无人驾驶电动赛车路径规划算法研究
无人驾驶车辆路径规划与控制算法研究
无人驾驶车辆路径规划与控制算法研究随着技术的不断发展，无人驾驶车辆正逐渐走入人们的视野，并逐渐应用于现实生活中。
然而，无人驾驶车辆的路径规划与控制算法是实现无人驾驶的关键所在。
本文将对无人驾驶车辆路径规划与控制算法进行研究，并探讨其在实际应用中的问题与挑战。
无人驾驶车辆的路径规划是指根据车辆当前的位置和目标位置，确定车辆的最佳路径以实现目标的过程。
路径规划旨在通过考虑车辆约束条件、环境变化以及交通规则等因素，使得车辆能够在最短时间内安全到达目的地。
在路径规划算法的研究中，有两个基本的问题需要解决：1. 路径搜索算法：为了找到车辆的最佳路径，需要利用搜索算法在车辆所在的道路网中搜索可行路径。
常见的搜索算法包括A*算法、Dijkstra算法和最小生成树算法等。
这些算法可以通过定义合适的启发函数和约束条件来寻找最优路径。
2. 动态环境感知与建模：路径规划算法还需要考虑动态环境的变化。
无人驾驶车辆需要实时感知交通状况、路段拥堵程度和行人等障碍物的位置信息，并将这些信息与车辆的位置信息进行整合。
基于这些信息，路径规划算法可以预测未来几秒甚至几分钟的道路状况，并相应地调整路径以避免交通拥堵和事故风险。
路径控制算法是实现无人驾驶车辆的另一个关键技术。
控制算法需要根据车辆当前的位置、速度以及环境感知信息，对车辆的加速度、制动力和转向角度进行准确的控制。
在路径控制算法的研究中，主要涉及以下几个方面：1. 运动模型与控制策略：为了准确控制车辆的运动，需要建立车辆运动模型，并设计相应的控制策略。
常见的控制策略包括PID控制、模糊控制和最优控制等。
这些控制策略可以根据实际需求进行调整和优化，以提高车辆的性能和安全性。
2. 转向控制算法：转向控制是无人驾驶车辆中的关键问题之一。
转向控制算法需要考虑车辆的动力学特性、转向机构的限制以及环境感知信息等因素，并使用适当的控制策略来确保车辆的稳定转向和行驶。
3. 碰撞避免与紧急制动：无人驾驶车辆需要具备紧急制动和碰撞避免的能力，以确保车辆和行人的安全。
无人驾驶汽车实时路径规划算法分析
无人驾驶汽车实时路径规划算法分析在智能交通领域中，无人驾驶汽车正逐渐成为一种新的交通方式。
为了保证无人驾驶汽车能够安全、高效地行驶，实时路径规划算法起着重要的作用。
本文将对无人驾驶汽车实时路径规划算法进行分析，并探讨其原理和应用。
实时路径规划算法是指在随着车辆位置、环境和交通状况的实时变化进行路径规划的算法。
无人驾驶汽车需要根据当前位置、终点位置以及路况等信息来确定最佳路径，以实现安全、快速到达目的地的目标。
以下是一些常用的无人驾驶汽车实时路径规划算法。
1. A*算法A*算法是一种启发式搜索算法，通过评估预测的最佳路径来寻找最短路径。
它使用启发式函数来指导搜索过程，以便快速找到目标。
A*算法基于广度优先搜索和最佳优先搜索，使用估计函数来评估每个节点的成本。
它在无人驾驶汽车路径规划中具有较高的效率和准确性。
2. Dijkstra算法Dijkstra算法是一种单源最短路径算法，用于在有向图中找到两个顶点之间的最短路径。
该算法基于图中各边的权重来确定最短路径，通过逐步确定每个顶点到起点的最短距离来实现。
Dijkstra算法在无人驾驶汽车路径规划中有较好的性能，可以找到最短路径。
3. Bellman-Ford算法Bellman-Ford算法是一种用于解决最短路径问题的动态规划算法。
它通过迭代更新每个节点的最短距离来求解最短路径。
Bellman-Ford算法可以处理带有负权边的图，这在实时路径规划中非常有用。
然而，该算法的时间复杂度较高，在大规模图中的应用受到限制。
