智联网汽车技术 课件 6.3局部路径规划

局部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自动驾驶汽车在完全未知的环境里面自主驾驶怎么确定自己的行驶路径？是预先规划好全局路径，还是根据实时环境进行局部规划?学习目标学习局部路径规划的基本概念和算法分类01学会解释其基本概念，并能举例说明它的作用02学习任务和小智一起，完成对局部路径规划必要知识的介绍01激活旧知为什么需要局部路径规划吗?局部规划相比全局规划而言，可以根据环境的复杂多变从而做到实时调整，以确保驾驶安全。探索新知全局规划通常需要在已知环境中进行，属于一种事前规划，可以找到最优解，但是一旦环境发生变化，或未及时更新地图时，该方法就不能达到预期效果。全局规划探索新知全局规划车辆在实际行驶中，位置、航向和转弯半径是连续变化的，那么生成的路径也要满足位置、切向方向和曲率的连续变化。探索新知全局规划作用：基于一定的环境地图寻找一条满足车辆运动学约束和舒适性指标的无碰撞路径。属于全局路径规划的实时补偿规划局部路径规划探索新知局部路径规划车辆在一段较短时间或空间内的动态路线规划，通常在未知或部分已知的环境中，系统根据车载传感设备及V2X实时获取到环境障碍物及驾驶人的状态信息，包括交通信号、自车位姿状态、动静态障碍物信息等。局部路径规划探索新知局部路径规划并做出相应规划，规划出的路径可以实现动态避障功能和超车变道等情境中，具有较高的实时性，从而提高轨迹的合理性及安全性。局部路径规划探索新知局部路径规划从车辆的当前位置出发，根据一系列车身传感器感知得到的障碍物运动速度与运动方向等信息，在机器视觉的一定预瞄范围内规划出一条安全、可靠的最短参考路径，同时该参考路径必须满足动态避障条件，并由一定间距的点序列构成。探索新知局部路径规划移动车辆在沿参考路径运动的同时，以车辆当前行走速度，对参考路径进行新一轮规划，并将重新规划的路径代替原参考路径，进入新一轮的路径跟踪控制，使车辆沿动态参考路径不断向全局目标点接近。探索新知典型算法现阶段智能汽车的局部路径规划方法多样，但在实时性与鲁棒性等方面有所差异人工势场法神经网络法模糊逻辑法遗传算法探索新知典型算法krogh和khatib于1986年提出的一种构造虚拟势函数的方法，人工势场法结构简单、计算量小，对传感器要求低，很好的解决实时避障问题上。人工势场法（potentialfield）探索新知典型算法智能汽车要到达的目标点对其产生引力势场，方向由四周向自身聚拢，而障碍物对汽车产生斥力势场，方向由其自身向外部发散。将智能汽车的运动简化为在受力场中的运动探索新知典型算法将智能汽车的运动简化为在受力场中的运动由于引力势场和斥力势场的共同作用，引力场根据与目标点的距离增加而单调递增，且方向指向目标点，而斥力场在车辆处在障碍物位置时有一极大值，并根据车辆与障碍物距离的增大而单调减小，方向指向远离障碍物方向。探索新知典型算法智能汽车能够在引力作用下向目标点移动，因为斥力作用而躲避障碍物，因此汽车能够顺利安全地到达终点。将智能汽车的运动简化为在受力场中的运动探索新知典型算法该种算法被广泛应用于路径规划中人工势场算法简单实用，无须对全局进行搜索，且鲁棒性较强，且有着良好的实时性和较简单的结构，便于底层的实时控制，在智能汽车的实时避障和平滑的轨迹控制方面得到广泛的应用。探索新知典型算法由于引力势场的范围比较大，而斥力的作用范围只是局部的，当车辆和障碍物的距离超过障碍物影响范围的时候，车辆不受排斥势场的影响。探索新知典型算法因此而会出现诸如存在陷阱区域、在相近的障碍物群中不能识别路径和在狭窄通道中摆动之类的缺点。人工势场法只能解决局部空间的避障问题探索新知典型算法采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，能够模拟人脑复杂的层次化认知特点的深度学习。神经网络算法探索新知典型算法由于其算力和泛用性等方面的优越性，对于应对往往处于信息完全未知或部分未知环境的局部路径规划，神经网络算法体现出了很大的应用潜力。神经网络算法探索新知典型算法建立一个关于车辆从初始位置到目标位置行走路径的神经网络模型，模型输入是传感器信息和车辆前一位置或者前一位置的运动方向，通过对模型训练输出车辆下一位置或者下一位置的运动方向，通过其自学习能力降低环境中的动态因素对系统的影响。探索新知典型算法对于智能汽车动态运行状态的多状态处理有着很强的包容性，但需要量的参数和较长的学习时间。探索新知典型算法根据人类的驾驶经验产生的，司机能够根据模糊环境信息做出转弯直行等避障动作，参考这一过程移动机器人在路径规划的时候，先将环境信息模糊化，再通过查规则表来获得规划的结果。模糊逻辑算法探索新知典型算法缺点模糊判断需要较多的先验知识，所以灵活性较差当输入较多时会造成规则库或模糊表急剧膨胀优点克服了一般局部规划方法产生局部极小点的弊端实时性较好探索新知典型算法遗传算法近来在移动机器人路径规划领域取得了许多成果基本思想首先将个体编码为路径中的一些中间点，然后再进行选择、交叉、复制、变异这些遗传操作，经过若干代的选择之后最后输出的是最优个体。探索新知典型算法遗传算法是一种并行计算的方法，不容易陷入局部极值点，但由于其计算速度较慢限制了它的应用。遗传算法的进化方向由适应度函数决定，因此适应度函数的选择非常重要探索新知典型算法以上介绍了几种目前常用环境信息已知的全局规划和环境信息未知的局部规划的方法，但现实的环境往往介于两者之间。即环境信息部分己知和部分未知的情况探索新知典型算法针对上述的环境，一种全局路径规划和局部路径规划相结合的混合路径规划的思路被一些专家和学者所提出，既利用了全局路径规划环境利用率高的特点也结合了局部路径规划的灵活性。即时检测小测试人工