汽车技术

参数	取值	参数	取值
整车质量m/kg	1 570	转动惯量I_z/kg∙m²	1 536.7
车辆前轴到质心的距离l_f/m	1.015	车辆前轴侧偏刚度k_f /N∙m∙rad^-1	-78 329
车辆后轴到质心的距离l_r/m	1.895	车辆后轴侧偏刚度k_r /N∙m∙rad^-1	-78 329

参数	取值	参数	取值
整车质量m/kg	1 570	转动惯量I_z/kg∙m²	1 536.7
车辆前轴到质心的距离l_f/m	1.015	车辆前轴侧偏刚度k_f /N∙m∙rad^-1	-78 329
车辆后轴到质心的距离l_r/m	1.895	车辆后轴侧偏刚度k_r /N∙m∙rad^-1	-78 329

转向避撞工况下智能车辆的实时决策规划^*

PDF下载

温高博 , 吴光强

汽车技术 | 智能驾驶车辆避障策略专题 2025,(7): 13-22

收起

汽车技术 | 智能驾驶车辆避障策略专题 2025, (7): 13-22

转向避撞工况下智能车辆的实时决策规划^*

全屏

温高博, 吴光强

作者信息

同济大学，上海 201800

Real-Time Decision and Planning Algorithm for Intelligent Vehicles under Steering Collision Avoidance

Gaobo Wen, Guangqiang Wu

Affiliations

Tongji University, Shanghai 201800

出版时间: 2025-07-24 doi: 10.19620/j.cnki.1000-3703.20240160

文章导航

摘要

收起

针对紧急转向避撞时多目标规划算法设计困难，且障碍物数量、位置复杂多变等情况，提出了一种采样与优化结合的分层决策规划算法。在结构化道路下考虑环境与运动学限制，使用变种A*算法建立周围环境势场并利用五次多项式计算运动学代价；根据粗轨迹建立行车通道，利用分段加加速度法解决二次规划问题，得到光滑路径以保证路径规划的舒适性，同时指引车辆回到道路中心。经仿真试验和实车测试结果表明：提出的方案能够根据不同障碍物的情况灵活完成决策规划任务，并实现紧急避撞。

关键词

智能驾驶 / 图搜索 / 路径规划 / 转向避撞

Abstract

收起

In view of the difficulty in designing multi-objective planning algorithms during emergency steering for collision avoidance and the complexity and variability of the number and location of obstacles, a hierarchical decision-making planning algorithm combining sampling and optimization is proposed. Considering environmental and kinematic constraints under structured roads, a variant of the A* algorithm is used to establish the surrounding environmental potential field and compute the kinematic cost using a fifth-degree polynomial. Travel lanes are established based on the coarse trajectories, and the quadratic planning problem is solved using the segmentation-plus-acceleration method to obtain smooth paths so as to ensure comfortable path planning, while guiding the vehicle back to the center of the road. The results of simulation tests and real vehicle tests show that the proposed scheme can flexibly complete the decision planning tasks according to different obstacles and achieve emergency collision avoidance.

Key words

Intelligent driving / Graph search / Path planning / Steering collision avoidance

引用本文

温高博, 吴光强. 转向避撞工况下智能车辆的实时决策规划^*. 汽车技术, 2025 , (7) : 13 -22 . DOI: 10.19620/j.cnki.1000-3703.20240160

Gaobo Wen, Guangqiang Wu. Real-Time Decision and Planning Algorithm for Intelligent Vehicles under Steering Collision Avoidance[J]. Automobile Technology, 2025 , (7) : 13 -22 . DOI: 10.19620/j.cnki.1000-3703.20240160

正文

收起

1 前言

收起

转向避撞工况复杂多变，涉及障碍物、道路等多重因素，且对车辆实时决策规划要求极高。因此，高效决策规划算法对于能提升车辆主动避撞系统、保障行车安全至关重要。

目前，转向避撞场景规划方法主要包括函数法、采样法、势场法、优化法等。函数法的优势在于计算简单，可以获得平滑的轨迹，但局限于简单的换道避障场景，在某些特定位置会导致规划失败，难以分析运动学因素对规划路径的影响^[1-3]；采样方法如RRT*、概率图等方法在随机生成的图中进行采样节点^[4-5]，并考虑了不同目标如距离、速度与障碍物距离的影响，但多个障碍物的规划轨迹依赖于采样分辨率，同时存在轨迹曲率不连续的问题^[6-9]；势场法虽然考虑了目标多样化，但容易陷入局部最优解；优化方法能够规划平滑的轨迹的同时，纳入了动力学因素，但非线性规划问题求解相对困难^[10-12]。

