*算法动态示意图

启发式搜索有许多算法，如局部最优搜索法、最佳优先级搜索法、A*算法等。其中，A*算法最早由Hart、Nilsson、Raphael等人提出。该算法通过引入评价函数，加快了搜索速度，提高了局部优化算法的搜索精度，因此得到了广泛的应用，是目前最流行的最短路径算法。A*算法比D ijkstra算法占用更少的存储空间。它的时间复杂度是O（bd），b是节点的平均数量，D是从起点到终点的最短搜索深度。

5.双向搜索算法

双向搜索算法是Dantzig提出的基本思想，Nicholson正式提出了该算法。该算法从起点开始搜索最短路径，从终点开始搜索最长路径，最佳效果是两者在中点相遇，可以缩短搜索时间。然而，如果终止规则不合适，算法可能会使搜索时间增加一倍，也就是说，两个方向都会被搜索到最后。

6.蚁群算法

图8蚁群算法原理图

蚁群算法是由意大利学者M.Dorigo于1991年提出的。它是一种随机搜索算法，也是一种基于对自然界蚂蚁集体行为研究的优化算法。它具有很强的鲁棒性，并且易于与其他方法相结合。蚁群算法的复杂度优于D ijkstra算法。

此外，还有实时启发式搜索算法、基于分层道路网络的搜索算法、神经网络、遗传算法和模糊理论等。由于实际需求的不同，算法的要求和侧重点也会有所不同，因此上述算法也有许多改进算法。大多数算法在用于解决车辆路径问题时都会存在一些缺陷，因此目前的研究重点是将多种算法融合，构建混合算法。

四、 摘要

目前，投入市场应用的大多数成熟的车载导航系统都是基于静态路径规划的。然而，面对诸多不稳定因素的交通现实，用户对现有系统并不满意。特别是当发生交通事故和交通堵塞时，静态路径规划无法及时改变路线。因此，车辆导航的动态路径规划已成为新一代智能车辆导航系统研究的热点问题。车辆动态路径规划基于历史和当前交通信息数据预测未来交通流量，用于及时调整和更新最佳行驶路线，从而有效减少道路拥堵和交通事故。

图9多导航仪协调规划示意图

随着计算机科学技术、无线通信技术和交通运输行业的快速发展，车载导航系统动态路径规划的研究趋势也将朝着多导航器协同规划的方向发展。目前，车辆导航以单车为对象引导路径，没有考虑整体协调，很可能会造成新的交通拥堵等问题，因此多导航……

或者协调规划将是一种更实用的规划方法。

[参考文献]

1.考虑全局最优的车辆微观动态轨迹规划。

2.车辆导航动态路径规划的研究进展。

3、 道路交通自适应路由[第一电气网]（特约作者Xpeng Motors Siege Lion）由于驾驶员的驾驶工作繁重，随着汽车保有量的增加，非专业驾驶员的数量增加，导致交通事故频发。如何提高汽车的主动安全性和交通安全性已成为一个紧迫的社会问题。

图1智能汽车原理图

随着计算机技术、电子技术、图像处理等信息处理技术的发展，研究人员开始将各种先进技术应用于汽车控制，以辅助驾驶员进行汽车控制，如防抱死制动控制系统、驱动力控制系统、四轮转向系统和汽车稳定性控制系统。基于对这些汽车电子控制系统的研究，结合蓬勃发展的智能信息处理技术，一门新的跨学科学科车辆自动驾驶（也称为智能汽车）逐渐出现。未来，实用的智能汽车将最大限度地减少交通事故，提高运输效率，减轻驾驶员的操纵负担，从而提高整个道路交通的安全性、机动性和主动安全性。2001年，科技部正式启动实施了“十五”国家科技攻关计划重大项目——智能交通系统关键技术开发与示范工程，以提高我国整个交通系统的管理水平和服务水平，提高效率和安全性，而车辆的自动驾驶是实现ITS（智能交通系统）的关键。

