自動駕駛汽車避障運動中路徑規劃研究綜述

明瑞陽

（重慶交通大學機電與車輛工程學院，重慶 400074）

主題詞：自動駕駛；避障；軌跡規劃

0 引言

隨著汽車產業市場規模的不斷擴大，汽車產業在加速向智能化、網聯化、電動化和共享化轉型。2021年8 月發布的GB∕T 40429—2021《汽車駕駛自動化分級》[1]將駕駛自動化從0級至5級分為6級，其中以5級為最高自動駕駛等級。

據行業報告顯示[2]，在2020 年中國自動駕駛汽車行業的市場規模約為81.32 億元，較上年的84.2 億元同比下降了約3.5%，到2021年增長至94.1億元左右，同比增長了約15.72%。在我國自動駕駛方面政策、技術發展和市場需求增長多方面帶動下，預測未來幾年自動駕駛汽車的市場規模將會持續增長，到2023年有望達到約120.5億元。

在自動駕駛汽車發展中，由于避障功能與車輛安全具有高度耦合性，因此在向高等級自動駕駛發展的過程中，避障功能始終是汽車企業、大學和研究機構重點研發的自動駕駛功能之一。

整個避障運動分為4個動作，包括信息感知、智能決策、路徑規劃和運動控制[3]，通過這4個動作使車輛完成躲避障礙物或制動動作。在制動過程中，如何規劃出一條合理且安全的軌跡尤為重要。避障路徑規劃也被稱為局部路徑規劃，與全局路徑規劃相比，只對當前場景進行路徑規劃且能夠適應不可預見的障礙物。目前，局部路徑規劃的主要方法包括基于采樣的規劃方法、人工勢場算法、螻蟻算法和神經網絡算法[4]。

本文對基于采樣和人工勢場的路徑規劃算法進行綜述，分析對比這2種算法的優缺點，并對近年來國內外研究人員對這兩種路徑規劃算法進行的優化融合進行了歸納，為后續研究人員開展自動駕駛軌跡規劃研究與開發提供參考。

1 基于采樣的規劃方法

目前，基于采樣的規劃方法可以避免配置空間的離散化和顯式表示，從而可以很好地擴展到高維空間。概率路線圖（Probabilistic Road Maps,PRM）[5]和快速探索隨機樹算法（Rapidly-Exploring Random Tree,RRT）[6]是基于采樣法進行路徑規劃的代表性方法。

1.1 概率路線圖算法

基于概率路線圖算法解決路徑規劃問題是在給定的環境中設置多個點位，除去被設置在障礙物上的點位外，對剩余點位進行算法運算，從而得出一條規避障礙物的路線，如圖1~圖3所示。

圖1 概率路線圖設置點

圖2 去除障礙物點位后的概率路線

如圖3所示，在所規劃的路段中，雖然所有點位均不在障礙物上，但2點之間的路線仍會經過障礙物，如灰色路線，因此碰撞檢測耗時較長，導致規劃效率較低。

1.2 快速探索隨機樹算法

與概率路線圖算法不同，快速探索隨機樹算法是1 種遞增式的構造方法。在整個路徑規劃過程中，僅隨機生成1個點位，如果該點位處于無碰撞點位，則尋找探索樹種離該點最近的節點作為基準節點，從該基準節點以固定步長向隨機點位延伸，每段延伸線的終點會被當作有效節點加入搜索樹種。該過程一直持續到目標節點與搜索樹的距離小于最初設定的數值，然后尋找1條連接起點和終點的最短路徑。該算法有一些不足之處，如搜索時間差異大，在狹窄的通道情況下性能差，離最優路徑遠。

1.3 算法改進

為了解決概率路線圖算法中采樣點過多導致運算速度過慢的問題，Mika 等[7]提出了1 種基于鄰域的方法，通過濾掉不必要的節點來減小路線圖的大小。Kumar等[8]提出了1種減少節點的概率路線圖算法來減小路線圖大小，通過附近障礙物和目標的距離誤差以及高斯成本函數來消除部分節點，以提高規劃效率。