分层决策规划作为决策规划算法的主流框架，通过结合采样和优化方法的优势，在上层利用图搜索算法综合考虑障碍物位置、采样曲线平滑性和参考线的因素搜索出一条粗轨迹，再在下游利用优化算法进行平滑^[13-14]，在规划时不会因障碍物的位置、数量导致规划失败。传统的A*、D*等方法直接对生成的粗轨迹进行优化，而分层决策规划仅将生成的粗轨迹作为决策的功能，确定后续优化问题的可行域，即行车通道^[15-16]。再利用粗轨迹生成通道，作为二次规划问题的约束，并进行求解。但现有的方法在采样时未考虑运动学代价和代价的启发项。

因此，本文针对紧急避撞问题，在分层规划的基础上，结合A*、凸优化的优势，考虑多目标优化的同时，提高模型场景适应性。根据势场法、函数法，考虑周围环境与动力学因素，设计变种A*算法并计算粗轨迹，利用粗轨迹生成避障通道，采用分段加加速度法构建二次规划问题并进行求解，满足平滑无碰且完成避撞后，可自动返回参考线的要求。

2 决策规划算法

收起

A*算法是结合启发式方法和常规算法的采样方法，尽管无法确定最优解，但可找到一条最短路径^[17]。利用五次多项式推导的运动学相关代价简化计算，并以列间邻域进行节点扩展，即沿着道路中心线和垂直方向进行离散，在考虑结构化道路的影响的同时，也利于提升计算效率。

本文提出的决策规划算法框架如图1所示，从上游感知、定位、地图信息中分别获得障碍物状态、自车状态、道路信息，并将其作为决策规划的输入。由变种A*算法计算粗轨迹，在每次节点更新时，根据当前节点的坐标分别计算运动学代价和环境势场代价，包括节点扩展中启发式代价与累计代价。通过粗轨迹形成行车通道，同时作为分段加加速度优化算法的约束条件。利用回归参考线的代价与平滑代价构建代价函数，将最终路径传递至车辆运动控制模块。

2.1 势场的构建

2.1.1 环境势场

通过结合道路势场与障碍物势场的函数，得到如图2环境势场代价C_p，其中，以沿道路中心线方向为X轴，与其垂向方向为Y轴，计算变种A*算法的代价函数：

（1） C_p=C_obs+C_l

式中：C_obs、C_l分别为障碍物和道路相关的代价。

2.1.2 道路势场

为了描述道路与障碍物风险，构建道路势场，如图3所示，得到道路总代价为：

（2） C_l=C_b+C_lc

式中：C_b、C_lc分别为道路边界代价和道路中心线代价。

道路边界、道路中心函数均采用高斯函数表示：

（3）

$\left\{\begin{array}{l}{C}_{b}={\eta }_{b}({e}^{-{b}_{b}{\left(y-{y}_{min}\right)}^{2}}+{e}^{-{b}_{b}{\left(y-{y}_{max}\right)}^{2}})\\ {C}_{lc}={\eta }_{lc}{e}^{-{b}_{lc}{\left(y-{y}_{min}\right)}^{2}}\end{array}\right.$

式中：y_min和y_max为道路的边界；η_b、η_lc为代价系数；b_b、b_lc为代价的形状参数，其值越大，函数的影响范围越小。

2.1.3 障碍物势场

使用二维高斯函数描述障碍物势场，如图4所示。当障碍车与自车的距离减小时，障碍车函数成指数级上升，后续决策更倾向于避开障碍物。障碍车势场函数可表示为：

（4）

${C}_{obs}={\eta }_{obs}{e}^{-\left(\frac{{\left(x-{x}_{obs}\right)}^{2}}{2{\delta }_{X}}+\frac{(y-{y}_{obs}{)}^{2}}{2{\delta }_{Y}}\right)}$

