低速环境下无人驾驶智能车路径规划及避障策略 丁永哲
低速环境下无人驾驶智能车路径规划及避障策略 丁永哲 摘要：智能车的导航策略和避障方法作为无人驾驶系统对外界环境感知和处理的核心技术，其功能实现主要是使智能车能够无碰撞的、满足一定性能指标（时间、能量等）从当前状态移动到目的状态。而作为无人驾驶智能车系统中的核心组成部分，对于其研究和设计则显得不可或缺。 论文首先阐述了无人驾驶智能车技术发展现状，介绍了与局部避障和全局导航相关的基础理论研究，并基于动力学、运动学建立了智能车的数学模型，使用Gmapping算法对智能车所处的周身环境进行了建模。为了尽可能提高智能车避障和导航的能效性，论文根据已有理论分析了多种导航和避障策略在半结构化低速环境下应用的优缺点，设计了基于激光雷达传感器数据建环境地图，局部避障与全局导航相结合的智能车避障导航系统。 其次，研究了局部避障策略中多传感器组合方案，基于超声波测距传感器和激光测距传感器建立近距离避障传感器组合，对其无人车采集数据进行融合处理。为降低融合算法的冗余度，将联合卡尔曼数据融合算法中子滤波器替换为互补滤波器，得到优化后数据融合算法。通过仿真分析可得该优化的数据融合算法提高了检测障碍物距离的精确度，降低了算法融合运行时间。 再次，以智能车无碰撞、且避碰路径最短为判断准则，基于优化的A*算法结合高优先级的近距离避障策略，设计了智能无人车避障导航方案，从而实现对智能车的自主移动导航，并通过软件仿真验证，该策略方案能够保持智能车在低速环境下无碰撞的、以最短路径抵达目标地点，证明了该设计方案的合理性。 最后，设计了半结构智能车仿真测试硬件系统，通过智能车样车对提出的避碰导航系统进行测试，证明了基于优化的A*算法的避障导航方案在智能车的路径规划中的有效性和可行性。 关键词：无人驾驶；智能车；Gmapping；优化A*算法；联合卡尔曼算法 1 绪论 1.1 课题研究背景与意义 无人驾驶智能车（Driverless smart car）又称为智能轮式移动机器人。理论上它被解释为一类能够借助一定方式感知周围环境和车辆自身状态，能够实现行驶在有障碍物的路段或其它环境中面向设定目标的自主运动，进而完成设定作业功能的机器人系统[16]。这类机器人不同于其他机器人之处在于凸显了独特的移动方式和应用场景，是一类在尖端科学领域和平常生活中都有广泛应用和科研价值的类别。对于它的研究，包含了经济、国防、科技、教育、文化和生活等众多领域，人们对它的关注度也越来越高，随着近年MCU微处理器以及传感器的高速发展，超大规模集成电路系统(VLSI System)的普及，传感器数据融合、动态环境建模与定位、导航策略等诸多相关领域算法得以在智能车上实现。与此同时，对无人驾驶技术的研究也成为当今研究热点领域之一。 进入二十一世纪，国家经济依然保持高速发展阶段，人民生活水准不断提高，其中，汽车工业领域和智能化领域也呈现井喷式高速发展。2011年7月，我国机动车保有量达到2.19亿辆，回顾上世纪八十年代，我国汽车社会保有量才仅仅为1219万辆。数量增长让整个世界都为之震惊。这一发展一方面改变了人们的生活习惯，改变了人们的出行方式，与此同时也带来了很多社会问题。就目前较为突出的几个方面，安全事故、尾气污染、交通堵塞等，让各个领域的研究者和人们头疼不已。为了解决上述问题，诞生了无人驾驶智能汽车、城市公共轨道交通，使用绿色能源的新能源汽车等各种新概念汽车。其中，无人驾驶智能车的研究以及实验表明在减少交通事故，降低驾驶人员驾驶疲劳，优化城市交通环境等方面有着卓越表现，从而受到了相关领域科研人员的关注与青睐。 按照智能车应用环境，可以大致分类为高速公路环境、城市低速环境和特殊环境。城市低速环境包含一般的城市道路，也包括企业库房、商厂、机场、住宅区、公园等。