基于蟻群算法的汽車避障系統研究

青島恒星科技學院 李楊楊 吉遠鏡 趙健

關鍵字：蟻群；算法；汽車；避障系統；研究

1 前言

現在國內是非常的支持交通的發展，所以汽車行業發展也非常的快速。在智能汽車這個領域當中，路徑的規劃和避障系統的研究是非常的透徹，尤其是避障系統，該系統現目前是整個智能汽車領域的研究熱點。而在研究的過程當中使用最多的算法就是蟻群的算法，這樣才能準確地將避障系統做到最好。

2 智能車避障系統的算法

智能車現在的熱度一直是呈現上升的趨勢，所以對這個領域的研究也是非常的多，而在這么多領域當中避障路徑這一方面一直是熱門。對于避障路徑規劃，現在市面上常見的規劃計算方法有人工勢場法、A*算法、遺傳算法、智能水滴算法、蟻群算法等等。這些算法雖然都是用于避障路徑，但是這些方法都有各自的優點，例如人工勢場法主要是通過對力場進行模擬，然后規劃處一條平滑的路徑，但是這種計算方法是非常容易陷入局部的最優解。A*計算法主要是一種啟發式的路徑搜索方法，它主要是利用函數中的一些信息進行估價，然后得到一些啟發性的信息，快速鎖定目標方向，這樣就能夠在復雜的環境之中快速規劃出一條路徑，但是所規劃出來的路徑不是非常的理想，會給車主增加很多沒有必要的麻煩。而遺傳算法的使用，一般是不會單獨存在的，是需要與其他的算法儀器使用，然后才能進行路徑的規劃，但是這種方法的運算效率太低了，而且在實際的運用過程當中也存在著一些問題。智能水滴算法，是因為本身的啟發性不是非常的強，所以在進行規劃的時候所給出的規劃路徑和方法不夠理想。而在這些算法當中蟻群算法是近代才提出來的一種算法，這種算法的來源就是現實中的螞蟻，人們對螞蟻進行了研究。其實蟻群算法最主要的特點就是具有啟發性、并行性、強魯棒性，對于現實生活中那些復雜的問題的適應性是非常強的，對于現在社會的路況而言，這種算法所計算出來的路徑是最符合當前的環境情況。因為現在國內的交通變得復雜，旅游或者是商業出行等都需要去到很多的地方或者是城市，如果說對于這個地方是非常的不熟悉，那么就需要利用到各種各樣的軟件來進行路線的規劃，而這些軟件所采用的算法就是蟻群算法。現在的國家經濟不斷的進步，雖然算法層出不窮，但是蟻群算法仍適用。因為現在的智能車輛是需要利用算法在路徑的規劃當中需要考慮到車輛的運動學的約束，規劃出的路徑不一定可追蹤，雖然蟻群的算法還適用很多汽車避障系統，但是該算法還是有很多不足之處，要對這些算法進行研究和提高。通過對傳統蟻群算法加入的約束條件，對智能車輛的路徑進行規劃，這樣的算法能夠建立出車輛-駕駛員閉環系統模型，最主要的是，智能車輛算法能夠根據汽車的主動安全評價指標評判車輛的路徑跟隨效果和穩定性的情況，這對于智能車輛而言是非常重要的，因為能夠準確地判斷現在車輛的狀況。

3 蟻群算法汽車避障路徑的規劃

現在的交通狀況已經變得非常的復雜，所以現在生活當中就存在著很多的算法來進行路徑規劃，其實避障路徑規劃就是在道路上有障礙物的情況下進行搜索，搜索想要到的目的地，也就是從自己的起點到自己的終點，而所選擇的路徑是需要繞過所有的障礙物，這樣對于所有的智能車輛而言是非常方便的。但是該方法首先就是需要對障礙物進行識別，只有識別出前方有障礙物才能進行路徑的規劃。所以在進行路徑規劃的系統當中是采用的MAKLINK圖論法建立帶有虛擬障礙物的二維環境模型，該方法就能將路段上的障礙物進行識別，識別之后系統就會利用Dijkstra算法的蟻群算法在地圖上進行搜索，計算出一條最優的避障路徑，這樣就能夠對整個路障進行避免。簡單的對整個避障路徑的流程進行復述：首先就是對道路周圍的環境進行建模，看看周圍的環境是否出現了障礙物或者是在道路上出現事故等等，該環節是采用的MAKLINK圖論法，接下來判斷出道路上的障礙物，在利用Dijkstra算法在道路中進行計算，規劃出最佳的路徑，該路徑上是不會存在障礙物的。但是在進行算法規劃的時候是加上一些約束的條件，如要最短時間到達終點或者是從路徑之中要先到達某個地點，從這一點在重新到達終點等等。但是這些算法現在都是基于蟻群的算法進行規劃，但是蟻群還是存在著一些的問題，所以要對現在的蟻群算法進行改進，這樣才能更好的服務智能汽車。最后就是建立了駕駛員-車輛的模型，這樣整個具體的路徑規劃路程，雖然看上去是非常簡單，但是整個過程的計算是極其復雜，尤其是蟻群的算法。