图2智能交通系统示意图

车辆自动驾驶系统本质上是一种智能控制机器，其研究内容大致可分为信息感知、行为决策和操纵控制三个子系统。路径规划是智能车辆导航和控制的基础，从轨迹决策的角度考虑，可分为局部路径规划和全局路径规划。全局路径规划的任务是根据全局地图数据库信息，规划从起点到目标点的无碰撞且可通行的路径。目前，准结构化道路环境下各种约束条件下的路径规划技术、自然地形环境下的路径计划技术和重新规划技术正在研究中。由于全局路径规划生成的路径只能是从起点到目标点的粗略路径，因此它没有考虑路径的方向、宽度、曲率、道路交叉口和路障等详细信息，智能汽车在行驶过程中由于局部环境和自身状态的不确定性，会遇到各种不可预测的情况。因此，在智能汽车的驾驶过程中，必须基于局部环境信息和自身状态信息来规划理想的无碰撞局部路径，这就是局部路径规划。常用的路径规划方法有：空间搜索法、层次法、动作行为法、势场法、网格法、模糊逻辑法和神经网络法。

自动驾驶任务可以分为三层，如图3所示。每一层执行不同的任务，包括上层路径规划、中层驾驶行为规划和下层轨迹规划。

图3自动驾驶任务

在已知电子地图、道路网络和宏观交通信息的先验信息下，上层路径规划根据优化目标获得两点之间的最优路径，完成路径规划的传感信息主要来自GPS定位信息和电子地图。中层驾驶行为规划是指根据主车感兴趣区域内的道路、交通车辆等环境信息，确定当前时刻符合交通规律和道路结构约束的最优驾驶行为，并动态规划驾驶行为序列，形成宏观路径。行为规划的感知信息主要来自雷达和摄像头等车辆传感器，用于识别道路障碍物、车道线……

路标和红绿灯。下轨迹规划是指根据当前时刻的最优目标，以完成当前驾驶行为为目标，考虑周围交通环境，满足不同约束条件，通过动态规划确定的最优轨迹。同时，车辆的动态约束也将反映在较低的地板上。除了必要的外部环境信息外，下层的轨迹规划还需要测量或估计主车辆的状态信息。

车辆路径规划的几个关键点：路网模型、路径规划算法和交通信息的智能预测，涉及多个方面。本文主要对路径规划过程进行简要讨论。

一、问题介绍

我们试图解决的问题是将游戏对象从起点移动到目的地，如图2所示。Pathfinding的目标是找到一条好的路径，避开障碍物和敌人，并将成本（燃料、时间、距离、设备、金钱等）降至最低。Movement的目标是寻找一条路径并跟随它。当游戏对象开始移动时，一个复杂的探路者加上一个琐碎的移动算法可以找到一条路径，游戏对象会沿着路径移动，忽略其他一切。一个简单的仅移动系统不会搜索路径（初始的“路径”将被一条直线取代），而是在每个节点只走一步，即在某个方向上行驶一定距离，同时需要考虑周围的障碍物环境以避免碰撞。显然，同时使用寻路和移动算法将获得最佳效果。

移动一个简单的物体似乎很容易，但路径搜索很复杂。为什么路径搜索很麻烦？考虑以下内容：

图4防撞路径规划

起初，对象（单元）位于地图的底部，并试图移动到顶部。扫描区域（粉红色部分）没有任何东西表明它无法向上移动，所以它一直在向上移动。在顶部附近，它检测到一个障碍物，然后改变移动方向，然后沿着U形障碍物找到红色路径。相反，探路器会扫描更大的区域（浅蓝色部分），但它可以找到更短的路径（蓝色路径），而不会让单元进入凹面障碍物。

鉴于上述情况，如图5所示，可以扩展运动算法来处理上图所示的障碍物，或者避免产生凹形障碍物，或将凹形出口标记为危险出口（只有当目的地在内部时才能进入）。与等到最后一分钟才发现问题相比，路径搜索器可以提前制定计划，选择更好的运动路径。

图5避障优化的路径规划方法

第二，问题描述

车辆轨迹规划和智能决策是实现汽车智能化的关键技术之一。其主要任务是根据环境感知系统处理的环境信号和先前的地图信息来规划车辆轨迹，目的是在满足汽车驾驶诸多约束的前提下优化一定的性能指标。

智能汽车的自动驾驶行为是将汽车从初始位置“载”到目标位置。汽车的运动仅限于路面，其运动学和动力学模型使其无法像无人机那样随意调整航向角。因此，规划路径不仅要考虑最短距离和无碰撞，还要考虑车辆轨迹的可执行性。