这些运行环境对智能车提出了更高的要求，需要保障准确性、安全性、交互性、舒适性等众多影响因素[9]。 然而事实证明，在可以提前确定的环境中，与智能车导航与避障策略相关的研究已经取得了可观的成果和应用，但在未知环境中，相关研究取得的成果并不够实现人们的期望目标。在这个领域，还没有形成成熟和完善的体系结构，只有较少的先见知识，还有很多关键理论和实验有待研究和验证。 在此背景下，论文进一步研究了低速环境下无人驾驶智能车的车体硬件结构平台设计、传感器组合、导航策略和障碍物检测方法。符合目前智能车的发展方向，对于其在相关领域的应用提供经验并有着十分深远的意义。 .2 国内外研究现状 在智能车研究领域，美国、德国、法国和日本等少数发达国家一直处与世界领先地位。它的发展历史可追溯到20世纪60年代，在这历史的慢慢长河中，取得较为明显成果的有NavLab系列智能车，典型型号有NavLab-1系统、NavLab-5系统和NavLab-11系统等。
图1.1NavLab-1系统结构框图 NavLab-1 系统在80年代设计完成并投入实验，成功完成了以10Km/h的运行速度在非结构化道路上行驶，在典型结构化道路上运行速度可以更高。车辆传感器选用了1台ERIM激光雷达测距仪，1台JVC BY110U带云台彩色摄像机，激光雷达，单点激光测距模块等，并配备了三台计算机作为处理器。系统体系结构图如图1.1所示。其系统的体系结构十分典型，至今依然具有很大的借鉴意义。系统划分为三个功能模组，一台Sun 3/75计算机处理ERIM激光测距仪数据；一台Sun 3/75计算机负责对JVC摄像机采集的视频信号进行处理，数据首先会被帧缓冲器进行一级处理，再传至计算机进行二级处理；一台Sun 3/75计算机作为控制器间的中转桥，将三个执行传感器所需要的执行数据以及反馈数据传输。三台计算机通过局域网两两互联，可以实现数据共享也可以进行处理，底层执行机构通过Intel多总线连接驱动执行器、转向执行器和状态传感器。提高了数据传输速率，降低了执行机构响应时间。NavLab-1 的环境感知传感器安装结构特点在云台摄像机安装在测距仪的上方，激光测距仪的响应时间和数据量都远小于摄像机，可以作为摄像机的冗余系统补偿其特性缺陷。 在智能车研究的编年史里，二十世纪90年代，VaMoRs-P型无人驾驶智能车系统在当时十分闪耀。该无人车结构体系以Mercedes-Benz 500作为车体移动平台。传感器选用融合了加速度计和角度传感器的陀螺仪、速度传感器、执行机构状态参数测量仪器和两组双目视觉图像处理系统构成。数据处理部分选择使用两台计算机和一台基于Transputer的分布并行处理单元构成。实现了1600公里的无人自主驾驶，其导航与避障性能在同时期比较及其突出。 智能车的行驶环境大多为路面，将行驶环境分为两个部分，其一是结构化道路，另一个便是非结构化道路。结构化道路具有比较清晰的道路标示和较好的路面行驶环境，道路特征比较全面和突出，容易被相关传感器检测到，例如高速公路、城市主干道路等[10]。相比而言，非结构化道路相比较结构化道路就没有那么明显的道路标志了，一般指城市非主干道、乡间道路或其他结构化程度低的环境路面，这类道路没有明显的道路特征，环境较为恶劣，道路背景也比较复杂，因此也成为了无人驾驶技术中道路识别部分的主要研究方向[19]。2001美国国防部设立无人驾驶技术研发项目，研制了一辆无人驾驶侦查车，命名为Demo III系统。该系统最大的特点在于能够轻松行驶在结构化道路和非结构化道路上，即便是在两种路况环境下切换成功率和安全系数都非常高。与此同时，它能够实现单车运行以及编队运行。该系统传感器选择了立体视觉摄像头系统、多频段雷达组合系统（多个频段能够穿透的障碍物不同，实现了在同一纬度的障碍物识别扩展）、超声波测距模块、激光测距模块、GPS导航以及陀螺仪。