汽车技术

目标点	对比算法对应文献	智能车辆编队避障时间/s
(25,20)	文献[5]	24.58	25.68	24.98	23.73	23.35	24.66	25.31	25.07	25.45	25.39	24.82
文献[24]	24.19	27.34	27.68	27.90	28.38	27.2	25.87	28.06	28.13	28.94	27.37
本文	23.30	22.15	21.33	19.87	21.06	20.54	19.86	20.37	21.89	21.24	21.16
(25,25)	文献[5]	33.31	34.34	33.27	35.41	34.16	35.12	36.01	34.58	36.02	35.24	34.75
文献[24]	37.38	37.67	38.57	38.35	36.98	38.89	38.78	39.09	37.58	36.94	38.02
本文	31.04	29.37	28.79	30.25	31.35	30.06	29.79	29.30	30.15	31.33	30.14
(20,25)	文献[5]	25.81	26.72	27.04	26.51	26.43	25.68	26.31	25.34	24.31	25.78	26.00
文献[24]	27.34	26.85	30.23	29.34	28.37	27.85	26.34	28.37	29.14	28.78	28.26
本文	22.17	24.57	23.65	24.13	23.54	27.78	24.35	23.14	22.13	21.37	23.68

目标点	对比算法对应文献	智能车辆编队避障时间/s
(25,20)	文献[5]	24.58	25.68	24.98	23.73	23.35	24.66	25.31	25.07	25.45	25.39	24.82
文献[24]	24.19	27.34	27.68	27.90	28.38	27.2	25.87	28.06	28.13	28.94	27.37
本文	23.30	22.15	21.33	19.87	21.06	20.54	19.86	20.37	21.89	21.24	21.16
(25,25)	文献[5]	33.31	34.34	33.27	35.41	34.16	35.12	36.01	34.58	36.02	35.24	34.75
文献[24]	37.38	37.67	38.57	38.35	36.98	38.89	38.78	39.09	37.58	36.94	38.02
本文	31.04	29.37	28.79	30.25	31.35	30.06	29.79	29.30	30.15	31.33	30.14
(20,25)	文献[5]	25.81	26.72	27.04	26.51	26.43	25.68	26.31	25.34	24.31	25.78	26.00
文献[24]	27.34	26.85	30.23	29.34	28.37	27.85	26.34	28.37	29.14	28.78	28.26
本文	22.17	24.57	23.65	24.13	23.54	27.78	24.35	23.14	22.13	21.37	23.68

对比试验组	(20,25)处方差	(25,25)处方差	(25,20)处方差
文献[5]	0.32	0.44	0.58	0.63	0.36	0.21
文献[24]	0.46	0.41	0.32	0.47	0.38	0.23
本文	0.19	0.12	0.17	0.21	0.15	0.12
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

对比试验组	(20,25)处方差	(25,25)处方差	(25,20)处方差
文献[5]	0.32	0.44	0.58	0.63	0.36	0.21
文献[24]	0.46	0.41	0.32	0.47	0.38	0.23
本文	0.19	0.12	0.17	0.21	0.15	0.12
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

对比试验组	(20,25)处方差	(25,25)处方差	(25,20)处方差
文献[5]	23.17	27.69	31.62	25.86	30.76	20.43
文献[24]	40.28	32.01	22.32	20.45	32.42	25.97
本文	15.82	9.57	13.27	18.06	18.28	17.48
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

对比试验组	(20,25)处方差	(25,25)处方差	(25,20)处方差
文献[5]	23.17	27.69	31.62	25.86	30.76	20.43
文献[24]	40.28	32.01	22.32	20.45	32.42	25.97
本文	15.82	9.57	13.27	18.06	18.28	17.48
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

障碍物数量	40	45	50	55	60	65	70
文献[5]	0.44	0.48	0.49	0.51	0.52	0.52	0.53
文献[24]	0.41	0.43	0.44	0.44	0.46	0.47	0.51
本文	0.12	0.13	0.12	0.14	0.13	0.13	0.14
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

障碍物数量	40	45	50	55	60	65	70
文献[5]	0.44	0.48	0.49	0.51	0.52	0.52	0.53
文献[24]	0.41	0.43	0.44	0.44	0.46	0.47	0.51
本文	0.12	0.13	0.12	0.14	0.13	0.13	0.14
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

基于优化人工势场法的智能车辆编队避障策略研究^*

PDF下载

孙羽 ¹^,² , 曹曼曼 ³ , 王强 ³ , 孙博华 ⁴

汽车技术 | 智能驾驶车辆避障策略专题 2025,(7): 31-39

收起

汽车技术 | 智能驾驶车辆避障策略专题 2025, (7): 31-39

基于优化人工势场法的智能车辆编队避障策略研究^*

全屏

孙羽¹^,², 曹曼曼³, 王强³, 孙博华⁴

作者信息

¹ 浙江大学，杭州 310000

² 奇瑞新能源汽车股份有限公司，芜湖 241002

³ 中汽智联技术有限公司，天津 300380

⁴ 吉林大学汽车底盘集成与仿生全国重点试验室，长春 130025

通讯作者:

孙博华（1988—），男，工学博士，讲师，研究方向为自动驾驶人机混合决策与编队控制技术、新一代电驱动底盘集成技术，sunbohua@jlu.edu.cn。

Research on the Obstacle Avoidance Strategy of Connected Vehicle Formation Basing on the Optimized Artificial Potential Field Method

