智联网汽车技术 课件 6.2全局路径规划

全局路径规划项目三汽车决策控制系统任务6路径规划系统主讲人：杨时川智能网联汽车技术课程导入

在智能网联汽车中，全局路径规划非常重要，它能够根据各种信息为我们提供到达目的地的最优路径。学习目标了解全局路径规划的定义和作用01掌握传统算法中的迪杰斯特拉算法和A*算法02学习任务通过实例分析，理解全局路径规划的应用场景和局限性01激活旧知什么是路径规划？路径规划：找到一条从起点到目的地的最佳路径在自动驾驶中，全局路径规划特别重要，因为它能够在整个路网中为我们规划一条最优的路径。

探索新知路径规划模块局部环境感知可用的全局车道级路径相关交通规则根据驾驶需求进行任务决策，接着在能避开可能存在的障碍物前提下，通过一些特定的约束条件，提供能够将车辆引导向目的地（或目的点）的最优路径。探索新知自动驾驶车辆的路径规划根据环境信息是否完全已知：1全局环境路径规划建立所要规划路径的框架2局部环境路径规划弥补其中的细节3混合路径规划方法两者相辅相成探索新知定义已知全局环境下各个障碍物的位置、大小等相关信息，以此进行最优路径的求取。全局路径规划(RoutePlanning)探索新知定义局限性：由于障碍物之间密度过大或在有障碍物和狭窄通道的情况下容易规划失败大多数算法在搜索路径时间复杂度过高特点：可以求取最优解全局路径规划算法：一般在生成轨迹后，不会再进行多次的规划智能网联汽车全局路径规划需依据高精度地图、定位信息和驾驶者设定的目的地来规划出一条全局的路径，这条路径只考虑起始点和道路最优。探索新知定义探索新知定义考虑道路标志信息、道路总长度、拥堵程度，因而不能动态避障不对实时环境信息进行考虑（行人、车辆和交通信号灯、道路宽度、道路中心线曲率、动静态障碍物信息）探索新知算法分类全局路径规划算法传统算法智能算法遗传算法、蚁群算法等基于图的搜索算法基于采样的规划算法D算法、A*算法等PRM、RRT等探索新知算法分类运动规划(MotionPlanning)目的是从某一空间的固定位置转向另一个固定位置的转换序列。探索新知算法分类路径规划(PathPlanning)可将无人车感知环境进行栅格化处理，将感知的障碍物以及智能车选取的局部目标点映射到相应的网格中，通过对无“占据”网格的连接得到一条从当前位置到目标位置的路径。因此，一些传统的图搜索算法在智能汽车中得到广泛应用。探索新知算法分类Dijkstra算法一种经典的路径规划算法以起点为中心向外进行层层搜索，得到最短的路径Dijkstra算法探索新知算法分类Dijkstra算法广泛应用于寻找地图上一个顶点到另一个顶点的最短距离，解决了寻找地图上最优路径问题，但由于D算法采取的是盲目搜索策略，在搜索过程中搜索了很多无意义几点，所以其算法效率偏低。探索新知算法分类A*算法引入了启发式代价函数的概念使得路径点能够有方向性的朝向终点运动，即启发式搜索大大提高了搜索效率A*算法探索新知小贴士A*算法1.把起点加入Openlist。2.重复如下过程：a)遍历Openlist，查找F值最小的节点移到Closelist，把它作为当前要处理的节点。b)判断当前方格的8个相邻方格的每一个方格，若为Unreachalbe或者已在Closelist中则忽略。否则做如下操作。c)如果它不在Openlist中，把它加入Openlist，并且把当前方格设置为它的父亲，记录该方格的F，G和H值。探索新知小贴士A*算法d)如果它已经在Openlist中，检查这条路径(即经由当前方格到达它那里)是否更好，用G值作参考。更小的G值表示这是更好的路径。如果是这样，把它的父亲设置为当前方格，并重新计算它的G和F值。3.直到Openlist为空，从终点开始，每个方格沿着父节点移动直至起点，这就是最优路径。探索新知算法分类图形构建即为场景地图添加路径规划信息的过程，其中的路径规划信息往往需要根据实际场景进行界定。图形搜索即通过图形构建中提供的地图信息与相关规划信息对最佳路径计算的过程。该过程相关的搜索算法广泛，使用最多的为A*算法与D*算法两者在实际使用时往往均需要针对图形构建步骤的结果进行再设计即时检测小测试