并使用数据融合算法对各个传感器回传的数据进行了融合，发挥了重要作用，成功的使该系统在复杂的天气环境情况下，例如雨天、雾天、沙尘天气等中均保持准确的障碍物判断并实现精准导航，通过处理器给出合理的行驶方案，控制车辆行驶路径和安全的行驶速度，从而实现了真正意义上的无人驾驶侦察功能。 在无人驾驶智能车领域，我国研究起步的比较晚，先见经验少，主要研究人员集中在研究院和各大高校。因为我国城乡结构梯度跨度较大，道路交通发展受限，种种因素导致智能车研究在一段时间内发展比较缓慢。80年代末，国防科技大学开始将目光投降智能车领域，逐步研制出多型号CITAVT系列无人驾驶智能小车。在2000年，该校最新型号CITAVT-IV型新一代地面无人驾驶车问世。该车移动平台选用了BJ2020SG吉普车，搭载的无人驾驶系统实现了两个突出的功能，一是在非结构化道路上的低速自主驾驶，另一个是在结构化道路上的自主驾驶。车载传感器方案选用了图像采集处理器作为主要的感知传感器，配合里程计数码盘、激光陀螺仪、磁敏感转速仪等车辆位姿传感器。通过视觉导航加传感器避障策略实现了在结构化道路上75Km/h左右速度的自主航行。现场实验图如图1.2所示：
图1.2CITAVT-IV现场实验图 我国企业在智能车研究的行列中，百度在2013年与国内第三方汽车厂商签署了百度无人驾驶车项目，该项目由百度研究院主导研发，其核心技术为“百度汽车大脑”，该项目在2015年成功推出第一辆百度无人驾驶车。在该系统中，导航控制体系包含高精度地图、定位、感知、智能决策四个模块，可自动识别交通指示牌和行车信息，只要车主将目的地输入导航系统，汽车就可以自动前往目的地。该项目至今取得的实验成果在国内属于领先地位，2018年2月15日，新一代Apollo型智能车成功行驶在珠港澳大桥上，完成各种具有代表性和技术难度的无人驾驶模式下的动作。 我国无人驾驶技术目前在结构化道路上取得了较多的成果和经验理论，在非结构化道路方面，虽然已经开展了相关研究，但是缺少先见经验，理论空白还有很多。 无论在哪种环境下工作，智能车运行对设定功能的完成度和安全性是首当重要的。高精度传感器和高性能处理器的价格和数据处理量是否与功能要求匹配需要我们进行探索。低速环境下不同于其他应用场景，具有一定的优越条件从而降低了对传感器和处理器的要求，所以如何利用较低成本的传感器实现某些特定环境下的智能车功能具有一定的研究意义。 国内高校在该背景下联合举办了全国大学生智能汽车竞赛，鼓励大学生参赛队伍制作一个能够自主识别路径的智能车，以时间最短为衡量性能指标，在专门设计的结构化跑道上自动识别道路元素并实现无碰撞行驶。比赛包含多个组别，
基于新型人工势场法的车辆避障路径规划研究方法
第17卷第16期2017年6月 1671 —1815(2017) 16-0310-06科学技术与工程Science Technology and EngineeringVol . 17 No . 16 Jun . 2017© 2017 S c i . Tech . Engrg .基于新型人工势场法的车辆避障路径规划研究方法刘志强朱伟达 *倪婕张春雷(江苏大学汽车与交通工程学院，镇江212〇13)摘要针对道路交通环境车辆避障的复杂性，对传统人工势场法进行了改进，将其应用于车辆的避障路径规划；该方法建 立了道路边界危险斥力势场模型和障碍物斥力势场模型，并在传统障碍物斥力势场中引入速度因素，车辆在以上两种势场组 成的复合场中受到道路边界斥力、障碍物斥力的作用。
当达到受力平衡时，通过求解方程可以得到一条安全避障路径；并在 避障过程中对车辆实施速度控制。
仿真分析结果表明改进后的方法规划出的路径在避障过程中，车辆与障碍物的距离增加至少20 cm ,可有效地提高避障的安全性;避障过程中对主车车速进行控制，可使主车的横摆角速度和侧向加速度降低至少20%，有效地提高车辆运行的舒适性和安全性。