Yu Sun¹^,², Manman Cao³, Qiang Wang³, Bohua Sun⁴

Affiliations

¹ Zhejiang University, Hangzhou 310000

² Chery New Energy Automotive Co., Ltd., Wuhu 241002

³ CATARC Intelligent and Connected Technology Co., Ltd., Tianjin 300380

⁴ National Key Laboratory of Automotive Chassis Integration and Bionics, Jilin University, Changchun 130025

出版时间: 2025-07-24 doi: 10.19620/j.cnki.1000-3703.20250059

文章导航

摘要

收起

【摘要】为克服动态、不确定的复杂行车环境带来的车辆编队碰撞与稳定性问题，提高行车安全性，提出了一种基于优化人工势场法的智能车辆编队避障策略。设计了智能车辆编队避障策略框架，建立了基于经典人工势场法的车辆编队控制器，以及具备莱维飞行随机搜索特性的车辆编队搜索逻辑，以克服人工势场法中引力与斥力增量系数设置的局限性，进而增强车辆编队对复杂行车环境的适应能力。采用联合仿真试验平台对所提出的算法进行了验证，结果表明，基于优化人工势场法的智能车辆编队避障能够更加快速地适应较为复杂的行车环境，并具备更短的编队避障时间。

关键词

智能车辆 / 编队控制 / 人工势场 / 莱维飞行 / 队形异构变换

Abstract

收起

In order to overcome the collision and stability issues of the connected vehicle formation in dynamic, uncertain and complex driving scenarios, and improve the driving safety for the connected vehicles, an obstacle avoidance strategy for the connected vehicle formation is proposed basing on optimized artificial potential field method. The obstacle avoidance strategy framework for the connected vehicle formation is designed and the vehicle formation controller basing on the classical artificial potential field method is established. On this basis, the vehicle formation search logic with Levi's flight random search characteristics is proposed to overcome the parameter limitation of the incremental coefficient of attraction and repulsion in artificial potential field method, and enhance the adaptability of the vehicle formation to complex driving environment. The proposed obstacle avoidance strategy is verified by a co-simulation testing platform. Results show that the connected vehicle formation basing on the optimized artificial potential field method can adapt to the complex driving environment more quickly, and has a shorter vehicle formation obstacle avoidance time.

Key words

Connected Vehicles / Formation Control / Artificial Potential Field / Levy Flight / Heterogeneous Formation Transformation

引用本文

孙羽, 曹曼曼, 王强, 孙博华. 基于优化人工势场法的智能车辆编队避障策略研究^*. 汽车技术, 2025 , (7) : 31 -39 . DOI: 10.19620/j.cnki.1000-3703.20250059

Yu Sun, Manman Cao, Qiang Wang, Bohua Sun. Research on the Obstacle Avoidance Strategy of Connected Vehicle Formation Basing on the Optimized Artificial Potential Field Method[J]. Automobile Technology, 2025 , (7) : 31 -39 . DOI: 10.19620/j.cnki.1000-3703.20250059

正文

收起

1 前言

收起

智能车辆编队控制是车辆编队集群的核心技术之一，可以提高车辆集群行驶模式的能源利用效率和车辆燃油经济性，减少对环境的污染^[1]。对于行车安全性、通行效率及其对复杂环境的适应能力，具有重要的作用^[2]。

复杂行车环境具备部分可观测、高阶非线性与不确定性等场景属性，使得车辆编队控制问题成为具备多输入多输出的非线性系统控制问题^[3]。常用基于规则^[4]或基于人工智能^[5]的控制策略，建立安全且高效的车辆编队控制架构。其中，基于规则的车辆编队控制策略，通过模糊逻辑或图逻辑建立车辆编队控制框架^[6-7]，但尚存在泛化能力弱与极端工况难收敛等智能车辆集群的行车性能局限性。

为克服基于规则的控制策略带来的弱环境适应性，以人工势场法^[8]、遗传算法^[9]或可视图^[10]控制等最优控制及数据驱动型控制为代表的控制策略，逐步应用于智能车辆编队控制中。其中，人工势场法具备计算量小、实时性能好且结构简单的优点而被广泛应用^[11]。但智能车辆单体会出现目标不可达问题^[12]，可通过基于视觉速度矢量的速度可变模型或基于导航函数的约束方程避免该问题的出现^[13-14]。但相关方法并未考虑行车环境内障碍物运动模式不确定性导致的编队避障出现局部极小值或避障轨迹抖动等问题。为解决该问题，需要克服人工势场法在求解中的增量系统设置方法，优化引力和斥力的增量系数^[15-16]。但由于上述方法多针对自主式智能车辆单体进行解算，因此，建立智能车辆编队避障中目标可达且避障轨迹平滑的编队避障策略，仍需进行深入研究。

本文针对复杂行车环境中智能车辆编队的安全性与适应性，建立了基于优化人工势场法的智能车辆编队避障策略。首先建立了智能车辆编队避障策略框架，建立了具备莱维飞行随机搜索特性的车辆编队搜索逻辑、车辆编队时空演化策略，克服人工势场法中引力与斥力增量系数设置的局限性，进而增强车辆编队对复杂行车环境的适应能力。

2 智能车辆编队避障策略框架

收起

智能车辆编队避障策略框架如图1所示。由图1可知，智能车辆编队避障策略包括编队控制器设计、动态车辆编队时空演化策略设计、车辆编队搜索逻辑以及场景适应能力评估器等4个部分。基于人工势场法建立智能车辆编队对应的引力与斥力势场模型，并计算得到智能车辆单体受到的引力和斥力。为提高智能车辆编队对复杂环境的适应能力，设计了智能车辆编队队形时空变换策略，并通过队列伸缩系数切换队形变换模式。为了解决复杂行车环境中障碍物意图不确定性带来的行车场景随机性问题，建立了基于莱维飞行机制的车辆编队搜索逻辑，优化引力和斥力增量系数，并配合适当的队形模式，建立起智能车辆编队在复杂行车环境中的避障能力。