4. 强化学习算法强化学习算法是一种使用奖励机制来学习行为策略的算法。
在无人驾驶汽车实时路径规划中，强化学习算法可以通过与环境交互来学习最优行为策略。
通过不断试错和调整策略，无人驾驶汽车可以根据实时情况选择最佳路径。
强化学习算法在无人驾驶汽车领域具有广泛的应用前景。
除了上述算法，还有许多其他的无人驾驶汽车实时路径规划算法，如深度学习算法、遗传算法等。
基于深度强化学习的无人车路径规划算法研究
基于深度强化学习的无人车路径规划算法研究无人车是指不需要人工驾驶的自动驾驶车辆，它可以通过激光雷达、摄像头等感知设备获取环境信息，并利用定位和地图等技术完成自主导航和路径规划。
路径规划是无人车自主导航的核心问题之一，它涉及到如何在复杂的道路环境中快速、安全地找到合适的路径，以实现车辆的目标位置。
传统的路径规划算法主要是基于规则和静态地图进行决策，其往往依赖于预先构建好的地图和道路信息，并通过规则来判断和选择路径。
然而，这种方法往往对于复杂的环境和动态的交通状况表现不稳定，无法适应实际驾驶中的变化和随机性。
为了解决这个问题，近年来，基于深度强化学习的无人车路径规划算法得到了广泛的研究和应用。
深度强化学习是将深度学习和强化学习相结合的一种方法，它通过模拟驾驶环境进行大量的训练，通过试错的方式自动学习规划最优路径的策略。
相比传统的规则方法，基于深度强化学习的路径规划算法具有以下优势和特点：首先，基于深度强化学习的路径规划算法可以自动学习，无需手动定义规则和函数。
它能够从大量的样本数据中自动提取特征，并通过神经网络进行训练和优化，从而学习到最优的路径选择策略。
这使得路径规划算法更加灵活、智能化。
其次，基于深度强化学习的路径规划算法具有适应性强的特点。
传统的规则方法往往需要预先确定好环境和交通状况，无法适应复杂和变化的驾驶环境。
而基于深度强化学习的算法可以根据具体的环境和时刻的变化进行实时决策，具有更好的适应性和灵活性。
此外，基于深度强化学习的路径规划算法还具有数据驱动的特点。
它可以通过大量的样本数据进行训练和优化，从而提高路径规划的准确性和效率。
同时，通过不断地迭代和更新模型，使得算法能够不断地适应新的环境和交通状况，具有较强的鲁棒性和泛化能力。
基于深度强化学习的无人车路径规划算法主要包括以下几个步骤：首先，需要收集和预处理训练数据。
这些数据包括车辆的传感器数据、地图数据、道路信息等。
通过对这些数据进行处理和标注，可以得到训练所需的样本数据。
无人驾驶车辆的实时路径规划算法研究
无人驾驶车辆的实时路径规划算法研究一、引言随着科技的不断发展，越来越多的科技在我们的生活中得到了广泛应用，其中无人驾驶技术就是其中的一项重要技术。
无人驾驶车辆的实时路径规划算法是实现无人驾驶技术的重要组成部分。
该算法可以根据车辆自身状况、道路环境等因素，实时规划最佳行驶路径，保证车辆在行驶过程中的安全和效率。
二、路径规划算法分类路径规划算法根据问题的特点和求解方法的不同，可以分为各种不同的算法。
下面我们将结合无人驾驶车辆实时路径规划的特点，对不同的路径规划算法进行分类。
1. 搜索算法搜索算法是一种根据启发式函数，通过迭代优化的方式搜索最优的路径方案。
在无人驾驶车辆的路径规划中，搜索算法具有较好的实时性和适应性，可以根据车辆行驶环境及时调整路径。
但是，搜索算法存在着路径收敛速度慢、搜索复杂度高等缺点。
2. 路径优化算法路径优化算法是将地图信息、车辆参数和制定的目标函数直接转化为数学模型，利用数学方法求解最优解。
这类算法计算复杂度高，但结果稳定可靠，适用于航空、航天等应用领域。
3. 模拟算法模拟算法是一种模拟物理规律或人类行为进行路径规划的方法。
这类算法较为灵活，可以考虑到车辆之间的相互影响，适合用于城市交通等复杂环境下的无人驾驶车辆路径规划。