关键词智能交通 避障路径规划 新型人工势场法 速度控制中图法分类号U471.15; 文献标志码A避障路径规划是无人驾驶车领域的关键技术， 其主要目的是规划出一条能让车辆无碰撞绕过障碍 物的安全路径。
为了行车安全，现代汽车上采用了 大量的被动安全技术（安全气囊、安全带等）和防撞 预警系统（如丰田的pre-collision system [1]等），但这 些技术只能在碰撞发生时降低对乘员的伤害程度或 减少碰撞的发生，不能从根本上解决问题。
目前，路 径规划的方法有人工势场法[2]、遗传算法[3’4]、向量 直方图法[5]和神经网络法[6’7]等，其中人工势场法 以其计算量小、便于底层实时控制等优点，被许多研 究者借鉴应用，但是该法本身存在局部极小值等 问题。
浅析自动驾驶汽车路径规划算法
浅析自动驾驶汽车路径规划算法自动驾驶汽车的路径规划算法最早源于机器人的路径规划研究，但是就工况而言却比机器人的路径规划复杂得多，自动驾驶车辆需要考虑车速、道路的附着情况、车辆最小转弯半径、外界天气环境等因素。
本文将为大家介绍四种常用的路径规划算法，分别是搜索算法、随机采样、曲线插值和人工势场法。
1．搜索算法搜索算法主要包括遍历式和启发式两种，其中Dijkstra算法属于传统的遍历式，A＊算法属于启发式，在A＊算法的基础上，还衍生出了D＊Lite算法、Weighted A＊算法等其他类型。
Dijkstra算法最早由荷兰计算机学家狄克斯特拉于1959年提出，算法核心是计算从一个起始点到终点的最短路径，其算法特点是以起始点开始向周围层层扩展，直到扩展到终点为止，再从中找到最短路径，算法搜索方式如图（1－1）所示。
A＊算法在Dijkstra算法上结合了最佳优先算法，在空间的每个节点定义了一个启发函数（估价函数），启发函数为当前节点到目标节点的估计值，从而减少搜索节点的数量从而提高效率。
A＊算法中的启发函数包括两部分，表示从初始点到任意节点n的代价，表示节点n到目标点的启发式评估代价，在对象从初始点开始向目标点移动时，不断计算的值，从而选择代价最小的节点。
一般来说遍历式算法可以取得全局最优解，但是计算量大，实时性不好；启发式算法结合了遍历式算法以及最佳优先算法的优点，具有计算小、收敛快的特点。
图（1－2）是最佳优先算法示意图，可以看出该算法有一定的选择性，但是面对图中的u型障碍物会出现计算效率低的情况。
而A＊算法完美的结合了Dijkstra算法和最佳优先算法，不仅有一定的选择性，并且计算量相对也是最少的，更快得找到了最短路径。
2．随机采样随机采样主要包括蚁群算法以及RRT（快速扩展随机树）算法。
蚁群算法是由Dorigo M等人于1991年首先提出，并首先使用在解决TSP（旅行商问题）上。
其算法基本原理如下：1．蚂蚁在路径上释放信息素。
基于Arduino技术的多传感器智能避障小车设计研究
基于 Arduino技术的多传感器智能避障小车设计研究摘要：本项目研究的智能避障小车以Arduino技术为主控单元,采用多种传感器及控制方法，十字矫正算法控制姿态,系统硬件的各个模块相互配合,以实现自主循迹、矫正、避障及定位功能，可使避障小车具有较高的自适应能力。
关键词：Arduino；智能避障；全自动化0 引言智能交通系统是交通行业发展的必然趋势，无人驾驶技术伴随着5G的到来，成为当今社会的一大热点。
智能避障小车可以作为无人驾驶的模型来看待，无人驾驶技术也是通过环境检测传感器来实现一部分智能控制，汽车行驶过程中碰到的障碍很多，对障碍物进行躲避，可以挽救驾驶者和乘客性命。
智能小车是多种高新技术的集成体,不但融会了软件、传感器、电子、计算机硬件、机械、人工智能等学科知识，而且触及当下很多科学前沿领域的相关技术，具有较高的市场价值和重要的现实意义。