3 基于莱维飞行的智能车辆编队避障策略

收起

3.1 基于人工势场法的编队控制器

根据智能车辆编队所处复杂行车环境的系统属性，行车环境可以等价为由多种势力场所构成的混合场域，编队避障策略本质上即为带有动力学响应的部分可观粒子在混合场域时空演化过程中各时刻对应的最优化序列组。在假定智能车辆编队具备唯一目的地的条件下，目的地产生引力势场，势场方向由智能车辆编队内各车辆单体的航向角决定；相应地，行车环境中阻碍智能车辆编队的各类型场景元素，可视为智能车辆编队的障碍物，产生指向各车辆单体的斥力势场。基于人工势场法的智能车辆编队控制器，即为智能车辆编队在引力和斥力场的共同作用下向目的地行驶，并实时规划无碰撞的平滑路径的计算逻辑。复杂行车环境的引力势场函数U_at(x)和斥力势场函数U_re(x)为：

（1）

${U}_{at}\left(x\right)=\frac{1}{2}{\eta }_{at}{\rho }^{2}\left(x,{x}_{gl}\right)$

（2）

${U}_{re}\left(x\right)=\left\{\begin{array}{l}\frac{1}{2}{\eta }_{re}{\left(\frac{1}{\rho \left(x,{x}_{ob}\right)}-\frac{1}{{\rho }_{0}}\right)}^{2}{\rho }^{n}\left(x,{x}_{gl}\right),\hspace{0.33em} \rho \left(x,{x}_{ob}\right)\le {\rho }_{0}\\ 0,\hspace{0.33em} \rho \left(x,{x}_{ob}\right){\rho }_{0}\end{array}\right.$

式中：η_at和η_re分别为引力增量系数和斥力增量系数；x、x_gl和x_ob分别为智能车辆、目的地以及障碍物的当前位置坐标；ρ(x,x_gl)为智能车辆和目的地间的距离；ρ(x,x_ob)为智能车辆和障碍物间的最短距离；ρ₀为常数且ρ₀>0，描述了障碍物的实际影响距离；n为基于经验给定的常数。

智能车辆单体受到的引力和斥力为U_at(x)和U_re(x)的负梯度为：

（3）

${F}_{at}\left(x\right)=-\nabla {U}_{at}\left(x\right)={\eta }_{at}\rho \left(x,{x}_{gl}\right)$

（4）

${F}_{re}\left(x\right)=-\nabla {U}_{re}\left(x\right)=\left\{\begin{array}{l}{F}_{re1}+{F}_{re2}, \rho \left(x,{x}_{ob}\right)\le {\rho }_{0}\\ 0,\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\rho \left(x,{x}_{ob}\right){\rho }_{0}\end{array}\right.$

F_re1和F_re2的表达式为：

（5）

${F}_{re1}={\eta }_{re}\left(\frac{1}{\rho \left(x,{x}_{ob}\right)}-\frac{1}{{\rho }_{0}}\right)\cdot \frac{{\rho }^{n}\left(x,{x}_{gl}\right)}{{\rho }^{2}\left(x,{x}_{ob}\right)}$

（6）

${F}_{re2}=\frac{n}{2}{\eta }_{re}{\left(\frac{1}{\rho \left(x,{x}_{ob}\right)}-\frac{1}{{\rho }_{0}}\right)}^{2}\cdot {\rho }^{n-1}\left(x,{x}_{gl}\right)$

式中：F_re1的方向由障碍物指向智能车辆单体；F_re2的方向由智能车辆单体指向目的地。

因此，智能车辆单体在合势场中受到的合力如下：

（7）F_tl(x)=F_at(x)+F_re(x)

智能车辆编队受到目的地引力和行车场景中障碍物斥力的共同作用，不断朝向目的地移动。为解决基于人工势场法的智能车辆编队避障对应的局部极小值问题，改进斥力在二维平面中的分量^[17]：

（8）

${F}_{re,p}\left(x\right)=\left\{\begin{array}{l}\left(1+\alpha \right){F}_{re}\left(x\right)cos\theta, x-{x}_{0}\le {\rho }_{0}\\ 0,\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}x-{x}_{0}{\rho }_{0}\end{array}\right.$

（9）

${F}_{re,q}\left(x\right)=\left\{\begin{array}{l}\left(1+\beta \right){F}_{re}\left(x\right)sin\theta, x-{x}_{0}\le {\rho }_{0}\\ 0,\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em}\hspace{0.33em} \hspace{0.33em}x-{x}_{0}{\rho }_{0}\end{array}\right.$

式中：θ为航向角；α和β为经验系数，α∈(-1,1)且β∈(-1,1)，α和β通过改变F_re在p轴和q轴上的取值，进而改变F_re的方向，使其既能指向目的地，同时又可以避开路径上的局部最小点并避免与障碍物产生碰撞，α和β需要赋予不同的数值，确保F_re方向可以发生改变，避免智能车辆代替出现局部最小值困境。

3.2 动态车辆编队时空变换策略

基于人工势场法的智能车辆单体避障过程，仅需考虑避障的安全性并实现快速到达目的地。在智能车辆编队进行避障的过程中，为提高其对复杂环境的适应能力，还需要考虑智能车辆编队队形时空变换策略。建立基于队列伸缩系数γ的编队队形时空变换策略，考虑智能车辆编队沿头车行驶方向的纵侧向伸缩程度，并规范编队内相邻车辆的行车安全边界。其中，γ为：