三、无人驾驶车辆实时路径规划算法无人驾驶车辆实时路径规划算法是一种运用各种算法实时更新车辆路径的方法。
该算法结合车辆自身状态、道路交通情况、目的地位置等信息，采用搜索或者模拟等各种算法计算最佳路径。
1. 基于遗传算法的路径规划算法遗传算法是一种基于生物进化原理模拟的算法。
在无人驾驶车辆实时路径规划中，遗传算法可以从种群中选择适应度高的个体，通过交叉、变异等方式对个体进行进化，最终得到最优解。
但是，遗传算法计算复杂度高，应用场景有限。
2. 基于深度强化学习的路径规划算法深度强化学习是一种基于人工神经网络的学习算法，可以根据环境状态进行学习和适应，适用于无人驾驶场景。
无人驾驶汽车的路径规划算法设计及实现
无人驾驶汽车的路径规划算法设计及实现随着人工智能和自动化技术的快速发展，无人驾驶汽车正在成为未来汽车行业的重要发展方向。
作为自动驾驶汽车的基础，路径规划算法的设计和实现至关重要。
本文将探讨无人驾驶汽车路径规划算法的设计及其实现方案。
一、路径规划算法的基本原理路径规划算法的基本原理是在提前获取的地图信息基础上，根据车辆的起点和终点之间的距离、交通拥堵情况、道路限速等因素，确定最优路径。
其中，最优路径可根据不同需求进行定义，例如最短路径、最快路径等。
路径规划算法可以分为基于图的搜索算法、基于采样的方法和基于预测模型的方法等。
基于图的搜索算法，例如Dijkstra算法、Bellman-Ford算法和A*算法等，通过在地图中建立图模型，节点表示道路交叉口，边表示道路段，利用启发式搜索技术，选择路径最短或耗时最短的路径。
在实际应用中，由于地图信息存在动态变化的不确定性，这类算法的执行效率和路径准确度存在一定的局限性。
基于采样的方法，例如RRT算法和RRT*算法等，通过随机采样搜索空间，生成树形结构来寻找路径。
这种方法适合于存在复杂障碍物或复杂地形的道路环境。
例如，RRT*算法可以不断迭代搜索，利用采样的树来快速确定最优路径。
然而，基于采样的方法对计算能力要求比较高。
基于预测模型的方法，例如深度学习和强化学习等，通过人工智能算法学习模型，预测未来的车辆行为，提高路径规划的准确性。
该方法通过实时的学习和调整，可适应各种复杂场景和非线性道路环境。
但是，这种方法对数据量和计算能力的需求较高。
二、路径规划算法的实现路径规划算法的实现可分为三个步骤：地图信息获取、路径规划算法选择和路径可视化展示。
地图信息获取包括获取建筑物、道路和交通设施等基本地理信息，以及实时交通拥堵和车辆位置等动态信息。
这些信息可以通过各种地图服务商提供的API接口获取，包括谷歌地图、百度地图和高德地图等。
路径规划算法的选择根据车辆的驾驶需求和道路环境的变化等多种因素决定。
无人驾驶车辆路径规划算法优化研究
无人驾驶车辆路径规划算法优化研究随着技术的不断发展，无人驾驶车辆得到了越来越广泛的应用。
作为一项全新的技术，无人驾驶车辆的路径规划算法是其关键技术之一，其优化对于无人驾驶车辆的普及和使用至关重要。
目前无人驾驶车辆的路径规划算法主要有四种：最短路径算法、最小时间算法、最少交通拥堵算法和最佳舒适性算法。
这些算法各有优缺点，怎么才能优化算法呢？首先，路径规划算法的优化需要考虑三个方面：避免障碍物，尽可能缩短路径，提高通行效率。
避免障碍物是无人驾驶领域中最重要的一项任务，只有避免障碍物，无人驾驶车辆才能够安全行驶。
如何针对障碍物进行规划呢？一种常用的方法是基于激光雷达对周围环境进行三维建模，借此得到周围环境的信息，通过改变路径规划算法以避开障碍物。
其次，路径缩短是另外一个非常重要的问题。
缩短路径可以缩短行驶时间，提高行驶效率。