1 总体设计系统由Arduino Mega 2560、US-100超声波传感器、A4988电机驱动模块、红外识别传感器、霍尔传感器以及循迹传感器。
该系统以Arduino Mega 2560为主控板，US-100超声波负责探测远距离的障碍物，配合红外识别检测近距离生物体障碍。
循迹传感器实现巡线路径规划移动，加载霍尔传感模块实时磁场定位，结合十字矫正算法实现路径偏离矫正与重新规划，A4988驱动模块依照Arduino下达的串口指令，带动电机移动避障，并实时定位。
2 主要硬件设计2.1超声波传感器该传感器为障碍探测核心，道路车辆流动程度较密集，需高精度、高强度准确识别。
超声波模块有多种款式，主流为HC-SR04型，该款式探测距离为2CM-450CM、感应角度小于15度、精度为3MM、成品便宜，但是电平信号不稳定、识别速度、精度不能适应高强度探测。
另一种US-100型超声波，在探测距离和感应角度上与US-SR04型相同，但精度高达到5MM，且电平信号稳定能适应高强度探测。
常见的避障算法介绍
常见的避障算法介绍1.路径规划算法：路径规划算法用于在避开障碍物的同时找到达到目标点的最短路径。
其中，最常见的算法是A*算法和Dijkstra算法。
这些算法使用图的方法，计算出从起始点到目标点的最短路径。
2.势场算法：势场算法利用障碍物对周围环境产生的斥力来规划移动方向。
在该算法中，设备会受到目标点的吸引力和障碍物的斥力的影响，从而移动到合适的位置。
势场算法简单易实现，但可能会陷入局部最小值。
3.反馈控制算法：反馈控制算法使用传感器来感知障碍物，然后根据传感器的输入对设备进行控制。
最常见的反馈控制算法是PID控制算法。
该算法根据设备的误差、变化率和累积误差来计算控制信号，从而使设备快速、稳定地避开障碍物。
4.局部避障算法：局部避障算法用于在设备移动过程中避免碰撞静态障碍物。
其中，最常见的算法是基于激光雷达的SLAM算法。
该算法使用激光雷达实时感知障碍物，并生成地图进行位置估计和路径规划，以避开障碍物。
5.全局避障算法：全局避障算法用于在设备移动时规划全局路径，以避开动态障碍物。
其中，最常见的算法是基于无人机的RRT算法。
该算法通过随机采样和树的方法，在全局环境中找到可行的路径。
6.模型预测控制算法：模型预测控制算法通过建立机器人动态模型和环境模型，预测未来的状态和碰撞风险，以规划合适的移动策略。
该算法综合考虑了障碍物的位置、速度和概率等因素，可以在动态环境中进行准确的避障。
总的来说，常见的避障算法包括路径规划算法、势场算法、反馈控制算法、局部避障算法、全局避障算法和模型预测控制算法。
这些算法在不同的应用场景中有各自的优缺点，可以根据具体需求选择合适的算法。
为了提高避障效果，常见的算法往往会结合多种技术，如激光雷达、摄像头、超声波传感器等，以实现对环境的全面感知和判断。
AGV路径规划及避障算法研究综述
AGV路径规划及避障算法研究综述
赵学健;叶昊;贾伟;孙知信
【期刊名称】《小型微型计算机系统》
【年(卷),期】2024(45)3
【摘要】自动导向车(Automated Guided Vehicle,AGV)目前被广泛应用于物流、仓储、制造业和仓储等领域.AGV的路径规划和避障算法是实现AGV自主导航的
关键技术,决定了AGV在复杂环境中能否高效、安全地完成任务,近年来成为AGV
领域的重要研究热点之一.本文根据AGV路径规划及避障算法的原理与特点,将主
流AGV路径规划及避障算法划分为局部避障路径规划算法、基于几何模型的路径规划算法、智能路径规划算法和混合算法4类,对算法的原理、工作流程、优缺点
进行了深入分析,并介绍了相应的改进算法.最后,本文对AGV路径规划及避障的未
来发展趋势进行展望,为AGV路径规划及避障算法的研究指出了方向.