（10）

$\gamma =\frac{{W}_{max}}{W}, 且\gamma {\gamma }_{min}$

式中：W为智能车辆编队的队列宽度；W_max为智能车辆编队在行车环境内可行驶区域中的最大宽度；γ_min为智能车辆编队内相邻车辆单体间不发生碰撞的最小伸缩系数，表征了智能车辆编队产生变化的基准值。

智能车辆编队在向目的地行驶过程中，领航车辆（即头车）基于智能传感器感知行车环境内的障碍物等场景信息，规划智能车辆编队的期望行驶路径，同时计算出当前时刻的γ值与队形变换模式值κ。队形变换模式主要包括队形无变化、队形同构变换以及队形异构变换等3种模式：

a. 队形无变换模式（κ=1模式）。当γ≥1时，测试W_max≥W，即领航车辆行车环境内的可行使区域足以容纳当前队形的智能车辆编队，无需调整队形即可通过当前行车环境。

b. 队形同构变换模式（κ=2模式）。当γ_min<γ<1时，领航车辆行车环境内的可行使区域对应的宽度较低，智能车辆编队可以通过调整γ值通过该区域，该模式维持历史编队队形。

c. 队形异构变换模式（κ=3模式）。当γ≤γ_min时，智能车辆编队无法通过同构变换完成驾驶任务，须改变车辆编队队形实现既定驾驶任务。在该模式下，智能车辆编队内各单车分别进行避障自动驾驶，待切出该模式时，根据领航车行车状态，重新恢复编队队形。

在动态车辆编队完成避障行车过程中，领航车实时根据行车环境内的可行驶区域计算κ值，智能车辆编队内其他车辆单体根据领航车辆的行车状态，恢复并保持车辆编队队形，提高车辆编队在复杂行车环境下的行车安全性和环境适应性。

3.3 复杂行车环境下的车辆编队搜索逻辑

为了应对复杂行车环境中障碍物意图不确定性带来的行车场景随机性问题，设计了复杂行车环境下的车辆编队搜索逻辑^[18-19]。采用基于布谷鸟算法的莱维飞行随机搜索逻辑，动态优化基于人工势场法设计的编队控制器中的增量系数η_at和η_re，并考虑动态车辆编队时空变换策略，提高智能车辆编队的行车安全性和场景适应性。

莱维飞行机制基于非正态分布的随机过程^[20]，计算补偿服从莱维稳定分布，运动方向服从均匀分布。在搜索过程中交替使用小步长的短距离移动和大步长的长距离移动，从而增强了全局搜索能力，减少了陷入局部最优的可能性。莱维飞行的随机步长函数l(S_t,q)为^[21-22]：

（11）

$l\left({S}_{t},q\right)~L\left({S}_{t},q\right)=\frac{q\Gamma \left(q\right)sin\left(\pi q/2\right)}{\pi {\left|{S}_{t}\right|}^{1+q}}, q\in \left(\mathrm{1,3}\right]$

式中：L(S_t,q)为莱维分布函数；Γ为伽玛函数函数；q为步长指数；S_t为莱维飞行机制中的随机步长，可作为人工势场随机增量。

为更好的实现S_t在莱维飞行随机搜索逻辑中的工程应用计算公式为：

（12）

${S}_{t}=\frac{\mu }{{\left|v\right|}^{1/q}}, q\in \left[\mathrm{1,2}\right]$

其中，参数μ和v服从如下正态分布，σ_μ和σ_v采用试验标定的经验值，并得到对应的μ和v：

（13）

$\mu ~N\left(0,{\sigma }_{\mu }^{2}\right), v~N\left(0,{\sigma }_{v}^{2}\right)$

（14）σ_μ=σ_v=1

对人工势场中关键参数进行优化，优化后的增量系数η_at和η_re为：

（15）

${\eta }_{at}=maxl\left({S}_{t},q\right), q\in \left(\mathrm{1,3}\right]$

（16）

${\eta }_{re}=minl\left({S}_{t},q\right), q\in \left(\mathrm{1,3}\right]$

将莱维飞行机制中的随机步长带入到人工势场法的引力势场函数和斥力势场函数中，得到对应的U_at(x)和U_re(x)：

（17）

${U}_{at}\left(x\right)=\frac{1}{2}l\left({S}_{t},q\right){\rho }^{2}\left(x,{x}_{gl}\right)$

（18）

${U}_{re}\left(x\right)=\left\{\begin{array}{l}\frac{1}{2}l\left({S}_{t},q\right){\left(\frac{1}{\rho \left(x,{x}_{ob}\right)}-\frac{1}{{\rho }_{0}}\right)}^{2}{\rho }^{n}\left(x,{x}_{gl}\right), \rho \left(x,{x}_{ob}\right)\le {\rho }_{0}\\ 0, \rho \left(x,{x}_{ob}\right){\rho }_{0}\end{array}\right.$