常用的缩短路径的方法有两种：一种是搜索算法，通过搜索所有可能的路径来达到缩短路径的目的；另外一种是动态规划算法，通过预处理出一些子路径的信息，再用这些信息来构建更长的路径。
再次，提高通行效率是关键而又具有难度的问题。
这个问题涉及到道路规划和同步控制问题。
当车辆量较小时，这个问题的影响不大，但当车辆量增大时，如果没有很好的算法来对这个问题进行优化，车辆很容易出现拥堵现象。
在高峰期增加控制路线，限制非机动车、行人通行，通过交通信号灯控制提高通行效率是有效的方法。
那么如何优化路径规划算法呢？最常用的方法是改变数据结构和算法。
例如，通过改变搜索算法中用于构建优先队列的平衡二叉树，可以有效地缩短路径长度。
另外，选择合适的数据结构和算法可以显著提高无人驾驶车辆的路径规划效率。
在算法优化的背景下，还有一些其他的因素对于无人驾驶车辆的路径规划有着很重要的影响。
例如，地形起伏、气象因素等都会对无人驾驶车辆的路径规划产生影响。
因此，在优化路径规划算法时，还必须考虑这些因素。
道路平整性检测、气象预报等技术被应用于无人驾驶车辆的路径规划中，使之更加科学和合理。
无人驾驶车辆中的路径规划算法及其实现方法
无人驾驶车辆中的路径规划算法及其实现方法无人驾驶车辆（Autonomous Vehicles, AV）是一种不需要人类干预即可自主行驶的车辆。
为了实现安全、高效的无人驾驶，路径规划算法成为关键技术之一。
路径规划算法能够通过分析路况、交通信号灯、障碍物等信息，在给定的起点和终点之间找到一条最佳路径，使无人驾驶车辆能够安全、高效地行驶。
本文将介绍无人驾驶车辆中常用的路径规划算法及其实现方法。
一、路径规划算法概述1.1 基于图搜索的路径规划算法基于图搜索的路径规划算法是最常用的路径规划方法之一。
该算法将道路网络抽象成图的形式，通过搜索算法找到起点到终点的最短路径。
其中，最经典的图搜索算法是Dijkstra算法和A*算法。
Dijkstra算法是一种单源最短路径算法，通过不断更新起点到各个节点的距离来找到最短路径。
A*算法在Dijkstra算法的基础上加入了启发式函数，可以更快地找到最佳路径。
1.2 基于动态规划的路径规划算法基于动态规划的路径规划算法是一种优化问题求解的方法，通过定义状态和状态转移方程，从而找到最优解。
该算法通常适用于多目标路径规划问题，可以同时考虑多种因素，如最短路径、最短时间等。
其中，最典型的动态规划算法是A*算法。
A*算法通过定义启发式函数来评估节点的优先级，以便选择最优的节点进行扩展。
二、路径规划算法的实现方法2.1 地图数据的获取与处理实现无人驾驶车辆的路径规划算法，首先需要获取道路的地理信息数据。
这些数据可以从地图提供商、卫星图像等途径获取。
在获取到地图数据后，需要对数据进行处理，包括去噪、道路拓扑关系构建等。
一种常用的方法是将地图数据转化为无向图的形式，其中节点表示交叉口或道路的起点终点，边代表道路。
2.2 传感器数据的获取与处理无人驾驶车辆需要通过激光雷达、摄像头等传感器设备来感知周围环境。
传感器数据的获取与处理是路径规划的重要环节。
通过激光雷达获取的点云数据可以用于障碍物检测和距离估计。
无人驾驶车辆中的路径规划算法研究
无人驾驶车辆中的路径规划算法研究随着人工智能和自动驾驶技术的不断发展，无人驾驶车辆正逐渐成为现实。
无人驾驶车辆的出现将给人们的生活带来巨大的改变，其中的路径规划算法则是实现无人驾驶的关键之一。
本文将重点讨论无人驾驶车辆中的路径规划算法以及相关的研究进展。
路径规划算法是指将无人驾驶车辆从起点到终点的路径进行规划和优化的过程。
在无人驾驶车辆的设计中，路径规划算法的性能直接影响着车辆的行驶安全性、效率和舒适度。
因此，研究和改进路径规划算法对于实现安全高效的无人驾驶至关重要。
