基于混合A*算法的自动驾驶汽车轨迹生成

自动驾驶汽车混合A*算法运行迅速,但是难以保证曲率的连续性和汽车舒适度,并且不能保证优化后的结果无碰撞。针对以上问题,以提高汽车舒适性为目的,基于最小冲击度对A*算法进行优化,在MATLAB和栅格地图中进行了算法预研,解决了低速场景下自动驾驶汽车运动过程中舒适度不足的问题。然后,针对优化算法可能导致轨迹碰撞的问题,对优化算法进行了改进,保证了汽车的安全性,并给出了“走廊”自动调整的策略。仿真结果表明:优化后的轨迹无碰撞且曲率更小,加速度不超出正常范围,可以满足正常驾驶需求。

基于改进混合A*算法的自动泊车系统路径搜索方法

针对混合A*算法在短距离泊车场景下由于终点附近环境复杂,难以用无碰撞的RS曲线加速搜索的情况,提出一种改进混合A*算法,从目标位姿开始反向搜索路径,结合通过A*算法计算得到的代价地图查表获得启发值,通过判断车身轮廓线与简化后的障碍物线是否相交进行碰撞检测以节省搜索时间,并通过设置合适的车辆转向角度分辨率增加节点扩展方向的数量,保证路径的平滑性。最后使用MATLAB对改进算法与原始算法进行仿真对比分析,结果表明,在平行和垂直车位泊车场景下,该改进混合A*算法均可有效缩短路径搜索时间,获得的路径更短、更平滑。

基于矿区左行交通规则的自适应双层搜索路径规划优化算法

露天矿山环境复杂、道路非结构化,矿用卡车(简称“矿卡”)自动驾驶路径规划面临长距离搜索规划效率低以及矿区特有的左行交通规则的挑战。为改进矿卡在矿区内的导航性能,同时确保路径的安全性和实时性,文章提出一种基于矿区左行交通规则的自适应双层搜索路径规划优化算法。首先,其上层搜索采用基于快速探索随机树(RRT)算法并结合矿区的环境特点对搜索步长进行自适应调整,在空旷地带以较大步长进行高效搜索,而在狭窄或多弯道区域则采用较小步长进行精细搜索,同时通过设置左侧行驶区域约束进一步优化了搜索过程,避免了潜在的车辆冲突,从而实现路径搜索的快速收敛;其下层搜索采用混合A*算法,通过路径选择的奖励与惩罚机制,有效减小了搜索空间,提高了路径规划的实时性。接着,采用RS曲线技术和改良的三次样条曲线对最终路径进行平滑处理,不仅优化了路径曲率,还保证了矿卡以最优姿态准确到达目标位置。最后,采用梯度下降法进行进一步优化,以生成一条高效、安全且平滑的路径。试验结果表明,该算法的路径生成时间相较“混合A*+梯度下降”算法、“粒子群+梯度下降”算法和“RRT+梯度下降”算法的平均减少14.8%,路径曲率平均减小0.011 m^(-1),显著提升了矿区自动驾驶卡车的导航效率和安全性。

基于DBSCAN与二分法的混合A*路径规划方法

在多障碍物非结构化场景中,传统混合A*算法存在计算效率低、路径平滑性差的问题。针对该问题,本文提出了一种基于密度聚类算法(density-based clustering,简称DBSCAN)与二分法的混合A*路径规划方法。首先,设计基于DBSCAN算法的障碍物聚类方法,简化多障碍物非结构化场景,避免混合A*算法在类U形障碍物群附近的无效节点拓展,有效提高算法效率。然后,提出基于二分法的状态节点拓展策略,能够在不显著增加混合A*算法计算复杂度的前提下,搜索出一条更平滑的路径。最后,基于MATLAB进行仿真。结果表明,在多障碍物非结构化场景中,本文提出的改进混合A*算法可以显著提升计算效率并改善路径平滑性。

基于概率A*的智能车路径规划算法

为保证智能车辆能够按照规划的路径安全行驶,且满足车辆动力学特性,针对混合A*算法中没有引导性策略所产生较多不必要的搜索问题,提出概率A*算法先得到搜索粗路径,提高在随后搜索过程中搜索效率。然后利用概率A*算法得到的路径点引导节点走向,避免节点向障碍物等搜寻。最后对节点的代价函数进行优化。仿真实验结果表明,与混合A*算法相比,本文所提出的算法平均减少搜索时间10.8%,且得到的路径相对规整平滑。该算法可以在较短时间内为智能车辆规划一条安全可行平滑的路径。

基于圆弧样条参考路径的改进混合A^(*)泊车路径规划算法

在泊车空间狭窄的条件下,现有的基于混合A^(*)算法的泊车路径规划存在成功率低或规划速度慢等问题,为了解决这一问题,设计了一种改进混合A^(*)路径规划算法。通过将圆弧样条曲线作为参考路径,并以参考路径上的点作为混合A^(*)算法的目标点,进而搜索出成功泊入车库的路径。根据不同车位宽度进行了基于MATLAB的批量仿真测试,结果表明:改进后的混合A^(*)算法能够显著提高车辆在特定区域泊入车库的成功率,同时具有一定的规划效率。最后基于Prescan、Carsim和Simulink进行了联合仿真实验,验证了所设计算法规划的路径满足实车实验的跟踪要求。