式中：η_obs为代价的参数；δ_X、δ_Y分别为纵向和横向影响范围的参数，其中，δ_X取决于障碍车的车宽，δ_Y取决于自车和障碍车的车速。

2.2 运动学代价的计算

利用最优控制理论推导出五次多项式^[10]，计算代价并将其作为决策依据：

（5）

$\left\{\begin{array}{l}y\left(t\right)=\frac{6w}{{t}_{f}^{5}}{t}^{5}+\frac{15w}{{t}_{f}^{4}}{t}^{4}+\frac{10w}{{t}_{f}^{3}}{t}^{3}\\ {t}_{f}=\frac{\Delta {y}_{n}}{{v}_{0}}\end{array}\right.$

式中：t_f为起点到终点的时间，w为起点到终点沿y轴方向的距离，Δy_n为节点n从起点到终点的纵向距离，v₀为自车速度。

对式（5）两次求导，则侧向加速度的导数为：

（6）

${\dot{a}}_{y}\left(t\right)=\frac{360w}{{t}_{f}^{5}}{t}^{2}+\frac{360w}{{t}_{f}^{4}}t+\frac{60w}{{t}_{f}^{3}}$

根据

${\dot{a}}_{y}\left(t\right)$

=0，得到侧向加速度a_y(t)对应的侧向加速度极值，将其作为加速度项的代价

${C}_{a}=\frac{10\sqrt{3}w}{3{t}_{f}^{2}}$

。车辆轮胎侧偏角的线性区域对应的横向加速度低于0.4g，考虑到路面附着力，侧向加速度与节点的范围分别为：

（7）

$\left\{\begin{array}{l}\left|{a}_{y}\left(t\right)\right|\le min (\mu g, 0.4g)\\ \frac{10\sqrt{3}w}{3{t}_{f}^{2}}\le min (\mu g, 0.4g)\end{array}\right.$

2.2.1 多目标的节点代价计算

关于计算多目标的节点代价，累计代价

${C}_{{X}_{i}}$

主要考虑道路势场、环境势场和运动学3个方面。对时间t进行微分，得到：

（8）

$\left\{\begin{array}{l}\frac{{x}_{i}-{x}_{0}}{{v}_{0}}=t\\ \frac{d{x}_{i}}{{v}_{0}}=dt\end{array}\right.$

式中：x₀、v₀分别为自车沿x轴的起始点坐标与速度，x_i为节点在x轴方向的距离。

节点间的路径为：

（9）

$\begin{array}{l}y\left(x\right)=({y}_{j}-{y}_{i})\left[\frac{6{{v}_{0}}^{5}}{({x}_{j}-{x}_{i}{)}^{5}}{\left(\frac{x-{x}_{0}}{{v}_{0}}\right)}^{5}-\right.\\ \left.\frac{15{{v}_{0}}^{4}}{({x}_{j}-{x}_{i}{)}^{4}}{\left(\frac{x-{x}_{0}}{{v}_{0}}\right)}^{4}+\frac{10{{v}_{0}}^{3}}{({x}_{j}-{x}_{i}{)}^{3}}{\left(\frac{x-{x}_{0}}{{v}_{0}}\right)}^{3}\right]\end{array}$

式中：(x_j-x_i)、(y_j-y_i)分别为计算节点间沿x轴和y轴方向的距离。

路径长度代价为：

（10）

${C}_{l}={\int }_{{X}_{i}}^{{X}_{i+1}}\sqrt{{\left(dy\right)}^{2}+{\left(dx\right)}^{2}}$

式中：X_i为节点，X_i₊₁为后继节点。

当前节点的累计代价、启发式信息代价分别为：

（11）

${C}_{{X}_{i}}={w}_{l}{C}_{l}+{w}_{a}{C}_{a}+{w}_{p}{C}_{p}+{C}_{{X}_{i-1}}$

（12）

${H}_{{X}_{i}}={w}_{l}{H}_{l}+{w}_{a}{H}_{a}$

式中：w_l、w_a、w_p分别为路径长度、运动学和环境势场产生的代价所占权重，

${C}_{{X}_{i-1}}$

为前继节点的累计代价，H_l、H_a分别为路径长度和运动学代价。

节点的总计代价为节点累计代价与启发式信息代价之和，即

${f}_{{X}_{i}}={C}_{{X}_{i}}+{H}_{{X}_{i}}$

。

2.2.2 节点扩展

多目标的节点扩展计算流程如图5所示，在搜索过程中，列举当前节点X_i(x_i,y_i)的所有后继节点，计算当前节点与选中的后继节点间的运动学与环境代价，并判断是否符合要求。将符合条件的节点加入备选节点池OpenList，按照总代价的大小进行排列。如此循环，直到规划算法找到符合条件的终点。