目前，无人驾驶车辆中常用的路径规划算法主要包括基于图搜索的算法、基于启发式搜索的算法和基于优化的算法。
基于图搜索的算法是最常见和经典的路径规划算法之一。
它基于图论的方法，将道路网络表示为图，利用搜索算法（如Dijkstra算法、A*算法等）在图中寻找最短路径或最优路径。
这些算法的优点是简单易懂、容易实现，并且能够找到最优解。
但是，基于图搜索的算法在处理大规模道路网络时会遇到计算复杂度高和搜索效率低的问题。
基于启发式搜索的算法是另一类常见的路径规划算法。
它通过建立一个启发函数来引导搜索过程，根据启发函数对路径进行评估和排序，从而找到最优路径。
常用的启发式搜索算法包括A*算法、D*算法和Dijkstra算法等。
这些算法可以在搜索过程中有效地剪枝，减少计算量，并且可以灵活地应对不同的路况和问题。
但是，启发式搜索算法的性能高度依赖于所选择的启发函数，设计一个好的启发函数是一个具有挑战性的任务。
基于优化的算法是一种更加复杂和高级的路径规划算法。
该算法通过优化目标函数来寻找最优路径，可以根据不同的需求和约束条件进行路径规划。
典型的优化算法包括遗传算法、模拟退火算法和蚁群算法等。
这些算法能够考虑多个因素，如行驶距离、时间、能耗等，根据权衡不同的目标进行路径规划。
但是，基于优化的算法通常需要更多的计算资源和时间，并且参数的选择和调整较为困难。
在实际应用中，路径规划算法还需要考虑实时性和鲁棒性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
10.16638/ki.1671-7988.2019.16.014无人驾驶电动赛车路径规划算法研究冀同涛，李刚，王明家，张旭斌（辽宁工业大学汽车与交通工程学院，辽宁锦州121001）摘要：针对大学生无人驾驶方程式大赛，提出一种适合无人驾驶电动赛车的路径规划算法。
该算法利用坐标转换原理，在全局坐标系下分别提取两侧桩桶点，最终得到离散点集。
离散点之间用弧线进行连接，并且保证曲线的平滑性。
在MA TLAB环境下进行对无人驾驶赛车的路径规划仿真。
仿真结果表明：该算法能较好地规划出行驶路径，曲线平滑，可以使赛车安全可靠地通过赛道。
关键词：无人驾驶；路径规划；离散点集中图分类号：U471.15 文献标识码：A 文章编号：1671-7988(2019)16-37-03Research on Path Planning Algorithm for Unmanned Electric RacingJi Tongtao, Li Gang, Wang Mingjia, Zhang Xubin（College of Automotive and Transportation Engineering, Liaoning University of Technology, Liaoning Jinzhou 121001）Abstract: A path planning algorithm for unmanned electric racing cars is proposed for the unmanned driving formula of college students. The algorithm uses the principle of coordinate transformation to extract the bucket points on both sides in the global coordinate system, and finally obtains the discrete point set. The discrete points are connected