面向目标定位精度的主从式无人机编队航迹规划方法

在定位侦察任务中无人机编队协同的工作模式由于具有良好的定位效果和较强的鲁棒性,更加符合未来电子侦察的需求.本文在考虑定位精度的前提下,提出了一种基于主从式编队控制方案的无人机编队航迹规划方法.针对主机航迹规划,以稀疏A*算法为基础,将自适应步长与粒子群算法节点选取相结合提出混合A*算法,并针对障碍物群环境提出避障策略.针对从机航迹规划,提出一种改进的多目标量子粒子群(Improved Multi-objective Quantum-behaved Particle Swarm Optimization,IMQPSO)算法,将粒子混合更新策略、非劣解的优势选取策略和无人机Y型布站方案引入算法.经验证,改进后的算法综合适应度值相较于传统的多目标粒子群(Multi-objective Particle Swarm Optimization,MPSO)算法和多目标量子粒子群(Multi-objective Quantum-behaved Particle Swarm Optimization,MQPSO)算法在算法运行时间基本持平的情况下分别减小了4.7%和1.4%.

基于运动约束的移动机器人路径规划

针对A*算法路径规划中存在的转折冗余、安全性低、不符合移动机器人非完整约束模型等问题,提出一种基于运动约束的路径规划算法。首先,通过挪移处理使A*算法规划的路径点适度远离障碍物。然后,剔除无障碍路径点间节点,获取路径必经转折点。最后考虑机器人运动约束,以转折点位姿为局部目标,引导混合A*二次规划路径。实验结果表明,改进算法比传统A*算法提高了65%的安全距离,无冗余转向,路径具有位姿连续性,可以保证机器人的平稳、高效、安全的移动。

基于矿卡和挖机之间精准定向需求的双层轨迹规划技术研究

无人驾驶矿卡路径规划的核心在于作业平台协作场景的轨迹规划技术,矿山工作场景时变、多样、复杂,往往很难规划出一条有效的路径达到挖机铲装点进行装料作业,从而导致铲装作业失败。单一的路径规划技术无法满足所有场景的铲装需求,因此,基于矿山场景实际需求,提出了基于混合A*算法的轨迹规划关键点选取和面向矿车挖机精准定向需求的DWA局部规划组成的双层轨迹规划框架。基于混合A*算法单次规划,实现了矿车在自感知全局地图内的轨迹寻优和矿车轨迹规划关键点提取;基于DWA垂直距离代价以及期望朝向代价的构建,提升了DWA算法矿车挖机精准定向能力;基于自感知全局地图以及双层轨迹规划框架的设计,整体提升了无人驾驶矿车的动态场景适应能力,提升了铲装的作业效率。

矿用卡车无人驾驶系统路径规划方案研究

矿用卡车无人驾驶是露天煤矿智能化建设的重点实施项目。目前常用的矿用卡车无人驾驶路径规划算法中,人工势场法虽然实时性较好,但是只考虑静态障碍物约束,不适用于动态场景;基于采样的路径规划算法对于非完整约束动力学模型无法进行处理;基于图搜索的路径规划算法常用的方法是A*算法,可有效解决最短路径问题,但易陷入“死循环”,且规划出的路径折点较多。针对上述问题,提出一种基于图搜索的混合A*(Hybrid A*)路径规划算法方案。该方案充分考虑车辆运动学模型,通过优化启发函数得到合理的全局规划路径,然后融合多传感器信息建立局部地图,采用回旋曲线的方法将车辆模型与目标点建立联系,形成局部路径。实际应用结果表明,该方案可适用于实际生产中的各种极端装载、卸载道路条件,具备常规最短路径、狭窄区域铲窝模式、长距离倒车、反向装车绕行、移铲自动跟随等多种自适应规划能力,同时在规划过程中能够智能识别并避开规划区域内电铲、指挥车、电缆桥、山体等障碍物,从而实现快速、平稳、准确地引导无人驾驶矿用卡车到达预设调度位置,确保了生产过程的高效性和安全性。

一种任意起始位姿的连续曲率泊车路径在线规划方法

针对目前泊车路径规划算法对起始位姿要求严格,且难以兼顾最终位姿精度、路径质量及计算效率等问题,提出了一种任意起始位姿的连续曲率路径在线规划方法。该方法将整个泊车路径规划分为库位内调整与入库过程两部分。库位内调整采用以最终位姿高精度与调整次数最少为目标函数的最优化方法进行逐段规划;入库过程采用连续曲率曲线组用于混合A*算法的状态节点扩展以直接生成无需后处理的可执行路径。设计考虑路径的曲率变化与方向改变次数的估价函数;采用由路径几何形状特征点构建特征多边形的碰撞检测方法以提高计算效率。离线仿真与实车试验结果验证了该方法的有效性。