【总页数】13页(P529-541)
【作者】赵学健;叶昊;贾伟;孙知信
【作者单位】南京邮电大学现代邮政学院;南京邮电大学江苏省邮政大数据技术与
应用工程研究中心;南京先维信息技术有限公司
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于模糊神经网络控制的AGV避障路径规划仿真
2.自动化立体仓库中智能AGV 群体的静态路径规划与动态避障决策研究
3.智能化仓库的AGV路径规划与紧急避障系统
4.改进A^(*)算法的AGV避障路径规划研究
5.基于动态窗口法的包装制品车间AGV避障路径规划
因版权原因，仅展示原文概要，查看原文内容请购买。
智能汽车转向避撞运动轨迹规划
10.16638/j.cnki.1671-7988.2022.008.004 智能汽车转向避撞运动轨迹规划
刘忠强 （四川工程职业技术学院，四川 德阳 618000） 摘要：随着当前汽车电动化和智能化的快速发展，实现主动避撞控制将是未来智能化汽车的一项重要技术。目前，汽车纵向制动避撞技术已经比较成熟，而转向避撞技术中的轨迹规划方法还存在安全性不足、适应性不高等实际问题。文章首先分析了转向避撞的场景特征，再采用五次多项式作为转向避撞轨迹规划方法，分别讨论车辆横向运动状态和纵向运动速度规划，最后给出满足碰撞安全和平稳舒适约束条件下的转向避撞轨迹。因此，此研究工作将为解决转向避撞技术的轨迹规划问题提供新的思路与方法。 关键词：智能汽车；转向避撞；轨迹规划；安全性约束 中图分类号：U469.5 文献标识码：A 文章编号：1671-7988(2022)08-17-04
The Trajectory Planning of Intelligent Vehicle Steering to Avoid Collision LIU Zhongqiang ( Sichuan Engineering Technical College, Deyang 618000, China )
Abstract: With the rapid development of vehicle electrification and intelligence, the active collision avoidance control will be an important technology for intelligent vehicles. At present, The Technology of the vehicle longitudinal Braking to avoid collision is relatively mature, but the trajectory planning method in steering collision avoidance technology still has some practical problems, such as insufficient safety and low adaptability. In this paper, the scene characteristics of steering collision avoidance are firstly analyzed, then the quintic polynomial is used as the trajectory planning method for steering collision avoidance, and the lateral motion state and longitudinal motion speed planning of the vehicle are discussed respectively. Finally, the steering collision avoidance trajectory under the constraints of crash safety, stability and comfort is given. Therefore, the research work of this paper will provide a new idea and method to solve the trajectory planning problem of steering collision avoidance technology. Keywords: Intelligent vehicle; Steering collision avoidance; Trajectory planning; Security constraint CLC NO.: U469.5 Document Code: A Article ID: 1671-7988(2022)08-17-04