假设节点X₀为自车位置，即搜索起点；节点X_T为搜索终点，取决于规划的总长度；节点间通过五次多项式连接，可排除不符合运动学要求的节点，多项式的6个边界约束条件分别为x、y方向起点位置和终点位置、速度、加速度。如式（7）中，当加速度大于设定值时，则该节点不属于当前节点的后继节点。

列间邻域的节点扩展如图6所示，假设当前节点为X₃₄，下一列节点中符合要求的节点有4个，分别为X₄₆、X₄₅、X₄₄、X₄₃。将X₃₄与其后继节点连接，可计算节点的累积代价

${C}_{{X}_{i}}$

；将X₃₄与终点节点X_T连接，可计算启发式代价

${H}_{{X}_{i}}$

。

在转向避撞方面，决策策略分为向左回避和向右回避。当自动驾驶汽车沿参考线行驶，但障碍车也位于参考线中心时，会出现2个代价相同的节点，分别表示向左或向右转向的决策。在图6中，此时选择向左或向右的节点可能性相同，所以在帧间容易一帧向左、一帧向右，从而导致避让机动开始时的决策过程不稳定。为此，可在右侧节点的启发式代价增加小数项：

（13）

${f}_{{X}_{i}}=\left\{\begin{array}{l}{C}_{{X}_{i}}+{H}_{{X}_{i}}, {X}_{i}\mathrm{在}\mathrm{障}\mathrm{碍}\mathrm{物}\mathrm{左}\mathrm{侧}\\ {C}_{{X}_{i}}+\left(1+tb\right){H}_{{X}_{i}}, {X}_{i}\mathrm{在}\mathrm{障}\mathrm{碍}\mathrm{物}\mathrm{右}\mathrm{侧}\end{array}\right.$

2.3 分段加加速度算法

2.3.1 行车通道的构建

变种A*能够提供车辆左转或者右转的一条粗轨迹，将其转化为通道，确定二次规划问题的可行域，保证规划路径无碰撞。采用分段加加速度算法构建二次规划，得到一条曲率连续且能够指引车辆返回参考线的路径。为了满足避撞需求，规划路径不能接触道路两侧，也不能与障碍车相撞，如图7所示。其中，y_i为粗轨迹，y_max、y_min分别为通道的最大值与最小值，l_max、l_min分别为通道限制在y方向的最大值和最小值，W、L分别为障碍车的宽度和长度，d为满足主车与障碍车的最小距离，(x_obs,y_obs)为障碍车坐标，Δy为障碍车当前位置与碰撞位置间距，v_obs为障碍车速度。

由于障碍车为动态障碍物，所以需要对障碍车与自车可能发生碰撞的位置进行预测。为了便于计算，假定障碍物的速度不变，则碰撞位置为：

（14）

$\Delta y={v}_{obs}\frac{{x}_{0}-{x}_{obs}}{{v}_{0}}$

根据前述的A*算法获得的粗轨迹（见图7），可确定后续二次规划问题的可行域，其约束形式为：

（15）

$\begin{array}{l}{y}_{j,max}{y}_{j}，\left\{\begin{array}{l}{y}_{j,max}=min\left({l}_{j,max},{y}_{obs}-\frac{W}{2}-d\right), j=\mathrm{1,2},\dots,N\\ {y}_{j,min}={l}_{j,min}, j=\mathrm{1,2},\dots,N\end{array}\right.\\ {y}_{j,max}{y}_{j}，\left\{\begin{array}{l}{y}_{j,max}={l}_{j,max}, j=\mathrm{1,2},\dots,N\\ {y}_{j,min}=max\left({l}_{j,min},{y}_{obs}-\frac{W}{2}+d\right), j=\mathrm{1,2},\dots,N\end{array}\right.\end{array}$

