路径规划是智能汽车的核心技术之一,而在避障场景下的路径规划对智能汽车的行驶安全性与稳定性提出了更为严苛的要求。针对智能汽车避障场景,提出一种双层结构并考虑胎路附着极限的路径规划方法。在上层预规划中设计了一种改进快速搜索...路径规划是智能汽车的核心技术之一,而在避障场景下的路径规划对智能汽车的行驶安全性与稳定性提出了更为严苛的要求。针对智能汽车避障场景,提出一种双层结构并考虑胎路附着极限的路径规划方法。在上层预规划中设计了一种改进快速搜索随机树(Improved Rapidly-exploring Random Tree,IRRT)算法,根据纵向车速自适应调整随机树的扩展步长,以兼顾搜索效率与路径精度;随后针对采样点扩展角度施加胎路附着极限的约束,并在此约束范围内进行随机采样,在预规划层面提升路径的合理性;结合人工势场法,构建采样点引力势场、目标点引力势场以及道路边界斥力势场,从而修正随机采样点的位置,提高搜索效率。为改善路径平滑度并进一步确保车辆稳定性,在下层重规划中利用非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)建立车辆平面运动模型与胎路附着极限约束,对预测时域内的预规划路径进行二次优化,生成重规划路径。最后,基于CarSim/Simulink联合仿真平台以及硬件在环测试平台验证所提算法在静态与动态避障场景下的有效性。研究结果表明,预规划中提出的IRRT算法相较于经典RRT*算法在搜索效率、路径合理性及车辆稳定性方面具有优势。与单层IRRT和传统NMPC方法相比,IRRT-NMPC双层路径规划方法在避障过程中能够在满足实时性要求的同时进一步确保车辆不会超出胎路附着极限,提升了车辆的稳定性和安全性。展开更多
文摘路径规划是智能汽车的核心技术之一,而在避障场景下的路径规划对智能汽车的行驶安全性与稳定性提出了更为严苛的要求。针对智能汽车避障场景,提出一种双层结构并考虑胎路附着极限的路径规划方法。在上层预规划中设计了一种改进快速搜索随机树(Improved Rapidly-exploring Random Tree,IRRT)算法,根据纵向车速自适应调整随机树的扩展步长,以兼顾搜索效率与路径精度;随后针对采样点扩展角度施加胎路附着极限的约束,并在此约束范围内进行随机采样,在预规划层面提升路径的合理性;结合人工势场法,构建采样点引力势场、目标点引力势场以及道路边界斥力势场,从而修正随机采样点的位置,提高搜索效率。为改善路径平滑度并进一步确保车辆稳定性,在下层重规划中利用非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)建立车辆平面运动模型与胎路附着极限约束,对预测时域内的预规划路径进行二次优化,生成重规划路径。最后,基于CarSim/Simulink联合仿真平台以及硬件在环测试平台验证所提算法在静态与动态避障场景下的有效性。研究结果表明,预规划中提出的IRRT算法相较于经典RRT*算法在搜索效率、路径合理性及车辆稳定性方面具有优势。与单层IRRT和传统NMPC方法相比,IRRT-NMPC双层路径规划方法在避障过程中能够在满足实时性要求的同时进一步确保车辆不会超出胎路附着极限,提升了车辆的稳定性和安全性。