by an arc and the smoothness of the curve is guaranteed. Path planning simulation for unmanned racing cars in MA TLAB environment. The simulation results show that the algorithm can better plan the driving path and the curve is smooth, which can make the car pass the track safely and reliably.Keywords: driverless; path planning; discrete point setCLC NO.: U471.15 Document Code: A Article ID: 1671-7988(2019)16-37-03引言近年来，随着互联网技术和人工智能的迅速发展，无人驾驶汽车技术得到了长足的发展。
中国大学生无人驾驶方程式大赛是大学生接触无人驾驶技术的重要平台，该赛事要求赛车具有良好的环境感知、定位、路径规划以及车辆控制能力，路径规划在其中起到关键作用。
目前，路径规划的方法大致分为传统算法和智能仿生算法[1]。
传统路径规划算法主要有：①基于栅格地图的图搜索路径规划算法[2]。
②快速搜索随机树算法。
③基于最优化曲线生成的路径规划算法[3]。
④人工势场法[4]。
智能路径规划算法主要有：①基于蚁群算法的路径规划。
②基于遗传算法的路径规划[5]。
③基于人工神经网络的路径规划[6]。
路径规划的方法的选择与行驶场景有关。
本文提出一种适合无人驾驶电动赛车的路径规划方法，该方法能够使赛车安全可靠地通过赛道，保证车辆行驶稳定性。
1 赛事赛道分析该赛事动态比赛有四项，分别为直线加速、8字绕环、高速避障和耐久测试。
高速避障项目中赛道信息未知，这充分考验了赛车环境感知、导航定位、路径规划和车辆控制的作者简介：冀同涛（1995-），男，硕士研究生，就读于辽宁工业大学汽车与交通工程学院，主要研究领域为车辆系统动力学及控制。
37汽车实用技术38 综合能力。
本文主要研究适合高速避障项目的路径规划方法。
赛道两侧桩桶颜色不同，赛车需要根据相机和激光雷达识别桩桶位置和颜色信息。
在得到桩桶信息后，对赛车进行路径规划，使赛车平稳、安全地通过赛道。
图1 高速循迹测试赛道示意图2 无人驾驶电动赛车路径规划算法赛车通过相机和激光雷达识别到桩桶信息，在得到这些信息后，路径规划模块需要做的是对其进行处理，得到能使赛车快速平稳地通过赛道的路径。
在桩桶作为标识物的情况下，采用离散点拟合曲线得到行驶路径的方法效果较理想。
那么，获得行驶路径的离散点是一个关键点。
为解决这个问题，本文提出了一种无人驾驶电动赛车路径规划算法，算法步骤如下：（1）首先根据桩桶颜色信息将桩桶分为两侧，将其中一侧桩桶通过圆弧连接成曲线，假设桩桶一侧生成的曲线为L ，将L 离散化，得到有n 个点的点集。
（2）另一侧桩桶坐标为(X i ,Y i )，搜寻在L 上距离(X i ,Y i )最近的点。
通过判断(X i ,Y i )到点集的距离d 是否最小找出对应点(x i ,y i )。
（1）（3）由桩桶位置和距离桩桶最近点的位置求出中点坐标（XM i,YM i ）。
（2）（4）由得出的离散点进行曲线拟合。
拟合曲线形式为弧线。
根据圆弧的知识，可知通过两点以及其中一点的切线方向的圆弧有且只有一个。
曲线的起点为第一个离散点（XM 1,YM 1）。
第二个离散点为（XM 2,YM 2），以此类推。