式中：y_obs为障碍车位置，N为规划长度内离散变量的数量。

2.3.2 二次规划问题构建

优化目标函数和对应约束的形式如下：

（16）

$\begin{array}{l}min {w}_{ref}\sum _{i=1}^{N}{\left({y}_{i}-{y}_{ref}\right)}^{2}+{w}_{1}\sum _{i=1}^{N}{\left({y}_{i}^{\text{'}}\right)}^{2}+\\ {w}_{2}\sum _{i=1}^{N}{\left({y}_{i}^{″}\right)}^{2}+{w}_{3}\sum _{i=1}^{N}{\left({y}_{i}^{‴}\right)}^{2}\\ s.t.\left\{\begin{array}{l}{y}_{i,min}{y}_{i}{y}_{i,max}\\ {y}_{i,min}^{\text{'}}{y}_{i}^{\text{'}}{y}_{i,max}^{\text{'}}\\ {y}_{i,min}^{″}{y}_{i}^{″}{y}_{i,max}^{″}\end{array}\right.\end{array}$

式中：w_ref为车辆返回参考线的代价，w₁、w₂、w₃分别为对y_i的一阶、二阶、三阶导数的代价，y_i_,min与y_i_,max为通道的上、下限，

${y}_{i,min}^{\text{'}}$

、

${y}_{i,max}^{\text{'}}$

、

${y}_{i,min}^{″}$

、

${y}_{i,max}^{″}$

分别为各导数项的上、下限。

文献[16]假设

${y}_{}^{‴}$

在一段路径内保持不变，此类问题的限制条件为：

（17）

$\left\{\begin{array}{l}{y}_{i+1}^{‴}+1={y}_{i}^{″} +{y}_{i}^{‴} dx\\ {y}_{i+1}^{\text{'}}={y}_{i}^{\text{'}}+{y}_{i}^{″} dx+\frac{1}{2}{y}_{i}^{‴} {\left(dx\right)}^{2}\\ {y}_{i+1}={y}_{i}+{y}_{i}^{\text{'}}dx+\frac{1}{2}{y}_{i}^{″} {\left(dx\right)}^{2}+\frac{1}{6}{y}_{i}^{‴} {\left(dx\right)}^{3}\end{array}\right.$

因此，式（16）可以转化为：

（18）

$\begin{array}{l}min {Y‴}^{T}({C}^{T}{W}_{1}C+{E}^{T}{W}_{2}E+{G}^{T}{W}_{3}G+{W}_{4})Y‴+\\ (2{D}^{T}{W}_{1}C+2{F}^{T}{W}_{2}E+2{{Y}_{0}^{‴}}^{ T}{W}_{3}G)Y‴+\\ {D}^{T}{W}_{1}D+{F}^{T}{W}_{2}F+{{Y}_{0}^{‴}}^{ T}{W}_{3}{Y}_{0}^{‴}\\ s.t. {Y}_{min}-DCY‴{Y}_{max}-D\end{array}$

其中，

$C=ATBTBT+\frac{1}{2}ATBTT+\frac{1}{2}ATTBT+\frac{1}{6}ATTT$

，

$D={Y}_{0}+AT{Y}_{0}\text{'}+(ATBT+\frac{1}{2}ATT){Y}_{0}^{‴}-{Y}_{ref}$

，

$E=ATBT+\frac{1}{2}ATT$

，

$F={Y}_{0}\text{'}+AT{Y}_{0}^{″}$

， G=AT，

$A={\left[\begin{array}{cccc}1& 0& \cdots & 0\\ 1& 1& \cdots & ⋮\\ ⋮& ⋮& & 0\\ 1& 1& \cdots & 1\end{array}\right]}_{N\times N}$

，

$B={\left[\begin{array}{cccc}0& 0& \cdots & 0\\ 1& 0& \cdots & 0\\ ⋮& ⋮& & ⋮\\ 1& \cdots & 1& 0\end{array}\right]}_{N\times N}$

，

$T={\left[\begin{array}{cccc}dx& 0& \cdots & 0\\ 0& dx& \cdots & 0\\ ⋮& ⋮& & ⋮\\ 0& \cdots & 0& dx\end{array}\right]}_{N\times N}$

，

${Y}_{0}={\left[\begin{array}{c}{y}_{0}\\ ⋮\\ {y}_{0}\end{array}\right]}_{N\times 1}^{T}$

