路径规划(pathplanning)

智能车辆有了行驶任务&＃xff0c;智能车辆的路径规划就是在进行环境信息感知并确定车辆在环境中位置的基础上&＃xff0c;按照一定的搜索算法&＃xff0c;找出一条可通行的路径&＃xff0c;进而实现智能车辆的自主导航。

路径规划的方法根据智能车辆工作环境信息的完整程度&＃xff0c;可分为两大类&＃xff1a;

基于完整环境信息的全局路径规划方法&＃xff1b;例如&＃xff0c;从上海到北京有很多条路&＃xff0c;规划处一条作为行驶路线即为全局规划。如栅格法、可视图法、拓扑法、自由空间法、神经网络法等静态路径规划算法。

基于传感器实时获取环境信息的局部路径规划方法&＃xff1b;例如&＃xff0c;在全局规划好的上海到北京的那条路线上会有其他车辆或者障碍物&＃xff0c;想要避过这些障碍物或者车辆&＃xff0c;需要转向调整车道&＃xff0c;这就是局部路径规划。局部路径规划的方法包括&＃xff1a;人工势场法、矢量域直方图法、虚拟力场法、遗传算法等动态路径规划算法等。
在这里插入图片描述

无人机路径规划往往采用基于网格地图的搜索算法&＃xff0c;或者蚁群算法、遗传算法等特殊的路径优化方法。例如在基于概率地图的搜索算法中&＃xff0c;首先运用随机概率方法在自由空间&＃xff08;任务空间中&＃xff0c;除去障碍物后的空间&＃xff09;中选取采样点&＃xff0c;并选取距离当前点最近的k个点构成当前点的临近点集&＃xff0c;然后利用局部规划器将当前点与其临近点集中的所有点用直线段连接起来&＃xff0c;同时进行相交检验&＃xff0c;将不与障碍物相交的直线段保留下来构成一个图&＃xff0c;作为初始路径&＃xff0c; 完成路径规划的学习阶段&＃xff1b;在查询阶段&＃xff0c;运用优化方法对上述图进行搜索&＃xff0c;从而得到由图的边构成的从出发点到目的点并满足优化目标的路径。

另一类常用的算法并不是基于网格地图进行搜索&＃xff0c;例如人工势场法(Artificial potential field method)&＃xff0c;其基本思想是将无人机的运动&＃xff0c;设计成一种在抽象的人造引力场中的运动&＃xff0c;如下图所示&＃xff0c;目标物对无人机产生“引力”&＃xff0c;而障碍物对无人机产生“斥力”&＃xff0c;通过求解目标和所有障碍物对无人机产生的合力&＃xff0c;就可以得到无人机运动速度或加速度指令。相对于大多数搜索算法&＃xff0c;人工势场法运算量更小&＃xff0c;且得到的轨迹更平滑。