基于布谷鸟算法的莱维飞行机制，对η_at和η_re的寻优步骤如下：

a. 初始化L(S_t,q)中的相关参数，计算增量系数η_at和η_re；

b. 采用人工势场法计算智能车辆编队的避障策略，设定领航车避障后到达期望位置的迭代次数n，并计算对应的κ值；

c. 根据式（11）计算l(S_t,q)值，并计算更新后的η_at和η_re；

d. 更新智能车辆编队位置，并计算当前迭代步中l(S_t,q)的极值，用来确定最适合的(η_at,η_re)组合；

e. 判断n是否超过既定值，如超过既定值则输出其中的(η_at,η_re)组合最优值，否则返回步骤b；

f. 迭代结束返回最优值对应的编队解算数据，即可得到最优的(η_at,η_re)组合。

3.4 车辆编队场景适应效率评估器设计

场景适应效率评估器用于评价智能车辆编队对特定行车环境的适应程度，采用环境适应度效率函数S_ef以及避障过程耗时方差表示，S_ef的计算公式为^[23]：

（19）S_ef=I_t+I_e+I_d

式中：I_t、I_e和I_d分别为智能车辆编队队形变换的收敛时间比率、能量消耗速率以及队形畸变程度。

计算得到的S_ef值越小，智能车辆编队的行车安全性和行车场景适应性越强，对应的避障策略越合理且有效。

3.5 智能车辆编队避障流程

具备莱维飞行随机搜索特性的车辆编队搜索逻辑，对经典人工势场法求解智能车辆编队避障逻辑进行了改进，如图2所示，对应步骤说明如下：

a. 对智能车辆编队进行初始化，并构建一组常用的智能车编队阵型数据库。

b. 判断当前时刻智能车辆编队中领航车的可行驶区域。当领航车仅存在单一通行路径时，根据γ值，计算确定最适合当前避障情况下的队形配置κ；当领航车存在多条可行驶路径且行车环境复杂时，则只能选择κ=2队形变化模式。

c. 判断若发现存在多条可行路径且队形变换处于异构模式时，采用优化的人工势场法确定当前行车环境中η_at和η_re的取值，指导智能车编队实施避障。

d. 在κ=0与κ=1模式时，跟随车采用跟随领航车保持策略智能车辆编队形状；κ=2模式时，跟随车采用独立避障策略。

e. 判断领航车是否到达目的地，如尚未到达目的地，则继续执行新一次避障逻辑。在全部行车过程中，避障策略各关键内参随行车环境自适应变化，保证智能车辆编队能够最大程度保持队形并成功到达目的地。

4 仿真试验与结果分析

收起

4.1 高精度联合仿真试验平台搭建

为验证避障策略的合理性和有效性，建立高精度联合仿真试验平台，见图3。CarSim 2016^®软件用于建立具备高动力学响应精度的领航车动力学模型，集成了激光雷达模型的Virtual Test Drive（VTD）^®软件提供了包含行车场地、障碍物场景与激光雷达模型。智能车辆编队中的跟随车模型以及避障策略在MathWorks Simulink^®软件中进行构建与设计。领航车及智能车辆编队状态随虚拟行车场景变化，避障控制指令同时随特定场景时空变化。领航车装配了用于环境感知的激光雷达传感器，编队中的其他车辆接收编队状态信息与障碍物位置信息。CarSim 2016^®及MathWorks Simulink^®运行于National Instrument设备的PXIe-8881板卡中，VTD软件运行于具备了I9处理器、2.19 GHz主频与32 G内存的高算力服务器。PXIe-8881板卡与高算力服务器间采用CAN总线实时交互数据。

为验证本文所提出融合算法的合理性和可行性，共计建立3组对比性试验。考虑到三角形的密集编队模式具备最大的观测角，并能够保持智能车辆编队队形的稳定性，因此以三角形作为试验基本队形。采用领航车-跟随车编队控制策略控制智能车辆编队。领航车的初始速度设置为0.15 m/s，向目的地坐标做匀速运动，编队队形的顶角角度设置为45°，环境中障碍物数量设置为40个，在智能车辆编队行驶方向上随机分布，用来模拟行车过程中所应对的障碍物的部分可观属性，对应的坐标位置设为随机坐标。为了适应行车场景中的多目的地航向测试，将目的地作为设置为不同的方向，目标坐标点分别设置为(25,20)、(25,25)和(20,25)。针对每组目的地坐标点，分别进行测试。设计了两组对照试验，通过采用基于改进传统人工势场算法以及时效优先避障策略等算法建立的智能车辆编队避障策略与本文所提方法进行对比。文献[5]采用多智能体遗传算法在线优化多车辆编队的避障控制效果，并将其与人工势场法相结合进而保持队形的稳定性；文献[24]采用时效优先避障策略对智能车辆进行控制，通过智能车辆编队队形变换知识库作为参照样本，通过评估避障耗时优化编队避障效果。文献[5]与文献[24]中的对应避障策略均以领航车-跟随车编队为被控对象，并以车辆编队的通行时间及环境适应性作为控制目标，将其作为对照组，以验证所提出避障策略的合理性和有效性。

4.2 车辆编队避障结果分析

智能车辆编队到达不同目的地时，3组试验各进行10次，所得到的避障策略所耗时间以及10次计算的平均避障时间如表1所示。

试验1：目的地坐标点设置为(25,20)。智能车辆编队中各智能车单体的初始坐标位置分别为(0,0)、(-1,-1)、(-1,1)，(-2,-2)、(-2,2)和(-2,0)。其中，(0,0)为智能车辆编队中领航车的初始坐标位置。其他坐标分别为三角形编队两侧的跟随车初始坐标。每种避障策略进行10次循环试验，记录智能车辆编队从初始位置出发，经过障碍区域并最终到达目的地坐标所消耗的时间。试验1的试验结果如图4所示。图4a与图4b为基于文献[5]和文献[24]计算得到的避障结果，图4c~图4e为基于本文研究得到的避障结果。