。

式中：W为权重矩阵，y₀为起始点。

利用二次规划在可行空间内搜索最佳路径，采用积极集法进行求解，该函数可在Matlab中直接调用。

3 仿真验证与分析

收起

3.1 仿真测试场景

通过CarSim联合Matlab/Simulink仿真模型进行测试，如图8所示，控制算法采用线性二次调节（Linear Quadratic Regulator，LQR）横向控制算法^[18]，仿真车辆参数如表1所示。

3.2 仿真验证结果

为了验证本文算法在不同场景的有效性，设计了4个实际测试场景：

a. 工况1：静态障碍物紧急避障测试（非换道情况）。

b. 工况2：静态障碍物紧急避障测试（换道情况）。

c. 工况3：中高速动态障碍物，自车换道避障。

d. 工况4：前车急减速，自车换道避障。

工况1中，自车的决策规划如图9所示。算法输出变种A*输出的路径，生成如图黑色虚线所包围出的通道，后续由分段加加速度规划出的路径。在当前场景中，自车前方车道35 m与相邻车道60 m处均存在静止的障碍车，自车执行连续避撞。

工况1测试结果如图10所示，从图10a可知，车辆避开第1辆障碍车后，在50 m处到达横向坐标峰值，同时开始避让第2辆障碍车，在150 m处达到稳定状态。在图10b中，规划轨迹的最大曲率保持在0.05 m^-1以内，曲率半径为20 m，规划结果满足控制需求。在图10c中，第1.4 s时，自车距离第1辆障碍车最近，第2.8 s时，自车距离第2辆障碍车最近，其中，与第2辆障碍车的交互较危险，避障过程中的最短距离为2.92 m，主车仍能够避开障碍车。在该工况下，本文算法能够使车辆完成避撞任务，并回归至原始车道。

在工况2中，自车前方车道35 m与相邻车道20 m处分别存在一辆静止的障碍车，自车执行连续避撞，测试结果如图11所示，车辆能够顺利避开两辆障碍车。规划轨迹的最大曲率为0.08 m^-1，曲率半径为12.5 m，最大控制横向误差为0.8 m，表明规划算法可以被控制跟踪并收敛横向误差；第10.8 s时，自车与第1辆障碍车的最短距离为3.4 m，第1.54 s时，自车与第2辆障碍车的最短距离为2.22 m，表明主车与障碍车保持了一定的安全距离。因此，该工况下算法可以有效执行避障任务并完成换道。

在工况3中，自车前方车道20 m处有一辆以速度为60 km/h前进的障碍车，当自车与前车距离过近，执行转向避撞。测试结果如图12所示，自车能够顺利执行换道避障，规划轨迹的最大曲率为0.07 m^-1，曲率半径为14.3 m，最大控制横向误差为0.47 m，表明规划算法可以满足控制需求并收敛横向误差；第6.2 s时，自车与第1辆障碍车的最短距离达到3.6 m，表明主车可以与障碍车保持一定的安全距离。因此，该工况下车辆能够顺利完成任务并进行换道。

在工况4中，自车前方车道20 m处存在一辆以72 km/h前进的障碍车，假设前车以-4 m/s²的加速度紧急制动，自车执行避撞。测试结果如图13所示，自车避开第1辆障碍车后，顺利执行换道避障。其中，规划轨迹的最大曲率为0.05 m^-1，曲率半径为20 m，最大控制横向误差为0.72 m，表明规划算法可以满足控制需求并收敛横向误差；第3.7 s时，自车距离第一个障碍车的最短距离为3.1 m，表明主车可以与障碍车保持一定的安全距离。因此，该工况下车辆能够顺利完成任务并进行换道。

4 实车测试与分析

收起

4.1 实车测试环境

本文使用吉利博瑞乘用车进行实车测试，平台结构如图14所示。该车已完成线控改装，拥有可控的底盘接口，定位模块功能通过组合导航仪完成，感知模块功能由毫米波雷达完成，计算机负责执行上层决策规划算法，Speedgoat负责下层的转向盘转角、油门控制，以及将控制量与控制信号发送至测试车辆。