基于粒子群算法的无人驾驶车辆路径优化研究
基于粒子群算法的无人驾驶车辆路径优化研究无人驾驶车辆的路径优化是提高其行驶效率和安全性的重要问题，通过优化路径规划可以降低行驶时间，减少能源消耗。
粒子群算法是一种优化算法，可以用于无人驾驶车辆路径优化。
本文将基于粒子群算法对无人驾驶车辆的路径进行优化研究。
首先，需要明确问题的定义。
无人驾驶车辆的路径优化问题可以定义为在给定起点和终点的情况下，找到一条最优路径，使得车辆在行驶过程中的总时间最短。
为了实现路径优化，需要建立一个适当的数学模型。
可以将路径划分为一系列的路径段，每个路径段由一段直线和一个转向点组成，通过调整转向点的位置和车辆的速度可以实现路径的优化。
接下来，需要确定粒子群算法的适应度函数。
适应度函数用于评价每个粒子的解的优劣程度，对于无人驾驶车辆的路径优化问题，可以将适应度函数定义为车辆行驶时间的倒数。
行驶时间可以通过路径上每个路径段的长度和车辆速度来计算，速度可以通过车辆的加速度和路径段的长度来确定。
然后，需要确定粒子群算法的粒子编码和解码方法。
粒子编码可以用一串二进制数表示，每个二进制数代表一个转向点的位置和车辆的速度。
通过解码，可以得到每个转向点和速度的具体值，从而构建出完整的路径。
在粒子群算法的迭代过程中，每个粒子都可以看作是一个候选解，通过更新速度和位置来最优解。
速度的更新可以通过粒子的当前速度和加速度来计算，位置的更新可以通过粒子的当前位置和速度来计算。
在更新过程中，可以引入惯性权重和加速度权重来平衡全局和局部。
最后，需要进行实验验证。
通过将粒子群算法应用于无人驾驶车辆的路径优化问题，对比结果和其他算法的结果进行比较，评估算法的性能和效果。
实验可以基于实际的行驶数据和城市信息进行模拟，通过对比不同算法得到的路径和行驶时间，可以验证粒子群算法在路径优化问题上的有效性。
综上所述，基于粒子群算法的无人驾驶车辆路径优化研究可以通过建立适当的数学模型、确定适应度函数、选择合适的粒子编码和解码方法、优化迭代过程等步骤来进行。
智能汽车换道避障路径规划与跟踪控制研究
智能汽车换道避障路径规划与跟踪控制研究罗鹰; 冒兴蜂【期刊名称】《《机械设计与制造》》【年(卷),期】2019(000)007【总页数】5页(P139-143)【关键词】智能汽车; 换道避障; 等速偏移函数与正弦函数加权叠加; 神经滑膜控制器; 鲁棒性【作者】罗鹰; 冒兴蜂【作者单位】南通理工学院汽车工程学院江苏南通 226002【正文语种】中文【中图分类】TH16; TP231 引言随着汽车持有量的增加，道路通行能力逐渐趋于饱和，从而使交通事故不断增长[1]。
智能汽车可以改善公路交通安全问题，对保护人身和财产安全意义重大。
智能汽车路径跟踪控制的关键是自主转向和加减速控制，使汽车跟踪事先规划好的路径，同时保证乘车人的安全性和舒适性。
常用的智能汽车路径跟踪控制算法有变结构控制、模糊控制、PID控制、模型预测控制等多种方法，文献[2]基于车辆二轮3自由度动力学模型，设计了线性时变模型预测控制器；文献[3]以车辆速度和航向偏差为输入、以预瞄距离为输出，设计了参数自适应模糊控制器；文献[4]将路径跟踪分为直线导航和转向任务两个方面，设计了免疫模糊PID的转向控制方法；文献[5]设计了基于指数趋近律的滑膜变结构控制，解决了机器人路径跟踪问题。
这些研究成果都在一定程度上解决了路径跟踪问题，但是模型预测控制器的时效性较差，模糊控制器的路径跟踪精度较低，滑膜变结构控制的震荡较大，这些问题仍需进一步解决。
研究了智能汽车换道避障的路径规划和跟踪问题。
在路径规划方面，提出了等速偏移函数与正弦函数加权的轨迹规划方法，此方法得到的路径满足换道轨迹的曲率要求。
在路径跟踪方面，提出了神经滑膜控制器，此方法可以减弱传统滑膜控制的抖振、提高路径跟踪精度，并具有很好的鲁棒性。
2 换道避障路径规划2.1 临界安全距离只研究与自身车辆同车道正前方车辆或行人的避障问题，驾驶自身车辆左右侧车道无其他车辆。
临界安全距离是为保证行车安全，自身车辆与前方障碍物必须保持的最小距离。