如图4所示，编号为leader的领航车通过感知行车环境，由初始位置向目的地行驶，robot₁~robot₅共计5辆跟随车，根据对应的避障策略完成特定队形下的智能车辆编队行驶任务。3组试验对应的避障策略均可以完成由初始位置到目的地的驾驶任务。相比而言，基于改进人工势场算法的避障策略具备耗时最短的性能优势。此外，基于改进人工势场算法的避障策略，可以得到更为整齐的编队队形，且具备较好的编队速度跟随性能。

试验2：目的地坐标点设置为设为(25,25)，分别选取文献[5]、文献[24]和本文方法，3种方法对比下的智能车辆编队协同避障效果如图5所示。由图5试验结果可知，基于改进人工势场算法的避障策略，在路径和耗时上均为最优，在整体避障过程中编队的队形结构保持良好。文献[24]在编队避障的耗时方面优于文献[5]，整体避障效率较高。

试验3：目的地坐标点设置为设为(20,25)，分别选取文献[5]、文献[24]和本文方法，3种方法对比下的智能车辆编队协同避障效果如图6所示。由图6可知，基于改进人工势场算法的避障策略，在智能车辆编队避障的整体耗时最少，编队整体形状保持良好。

4.3 车辆编队避障策略效率与稳定性

为了减少偶然误差对试验结果的影响，增强试验结果的可信度，采用场景适应效率评估器对试验结果进行评价。基于文献[5]、文献[24]和本文对应的避障策略，在障碍物数量设定为40时，试验50次和100次计算得到的归一化S_ef值对标表，如表2所示，且对应显著性检验结果表明，即差异有显著性意义（P<0.05）；在障碍物数量设定为40时，不同算法在50次和100次仿真试验中，智能车辆编队避障过程中所用时间的方差如表3所示，且对应显著性检验结果表明，即差异有显著性意义（P<0.05）；以目的地坐标为(20,25)为例，计算障碍物数量在40至70区间变化时，100次计算得到的归一化S_ef值对标表，如表4所示，且对应显著性检验结果表明，即差异有显著性意义（P<0.05），在目的地坐标为(25,25)以及(25,20)处得到了相类似的计算结果。

由表2~表4可知，本文提出的优化人工势场算法在随机动态分布的障碍环境中避障耗时更稳定、整体效率更优，且在不同障碍物数量的行车环境下均具备较强的环境适应性。此外，在不同复杂程度的行车场景中，基于优化人工势场法的智能车辆编队避障策略具备更高的队形稳定性、更强行车安全性和场景适应性。

5 结束语

收起

本文建立了基于优化人工势场法的智能车辆编队避障策略，基于人工势场法建立智能车辆编队控制器，提高其在具备一定的行车风险场景中的安全性；建立了智能车辆编队队形时空变换策略，提高其对复杂环境的适应能力；建立了具备莱维飞行随机搜索特性的车辆编队搜索逻辑，克服人工势场法中引力与斥力增量系数设置的局限性，进而增强车辆编队在复杂行车环境系统性能。最后，搭建了高精度联合仿真试验平台，试验结果表明，基于优化人工势场法的智能车辆编队避障策略，智能车辆编队在不同复杂程度的行车场景中，能够有效并动态地控制编队避障和编队队形，具备较高的安全性和环境适应能力。

基金

收起

*国家自然科学基金重大项目(52394261)
国家自然科学基金（青年基金）项目(52102457)
吉林省自然科学基金项目(20220101213JC)
长三角科技创新共同体联合攻关项目(2023CSJGG1600)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

张心睿, 王润民, 凡海金, 等. 混合交通环境下网联交叉口车辆协同诱导策略及仿真测试[J]. 汽车技术, 2021(10): 1-6.

ZHANG

X R

, WANG

R M

, FAN

H J

, et al. Research and Simulation of Vehicle Cooperative Guidance Strategy on Connected and Signalized Intersections under Mixed Traffic Environment[J]. Automobile Technology, 2021(10): 1-6.

[2]

高力, 陆丽萍, 褚端峰, 等. 基于图与势场法的多车道编队控制[J]. 自动化学报, 2020, 46(1): 117-126.

GAO

, LU

L P

, CHU

D F

, et al. Multi-Lane Convoy Control Based on Graph and Potential Field[J]. Acta Automatica Sinica, 2020, 46(1): 117-126.

[3]

王珂, 王艳阳, 邓修金, 等. 不确定性对车辆轨迹预测的影响研究综述[J]. 汽车技术, 2022(7): 1-14.

WANG

, WANG

Y Y

, DENG

X J

, et al. A Review on the Study of Impacts of Uncertainties on Vehicle Trajectory Prediction[J]. Automobile Technology, 2022(7): 1-14.

[4]

D W

, XUE

P Y

, XIE

B Y

, et al. A Platoon Control Method Based on DMPC for Connected Energy-Saving Electric Vehicles[J]. IEEE Transactions on Transportation Electrification, 2022, 8(3): 3219-3235.

[5]

仇国庆, 李芳彦, 吴建. 基于多智能体遗传算法的多机器人混合式编队控制[J]. 青岛科技大学学报(自然科学版), 2017, 38(2): 107-111.

CHOU

G Q

, LI

F Y

, WU

, et al. Multi-Robot Hybrid Formation Control Based on Multi-Agent Genetic Algorithm[J]. Journal of Qingdao University of Science and Technology (Natural Science Edition), 2017, 38(2): 107-111.

[6]

T H S

, CHANG

S J

, TONG

. Fuzzy Target Tracking Control of Autonomous Mobile Robots by Using Infrared Sensors[J]. IEEE Transactions on Fuzzy Systems, 2004, 12(4): 491-501.