4.2 实车测试分析

通过实车测试验证本文算法在静态障碍和动态障碍场景下的避障能力，本文选择2种工况，自车车道与相邻车道均存在障碍车。

工况1设置为：静态障碍物避障测试，障碍车设置为分别位于自车前方车道20 m处与相邻车道30 m处，两者均为静止障碍车。轨迹规划算法每秒执行2次，自车车速为20 km/h。

该工况下，测试结果如图15所示。自车先直行一段距离，发现前方第一辆障碍车并执行避障后，遇到相邻车道的障碍车，同时执行连续避让。在避撞过程中，车辆已经避开障碍物，实际轨迹为借道避障，规划算法仅在紧急时刻处的最大曲率为0.1 m^-1，其余时刻均低于0.05 m^-1，最大横摆角速度为16 rad/s，可以较好地执行控制决策。上述数据可证明在静态障碍物场景下，本文算法避障效果的有效性。

工况2设置为：动态障碍和静态障碍同时出现，其中，自车前方车道20 m处存在车速为5 km/h的障碍车，同时，相邻车道为静止障碍车，位于自车前方车道30 m处。轨迹规划算法每秒执行2次，自车车速为15 km/h。

该工况下，测试结果如图16所示。自车避开第1辆障碍车后，遇到第2辆静止障碍车，此时算法迅速决策，规划出回到自车车道的路径，并控制车辆返回原始车道，沿本车道的参考线进行跟踪控制。车辆的横摆角速度在避障时出现一定的波动后回归稳定，轨迹规划的最大曲率均小于0.1 m^-1，最大的横摆角速度为17 rad/s，可以很好地执行控制决策，表明在动态障碍物场景下，本文算法具有良好的避障效果。

因此，综合考虑道路、障碍物与车辆运动学关系的A*算法决定转向的凸空间，构建二次规划问题，并考虑车辆执行的约束条件和周围环境的安全性规划车辆的行驶轨迹，能够保障车辆行驶过程的避撞安全。同时，仿真测试侧重于模拟高速情况下算法的有效性，实车测试更关注动态障碍物的避撞影响，进一步证明了算法的有效性。

5 结束语

收起

本文针对在高碰撞风险下的行驶车辆，综合考虑了道路风险、周车风险以及自车的运动学风险进行紧急避撞决策，实现了避撞过程的路径规划与决策。但由于试验条件限制，本文暂未考虑障碍物的不确定性运动。后续将考虑引入该参数，以提升算法的鲁棒性和适用性。

基金

收起

*国家自然科学基金项目(52075388)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

DISTNER

, BENGTSSON

M Q

, BROBERG

, et al. City Safety-A System Addressing Rear-End Collisions at Low Speeds[C]// The 21st International Technical Conference on the Enhanced Safety of Vehicles. Stuttgart, Germany: National Highway Traffic Safety Administration, 2009.

[2]

黄子文, 李莉, 周兵, 等. 极限工况下的车辆转向避撞风险指数[J]. 浙江大学学报(工学版), 2023, 57(12): 2381-2390.

HUANG

Z W

, LI

, ZHOU

, et al. Vehicle Steering Collision Avoidance Risk Index under Extreme Working Conditions[J]. Journal of Zhejiang University (Engineering Scinece), 2023, 57(12): 2381-2390.

[3]

张一鸣, 周兵, 吴晓建, 等. 基于前车轨迹预测的高速智能车运动规划[J]. 汽车工程, 2020, 42(5): 574-580.

ZHANG

Y M

, ZHOU

, WU

X J

, et al. Motion Planning of High-Speed Intelligent Vehicle Based on Prediction of Front Vehicle Trajectory[J]. Automotive Engineering, 2020, 42(5): 574-580.

[4]

NOREEN

, KHAN

, HABIB

. Optimal Path Planning Using RRT* Based Approaches: A Survey and Future Directions[J]. International Journal of Advanced Computer Science and Applications, 2016, 11(7).

[5]

LIU

Y Y

, CHEN

, ZHANG

X Y

, et al. Research on the Dynamic Path Planning of Manipulators Based on a Grid-Local Probability Road Map Method[J]. IEEE Access, 2021, 9: 101186-101196.

[6]

JONES

, DJAHEL

, WELSH

, et al. Path-Planning for Unmanned Aerial Vehicles with Environment Complexity Considerations: A Survey[J]. ACM Computing Surveys, 2023, 55(11): 1-39.