第一段圆弧由前两个离散点以及第一个离散点所对应的斜率k 1求出；为保证路径的平滑性，从第二段圆弧开始由两个离散点以及前一段圆弧终点的切线方向进行求解。
每段圆弧的圆心坐标为(xc i, yc i )。
（3）（4）（5）其中，k i 为各段圆弧起点到圆心的斜率，e i 为相邻离散点所连线段的中垂线的斜率，(X mid ,Y mid ) 为相邻离散点的中点坐标。
由式（5）可得圆心（xc i ,yc i ），进而求出各段圆弧方程：（6）其中，R 为离散点到圆心的距离，θ取值范围可由离散点确定。
3 仿真验证在matlab 环境下对该算法进行仿真验证。
首先确定用于仿真的赛道形状，这里采用S 弯赛道。
S 弯赛道相对而言是比较复杂的，有一定的验证信度。
仿真结果如图所示：图2 赛道桩桶示意图图3 路径规划效果图图2为matlab 环境下模拟的S 弯赛道，赛道宽度为3米，且桩桶点不是对应出现，两侧桩桶分别为不同的颜色。
该赛道能较好地验证算法的有效性。
由图3可知，该路径规划算法能较好地规划出通过赛道的路径，保证赛车行驶路径基本处于赛道中间位置，而且规划出来的路径连续光滑，符合汽车运动学规律，为车辆路径跟踪控制模块奠定了基础。
4 结论（1）本文针对大学生无人驾驶 （下转第45页）张旭斌 等：无人驾驶汽车轨迹解算及跟踪控制研究45图2 60km/h 仿真跟踪轨迹点图3 60km/h 前轮转角4 结论（1）本文针对无人驾驶汽车中的轨迹解算与跟踪控制这 一关键技术，采用了一种关于时间t 的三次分段参数轨迹方程方法，计算出每一时刻的轨迹点信息。
（2）搭建了车辆二自由度运动学模型，结合线性二次型最优控制算法构成反馈控制，在MATLAB 中编写了控制程序，进行了实验仿真验证。
实验表明，这一方法能够解决无人驾驶车辆中的轨迹解算与跟踪控制这一关键技术，并且具有良好的跟踪精度。
参考文献[1] 马腾.无人驾驶车辆轨迹跟踪分层协调控制方法研究[D].大连理工大学,2017.[2] 王星,赵海良,王志刚.基于邻域系统的智能车辆最优轨迹规划方法[J/OL].智能系统学报:1-8[2019-05-24].[3] 谷广.考虑驾驶特性的智能车辆协同换道轨迹规划[D].华南理工大学,2018.[4] 谢勇波,李熙,朱田,冯拔.基于预瞄理论的智能驾驶客车轨迹跟踪控制方法研究[J].客车技术与研究,2018,40(06):1-5.[5] 由智恒.基于MPC 算法的无人驾驶车辆轨迹跟踪控制研究[D].吉林大学,2018.[6] 黄海洋,张建,王宇,王御,刘金波.基于多点预瞄最优控制的智能车辆路径跟踪[J].汽车技术,2018(10):6-9.（上接第38页）方程式大赛，分析了赛事赛道信息，并提出一种适合无人驾驶电动赛车的路径规划方法。
（2）该路径规划方法可规划出连续光滑，基本处于赛道中间的曲线，使赛车可以安全可靠地通过赛道，且受赛道形状局限性小。
对于无人驾驶车辆路径规划研究有一定的助力。
参考文献[1] 张思远.智能汽车路径规划与跟踪控制仿真研究[D].吉林大学,2018.[2] 王旭,刘毅,李国燕.基于改进Dijkstra 算法的移动机器人路径规划[J].天津城建大学学报,2018,24(05):378-381+386.[3] 姜岩,龚建伟,熊光明,陈慧岩.基于运动微分约束的无人车辆纵横向协同规划算法的研究[J].自动化学报,2013,39(12):2012-2020. [4] 郭枭鹏.基于改进人工势场法的路径规划算法研究[D].哈尔滨工业大学,2017.[5] 王雷,李明.改进自适应遗传算法在移动机器人路径规划中的应用[J].南京理工大学学报,2017,41(05):627-633.[6] 宫孟孟.基于神经网络的移动机器人路径规划方法研究[D].哈尔滨工业大学,2017.。