[7]

LEE

, YOU

. Free Space Detection Algorithm Using Object Tracking for Autonomous Vehicles[J]. Sensors, 2022, 22(315): 1-13.

[8]

MOHAMED

E F

, EL-METWALLY

, HANAFY

A R

. An Improved Tangent Bug Method Integrated with Artificial Potential Field for Multi-Robot Path Planning[C]// 2011 International Symposium on Innovations in Intelligent Systems and Applications (INISTA). Kocaeli, Turkey: IEEE, 2021: 555-559.

[9]

MAHJOUBI

, BAHRAMI

, LUCAS

. Path Planning in an Environment with Static and Dynamic Obstacles Using Genetic Algorithm: A Simplified Search Space Approach[C]// IEEE Congress on Evolutionary Computation Vancouver, Canada: IEEE, 2016: 2483-2489.

[10]

LOZANO-PEREZ

TOMAS

. Automatic Planning of Manipulator Transfer Movements[J]. IEEE Transactions on Systems, Man and Cybernetics, 2022, 11(10): 681-698.

[11]

梅艺林, 崔立堃, 胡雪岩, 等. 基于人工势场法的复杂环境下多无人车避障与编队控制[J]. 工程科学学报, 2025, 47(2): 364-373.

MEI

Y L

, CUI

L K

, HU

X Y

, et al. Obstacle Avoidance and Formation Control of Multiple Unmanned Vehicles in Complex Environments Based on Artificial Potential Field Method[J]. Chinese Journal of Engineering, 2025, 47(2): 364-373.

[12]

ZHANG

, ZHU

, SONG

. Real-Time Motion Planning for Mobile Robots by Means of Artificial Potential Field Method in Unknown Environment[J]. Industrial Robot, 2019, 37(4): 384-400.

[13]

代冀阳, 殷林飞, 杨保建, 等. 一种矢量人工势能场的多智能体编队避障算法[J]. 计算机仿真, 2015, 32(3): 388-392.

DAI

J Y

, YIN

L F

, YANG

B J

, et al. A Multi-Agent Algorithm of Obstacle Avoidance Based on Vectorial Artificial Potential Field[J]. Computer Simulation, 2015, 32(3): 388-392.

[14]

COLLEDANCHISE

, DIMAROGONAS

D V

, OGREN

. Obstacle Avoidance in Formation Using Navigation-Like Functions and Constraint Based Programming[C]// IEEE/RSJ International Conference on Intelligent Robots & Systems. Tokyo, Japan: IEEE, 2018: 5234-5239.

[15]

张立阳, 陈亦梅. 轮式移动机器人轨迹跟踪与避障研究[J]. 自动化与仪表, 2017, 32(11): 72-76.

ZHANG

L Y

, CHEN

Y M

. Research on Trajectory Tracking and Obstacle Avoidance of Wheeled Mobile Robot[J]. Automation & Instrumentation, 2017, 32(11): 72-76.

[16]

翟红生, 王佳欣. 基于人工势场的机器人动态路径规划新方法[J]. 重庆邮电大学学报(自然科学版), 2015, 27(6): 815-818.

ZHAI

H S

, WANG

J X

. Dynamic Path Planning Research for Mobile Robot Based on Artificial Potential Field[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2015, 27(6): 815-818.

[17]

SUN

, YIN

, LI

. Path Planning for Mobile Robot Using the Novel Repulsive Force Algorithm[C]// IOP Conference Series: Earth and Environmental Science. Chongqing, China, 2018: 1-9.

[18]

YANG

X S

. Deb

. Cuckoo Search Via Lévy Flights[C]// Nature & Biologically Inspired. Computing, 2009 (NaBIC). Coimbatore, India: IEEE, 2010: 210-214.

[19]

柳新妮, 马苗. 布谷鸟搜索算法在多阈值图像分割中的应用[J]. 计算机工程, 2019, 39(7): 274-278.

LIU

X N

, MA

. Application of Cuckoo Search Algorithm in Multi-Threshold Image Segmentation[J]. Computer Engineering, 2019, 39(7): 274-278.

[20]

S X

, WANG

J S

. Improved Cuckoo Search Algorithm with Novel Searching Mechanism for Solving Unconstrained Function Optimization Problem[J]. IAENG International Journal of Computer Science, 2022, 44(1): 301-314.

[21]

LIU

X N

, MIAO

M A

. Application of Cuckoo Search Algorithm in Multi-Threshold Image Segmentation[J]. Computer Engineering, 2019, 39(7): 274-278.

[22]

S X

, WANG

J S

. Improved Cuckoo Search Algorithm with Novel Searching Mechanism for Solving Unconstrained Function Optimization Problem[J]. IAENG International Journal of Computer Science, 2022, 44(1): 301-314.

[23]

聂博文, 马宏绪, 王剑, 等. 微小型四旋翼飞行器的研究现状与关键技术[J]. 电光与控制, 2007, 14(6): 113-117.

NIE

B W

, MA

H X

, WANG

, et al. Study on Actualities and Critical Technologies of Micro/Mini Quadrotor[J]. Electronics, Optics & Control, 2007, 14(6): 113-117.

[24]

吴慧超, 罗元, 周前能, 等. 时效优先的轮式机器人编队避障策略[J]. 信息与控制, 2017, 46(2): 211-217.

H C

, LUO

, ZHOU

Q N

, et al. Obstacle Avoidance Strategy of Wheeled Robot Formations Based on Time Efficiency[J]. Information and Control, 2017, 46(2): 211-217.