3.车辆路径规划算法

根据车辆导航系统的研究历史，车辆路径规划算法可分为静态路径规划算法和动态路径规划算法。静态路径规划是在物理地理信息和交通规则的约束下寻找最短路径。静态路径规划算法已经越来越成熟且相对简单，但其应用意义对于实际交通条件并不显著。动态路线规划是在静态路线规划的基础上，结合实时交通信息，及时调整预先规划的最优行驶路线，直到到达目的地，最终得到最优路线。下面介绍几种常见的车辆路径规划算法。

1.Dijkstra算法

图6 Dijkstra算法的动态图

Dijkstra算法是cla……

ic最短路径算法，由E.W.Dijkstra于1959年提出。该算法适用于计算非负道路权重的最短路径问题，可以给出图中从一个节点到所有其他节点的最短路线，具有思路清晰、搜索准确的特点。相比之下，因为输入是一个大的稀疏矩阵，所以它需要很长时间并占用大量空间。其算法复杂度为o（n），n为节点数。

2.Lee算法

Lee算法最早用于印刷电路和集成电路的路径跟踪。与Dijkstra算法相比，它更适合于数据随时变化的道路路径规划，运行成本也比Dijkstra算法低。只要存在最优路径，该算法就可以找到最优路径。Lee算法的复杂性很难表达，它需要大量的空间来进行多层路径规划。

3.Floyd算法

Floyd算法由Floyd于1962年提出，是一种计算图中任意两点之间最短距离的算法。它可以正确地处理有向图或负权的最短路径问题，也可以用于计算有向图的传递闭包。Floyd-Warshall算法的时间复杂度为o（n），空间复杂度为o（n）。n是节点数。对于每个节点，它的时间复杂度与D ijkstra算法相同，但实际操作效果优于D ijks特拉算法。

4.启发式搜索算法A*算法

图7 A*算法动态示意图

启发式搜索有许多算法，如局部最优搜索法、最佳优先级搜索法、A*算法等。其中，A*算法最早由Hart、Nilsson、Raphael等人提出。该算法通过引入评价函数，加快了搜索速度，提高了局部优化算法的搜索精度，因此得到了广泛的应用，是目前最流行的最短路径算法。A*算法比D ijkstra算法占用更少的存储空间。它的时间复杂度是O（bd），b是节点的平均数量，D是从起点到终点的最短搜索深度。

5.双向搜索算法

双向搜索算法是Dantzig提出的基本思想，Nicholson正式提出了该算法。该算法从起点开始搜索最短路径，从终点开始搜索最长路径，最佳效果是两者在中点相遇，可以缩短搜索时间。然而，如果终止规则不合适，算法可能会使搜索时间增加一倍，也就是说，两个方向都会被搜索到最后。

6.蚁群算法

图8蚁群算法原理图

蚁群算法是由意大利学者M.Dorigo于1991年提出的。它是一种随机搜索算法，也是一种基于对自然界蚂蚁集体行为研究的优化算法。它具有很强的鲁棒性，并且易于与其他方法相结合。蚁群算法的复杂度优于D ijkstra算法。

此外，还有实时启发式搜索算法、基于分层道路网络的搜索算法、神经网络、遗传算法和模糊理论等。由于实际需求的不同，算法的要求和侧重点也会有所不同，因此上述算法也有许多改进算法。大多数算法在用于解决车辆路径问题时都会存在一些缺陷，因此目前的研究重点是将多种算法融合，构建混合算法。

四、 摘要

目前，投入市场应用的大多数成熟的车载导航系统都是基于静态路径规划的。然而，面对诸多不稳定因素的交通现实，用户对现有系统并不满意。特别是当发生交通事故和交通堵塞时，静态路径规划无法及时改变路线。因此，车辆导航的动态路径规划已成为新一代智能车辆导航系统研究的热点问题。车辆动态路径规划基于历史和当前交通信息数据预测未来交通流量，用于及时调整和更新最佳行驶路线，从而有效减少道路拥堵和交通事故。

图9多导航仪协调规划示意图

随着计算机科学技术、无线通信技术和交通运输业的飞速发展，车载导航系统动态路径规划的研究趋势也将朝着……

多个导航器协调规划的方向。目前，车辆导航以单车为对象引导路径，没有考虑整体协调，很可能会造成新的交通拥堵等问题，因此多导航器协调规划将是一种更实用的规划方法。

[参考文献]

1.考虑全局最优的车辆微观动态轨迹规划。

2.车辆导航动态路径规划的研究进展。

3、 道路交通的自适应路线

标签：发现小鹏

汽车资讯热门资讯