[7]

C G

, HUANG

, DING

, et al. Global Path Planning Based on a Bidirectional Alternating Search A* Algorithm for Mobile Robots[J]. Computers and Industrial Engineering, 2022, 168.

[8]

ZHU

X H

, YAN

, YUE

. Path Planning and Collision Avoidance in Unknown Environments for USVs Based on an Improved D* Lite[J]. Applied Sciences, 2021, 11(17).

[9]

, CHI

X N

, ZHAO

C C

, et al. Dynamic Path Planning for Forklift AGV Based on Smoothing A* and Improved DWA Hybrid Algorithm[J]. Sensors, 2022, 22(18).

[10]

段京良, 陈良发, 王文轩, 等. 智能汽车主动避撞工况的高实时预测控制[J]. 汽车安全与节能学报, 2023, 14(5): 580-590.

DUAN

J L

, CHEN

L F

, WANG

W X

, et al. High Real-Time Predictive Control for Active Collision Avoidance Conditions in Intelligent Vehicles[J]. Journal of Automotive Safety and Energy, 2023, 14(5): 580-590.

[11]

张亮修, 吴光强, 郭晓晓. 车辆自适应巡航控制系统的建模与分层控制[J]. 汽车工程, 2018, 40(5): 547-553.

ZHAGN

L X

, WU

G Q

, GUO

X X

, et al. Modeling and Hierarchical Control of Vehicle ACC System[J]. Automotive Engineering, 2018, 40(5): 547-553.

[12]

张亮修, 吴光强, 郭晓晓. 自主车辆线性时变模型预测路径跟踪控制[J]. 同济大学学报(自然科学版), 2016, 44(10): 1595-1603.

ZHAGN

L X

, WU

G Q

, GUO

X X

, et al. Path Tracking Using Linear Time varying Model Predictive Control for Autonomous Vehicle[J]. Journal of Tongji University (Natural Science), 2016, 44(10): 1595-1603.

[13]

闫星宇, 杜伟伟, 石昊. 基于通行性分析的分层越野路径规划方法[J]. 火力与指挥控制, 2022, 47(5): 153-158.

YAN

X Y

, DU

W W

, SHI

. A Hierarchical Cross-Country Path Planning Method Based on Accessibility Analysis[J]. Fire Control & Command Control, 2022, 47(5): 153-158.

[14]

刘凡. 基于ROS的无人水面艇全局航迹规划方法研究[D]. 重庆: 重庆大学, 2022.

LIU

. Research on Global Trajectory Planning Method for Unmanned Surface Vessel Based on ROS[D]. Chongqing: Chongqing University, 2022.

[15]

李晔, 贾知浩, 张伟斌, 等. 面向无人艇自主靠泊的分层轨迹规划与试验[J]. 哈尔滨工程大学学报, 2019, 40(6): 1043-1050.

, JIA

Z H

, ZHANG

W B

, et al. Hierarchical Trajectory Planning and Test for Autonomous Berthing of Unmanned Boats[J]. Journal of Harbin Engineering University, 2019, 40(6): 1043-1050.

[16]

ZHANG

Y J

, SUN

H Y

, ZHOU

J Y

, et al. Optimal Trajectory Generation for Autonomous Vehicles under Centripetal Acceleration Constraints for In-Lane Driving Scenarios[EB/OL]. (2021-10-03) [2024-05-10]. https://arxiv.org/abs/2112.02133.

[17]

HART

P E

, NILSSON

N J

, RAPHAEL

. A Formal Basis for the Heuristic Determination of Minimum Cost Paths[J]. IEEE Transactions on Systems Science and Cybernetics, 1968, 4(2): 100-107.

[18]

ZENG

, WU

G Q

, MAO

L B

. A Support Vector Machine-Based Truck Discretionary Lane Changing Decision Model[C]// 2021 20th International Conference on Advanced Robotics (ICAR). Ljubljana, Slovenia: IEEE, 2021: 435-440.

2025年第卷第7期

PDF下载

273

引用本文

BibTeX

文章信息

doi: 10.19620/j.cnki.1000-3703.20240160

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：2024-05-10

基金

*国家自然科学基金项目(52075388)

作者信息

同济大学，上海 201800

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/qcjs/CN/10.19620/j.cnki.1000-3703.20240160

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