2025年第卷第7期

PDF下载

225

引用本文

BibTeX

文章信息

doi: 10.19620/j.cnki.1000-3703.20250059

首发时间：2025-10-28
出版时间：2025-07-24

补充材料

相关文章

文章信息

作者

出版历史

修回日期：2025-03-19

基金

*国家自然科学基金重大项目(52394261)

国家自然科学基金（青年基金）项目(52102457)

吉林省自然科学基金项目(20220101213JC)

长三角科技创新共同体联合攻关项目(2023CSJGG1600)

作者信息

¹ 浙江大学，杭州 310000

² 奇瑞新能源汽车股份有限公司，芜湖 241002

³ 中汽智联技术有限公司，天津 300380

⁴ 吉林大学汽车底盘集成与仿生全国重点试验室，长春 130025

通讯作者:

孙博华（1988—），男，工学博士，讲师，研究方向为自动驾驶人机混合决策与编队控制技术、新一代电驱动底盘集成技术，sunbohua@jlu.edu.cn。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/qcjs/CN/10.19620/j.cnki.1000-3703.20250059

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

目标点	对比算法对应文献	智能车辆编队避障时间/s
(25,20)	文献[5]	24.58	25.68	24.98	23.73	23.35	24.66	25.31	25.07	25.45	25.39	24.82
文献[24]	24.19	27.34	27.68	27.90	28.38	27.2	25.87	28.06	28.13	28.94	27.37
本文	23.30	22.15	21.33	19.87	21.06	20.54	19.86	20.37	21.89	21.24	21.16
(25,25)	文献[5]	33.31	34.34	33.27	35.41	34.16	35.12	36.01	34.58	36.02	35.24	34.75
文献[24]	37.38	37.67	38.57	38.35	36.98	38.89	38.78	39.09	37.58	36.94	38.02
本文	31.04	29.37	28.79	30.25	31.35	30.06	29.79	29.30	30.15	31.33	30.14
(20,25)	文献[5]	25.81	26.72	27.04	26.51	26.43	25.68	26.31	25.34	24.31	25.78	26.00
文献[24]	27.34	26.85	30.23	29.34	28.37	27.85	26.34	28.37	29.14	28.78	28.26
本文	22.17	24.57	23.65	24.13	23.54	27.78	24.35	23.14	22.13	21.37	23.68

目标点

对比算法对应文献

智能车辆编队避障时间/s

第1次

第2次

第3次

第4次

第5次

第6次

第7次

第8次

第9次

第10次

平均值

(25,20)

文献[5]

24.58

25.68

24.98

23.73

23.35

24.66

25.31

25.07

25.45

25.39

24.82

文献[24]

24.19

27.34

27.68

27.90

28.38

27.2

25.87

28.06

28.13

28.94

27.37

本文

23.30

22.15

21.33

19.87

21.06

20.54

19.86

20.37

21.89

21.24

21.16

(25,25)

文献[5]

33.31

34.34

33.27

35.41

34.16

35.12

36.01

34.58

36.02

35.24

34.75

文献[24]

37.38

37.67

38.57

38.35

36.98

38.89

38.78

39.09

37.58

36.94

38.02

本文

31.04

29.37

28.79

30.25

31.35

30.06

29.79

29.30

30.15

31.33

30.14

(20,25)

文献[5]

25.81

26.72

27.04

26.51

26.43

25.68

26.31

25.34

24.31

25.78

26.00

文献[24]

27.34

26.85

30.23

29.34

28.37

27.85

26.34

28.37

29.14

28.78

28.26

本文

22.17

24.57

23.65

24.13

23.54

27.78

24.35

23.14

22.13

21.37

23.68

对比试验组	(20,25)处方差	(25,25)处方差	(25,20)处方差
文献[5]	0.32	0.44	0.58	0.63	0.36	0.21
文献[24]	0.46	0.41	0.32	0.47	0.38	0.23
本文	0.19	0.12	0.17	0.21	0.15	0.12
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

对比试验组

(20,25)处方差

(25,25)处方差

(25,20)处方差

50次

100次

50次

100次

50次

100次

文献[5]

0.32

0.44

0.58

0.63

0.36

0.21

文献[24]

0.46

0.41

0.32

0.47

0.38

0.23

本文

0.19

0.12

0.17

0.21

0.15

0.12

P值

<0.001

对比试验组	(20,25)处方差	(25,25)处方差	(25,20)处方差
文献[5]	23.17	27.69	31.62	25.86	30.76	20.43
文献[24]	40.28	32.01	22.32	20.45	32.42	25.97
本文	15.82	9.57	13.27	18.06	18.28	17.48
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

对比试验组

(20,25)处方差

(25,25)处方差

(25,20)处方差

50次

100次

50次

100次

50次

100次

文献[5]

23.17

27.69

31.62

25.86

30.76

20.43

文献[24]

40.28

32.01

22.32

20.45

32.42

25.97

本文

15.82

9.57

13.27

18.06

18.28

17.48

P值

<0.001

障碍物数量	40	45	50	55	60	65	70
文献[5]	0.44	0.48	0.49	0.51	0.52	0.52	0.53
文献[24]	0.41	0.43	0.44	0.44	0.46	0.47	0.51
本文	0.12	0.13	0.12	0.14	0.13	0.13	0.14
P值	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001	<0.001

障碍物数量

文献[5]

0.44

0.48

0.49

0.51

0.52

0.53

文献[24]

0.41

0.43

0.44

0.46

0.47

0.51

本文

0.12

0.13

0.12

0.14

0.13

0.14

P值

<0.001