其實在整個路徑規劃中環境建模是非常重要的，因為需要對周圍的環境進行了解，所以需要利用計算方法進行建模處理。而常規的環境建模方法就有MAKLIK圖論法、可視圖法、柵格法等等，這些方法就是為了智能車輛建立環境模型而設立的。在這些方法之中MAKLINK圖論法又被稱為自由空間法，該方法主要是通過生成二維路徑來進行模擬的，而二維路徑是由MAKLIK線所構成的，所需要的路徑也是可行的空間。其中MAKLINK圖論中的MAKLINK線就是兩個障礙物之間不與障礙物相交的頂點之間的連線，還有就是障礙物頂點與邊界相交的連線，現在的智能車輛很多都是采用這種方式來進行環境模型的建立。最主要的就是該方法在汽車實際的運行的過程當中環境也不會出現太大的差距。因為在車輛運行的過程當中周圍的環境變化是非常大，所以需要有專門的方法來對周圍的環境進行感知，需要及時的更新真實障礙物和該路況上的車道線的信息，在根據這些信息進行決策，對自己現在現有的路線進行調整。因為該路況是隨時在發生的變化，如果說車輛前方兩米處有一個障礙物，車輛沒有及時進行信息的更新，那么車輛就非常容易出現追尾或者是碰撞的現象。如果車輛及時將障礙物進行模擬，那么車輛就會自動進行路徑的規劃，那么就可以非常準確的避免事故的發生。

對于環境的模擬之后就是對路徑的規劃，而路徑的規劃之中所采用的s及時Dijkstra算法，該算法是能夠考慮到路徑中所有的節點，同時利用這些節點計算出最短的路徑。而最短的路徑其實也不一定是最優的路徑，所以該算法還會提供一條最優的路徑。

4 仿真實驗

建立車道在行駛過程當中的路徑規劃實驗，這對于現在的交通環境是有很高的要求的，首先就是需要周圍的環境不能過于復雜，但是國內現在的經濟不斷在進步，所以對于車道的建設和環境的建設都變得非常復雜，過于復雜的車道環境，在建模的時候就存在一定的困難。現在的智能車輛在進行建模的時候條件是非常有限的，是沒有辦法在車輛運行的過程當中進行路徑規劃的實驗驗證的，所以想要驗證該建模是否是真實有效的，就需要采用虛擬的樣車來進行實驗，同時在實驗之后還需要對規劃路徑的有效性和可行性進行相應的評估。

4.1 路徑跟隨驗證

因為每一輛車所需要出行的路徑是不一樣的，所以在進行蟻群算法規劃出來的避障路徑的實驗過程當中就需要將車輛所進行的路徑進行跟隨。在改進的蟻群算法的規劃之中，進行避障路徑的輸入，而輸入的內容就是車輛-駕駛員系統模型。一般在進行路徑規劃的時候是會考慮最優的規劃路徑的，同時還會進行跟蹤路徑，之后會將兩者進行對比，而對比之后的結果就會說明改進蟻群算法所規劃的路徑是否是最佳的，還有就是跟隨的效果是不是比較好。

4.2 動態跟隨仿真

因為智能車輛一般是在運行的過程當中，所以在研究車輛的避障路徑的時候也是需要結合這一特性，要研究車輛在跟蹤規劃路徑過程當中的運動特性。車輛本身也是具有一定特點的，而這些特點都是會影響車輛的整個運行的狀態，所以在進行避障系統的研究過程當中也是需要考慮到車輛自身的特點。現在一般的智能車輛在動力學這一方面都是采用Carsim軟件來進行車輛的模擬，在這個軟件之中能夠對現在市面上的一些車輛的參數進行調整，這樣也就能夠模擬出大部分的車輛利用蟻群算法避障路徑的規劃。該軟件還不僅僅能夠對車輛的特點參數進行研究和設定，還能夠對車道周圍的環境進行建模，雖然整體的建模效果不是非常好，但是這一點可以對車輛進行粗略的模擬。而模擬結束之后就可以對該車輛進行路徑跟隨，而跟隨之后的數據又可以對其進行分析，也可以對蟻群算法進行進行改進。

5 結語

在進行蟻群算法的汽車的避障系統研究當中，主要是對蟻群算法進行改進，而改進的方面就是在蟻群算法之中添加約束條件，這樣能夠規劃出來的路徑更加適合車輛行駛，同時還可以根據車輛在形式過程中所發生的突發狀況進行路徑的調整，因為現在的交通是非常復雜的，所以要對信息進行及時的反饋，并且還能夠及時地調整障礙物的布局和規劃，這樣才能更好地避免出現車禍或者是車輛與障礙物發生碰撞的現象。同時還對改進后的蟻群算法進行了規劃路徑的跟蹤，因為跟蹤后的路徑數據需要進行對比，如果兩者之間的對比差距是非常小的，就說明該算法是得到改進的，如果說差距是非常大的，那么說明蟻群算法的改進并沒有得到很好的提升。