设计研究
非结构化道路环境下的无人车运动规划算法研究
张培志余卓平熊路（同济大学智能型新能源汽车协同创新中心，上海201804）
【摘要】文章以实现非结构化道路环境下的无人车运动规划算法为目标，基于阿克曼转向车辆为研究对象，使用路径-速度分离的方法进行轨迹生成，并综合考虑车辆运动学、动力学特性以及环境信息来进行轨迹评价，在此基础上设计了Goal-biasingA*的启发式搜索算法。仿真结果显示，该算法可生成一条满足环境约束，车辆运动学约束、车辆动力学约束，并且代价消耗最低的行驶轨迹。
【Abstract]To realize motion planning of driverless car in unstructured road environment， based on the Ackerman steering model, the path velocity decomposition method is used to compute the trajectory. And then the safety and comfort of trajectory is evaluated with consideration of vehicle kinematics, dynamic characteristics and environmental information, finally, heuristic search algorithm of goal biasing A * is designed. Simulation results show that the algorithm can generate trajectory which meet the environmental constraints, vehicle kinematic constraints, vehicle dynamics constraints, and has the lowest cost.
【关键词】非结构化道路无人车运动规划 doi:10. 3969/j. issn. 1007-4554. 2016.12.03
0引言
无人车运动规划算法是整个智能驾驶系统的大脑，其核心是要找到一系列控制输人，可以驱使无人车在有限时间内从初始状态运动到目标状态集合之中，并且在运动过程中遵守环境约束、车辆运动学约束以及车辆动力学约束[1]。
在无人车运动规划领域具有代表性的是基于随机采样的运动规划算法(2-4)和基于搜索的运动规划算法[5-7]。尽管基于采样的规划算法如RRT（Rapidly-ExploringRandomTree）是通过对状态空间均勾随机采样来构建一个连通图，当初始、目标状态都在图中或是都可以连接到图中时，则问
收稿日期：201608-12· 12 ·
题得以解决，适用于高维状态空间以及便于微分约束的处理等优点，但是其求解最优运动规划问题时效率较低，无法满足实时性要求；对于基于搜索的规划算法而言，首先要构建充满状态空间的状态格子，然后使用A*（A-Star）或其他变种算法搜索最优解，尽管搜索算法在面对高维状态空间时有着维数灾难间题，但是能够满足实时性的要求，而且具有解析完备性和解析最优性。
本文首先基于阿克曼转向车辆模型，对轨迹生成、轨迹评价的方法进行研究，然后讨论了非结构化道路环境下的离散方式以及状态转移率，最终结合Goal-BiasingRRT以及A*算法的优点设计了Goal-biasingA*运动规划算法。
上海汽车2016.12