而對于快速探索隨機樹算法而言，盡管改善后的RRT*[9]能夠通過引入近鄰搜索和隨機樹重新布線操作來實現漸近最優，但因為隨機抽樣機制會影響收斂速度，因此收斂到最優解需要大量時間。Noreen 等[10]提出了1種基于RRT*的RRT*—可調整邊界（RRT*—AB）離線規劃算法，該算法包括3 步策略：即連接區域、基于目標的有界采樣和路徑優化。基于目標的有界抽樣在連接區域的邊界內進行，以尋找初始路徑，而連接區域可在復雜的環境中擴展，一旦找到路徑，就使用節點剔除和集中的有界抽樣對其進行逐步優化，最后的路徑通過全局修剪進一步改進，以消除多余節點。為了提高該算法路徑規劃效率，除了剔除不需要的節點外，較為主流的方式是將其它原理或算法和快速探索隨機樹算法進行融合，以解決規劃效率和路線質量問題。

Jeong 等[11]將三角不等式與RRT*相結合提出了Quick-RRT*（Q-RRT*）,其擴大了父頂點集合，產生路徑成本比RRT*算法低且能更快收斂到最優。Zhuge等[12]在Q-RRT*基礎上，將啟發式信息與Q-RRT*算法優化能力相結合，提出1 種基于虛擬光的Q-RRT*（LQRRT*）,該算法相比于Q-RRT*算法優化了采樣空間，提高了采樣效率且試驗證明了內存占用量較少。

Wu 等[13]提出了1 種基于RRT 的路徑搜索算法Fast-RRT，該算法由1個改進RRT模塊和快速最優選擇模塊融合，前者穩定獲取1條初始路徑，后者將多條初始路徑進行合并獲得近似最優路徑。最終通過試驗得出，在相同環境下Fast-RRT 算法會比RRT*算法有著更快的速度和更高的穩定性。Wang 等[14]為了解決狹窄空間路徑規劃問題，提出了1種自適應擴展雙向RRT*（AEB-RRT*）算法，該算法從設定的起點和終點雙向同時進行擴展，并根據碰撞到障礙物次數自適應調整采樣頻率，將得到的可行路徑通過插值和三角不等式原理進行處理，得到更短的可行路徑。

為了減少RRT 本身的局限性，除上述算法之外，還有基于勢場的P-RRT*、結合基于勢函數的RRT*（P-RRT*）和Quick-RRT*的PQ-RRT*[15]、將雙向人工勢場與快速探索隨機樹星（RRT*）相結合的RRT*-Connect（P-RRT*-Connect）規劃算法[16]等，都有效地減少了RRT*算法本身的局限性。

1.4 小結

概率路線圖和快速探索隨機樹法都是常見的路徑規劃算法。

通過對上述內容的綜述，可將概率路線圖算法和快速探索隨機數算法的優缺點進行歸納對比，如表1所示。

概率路線圖算法優點在于：隨著搜索時間的增加，其成功規劃路徑的概率會快速向1收斂，也證明其具備概率的完備性，且具有較高的精度，可以在較為復雜的環境中規劃路徑。

概率路線圖算法缺點在于：該算法需要在全局地圖中建立隨機采樣點，因此運行時間較長，且不能很好地應對障礙物移動的情況。

快速探索隨機樹法優點在于：其路徑生成速度快，能夠在較短的時間內找到1條可行路徑，且能夠應對環境變化，自適應地規劃出合適的路徑，靈活性較高。

快速探索隨機樹法缺點在于：處理復雜環境時，隨機樹分叉多，使得不穩定性較大。

隨著人工智能技術的發展，概率路線圖和快速探索隨機樹法將向高效和智能化發展。這2種算法可以結合深度學習技術，實現更加精準和高效的路徑規劃。

2 人工勢場法

人工勢場算法是目前運用較為廣泛的局部路徑規劃算法，其基本思想是將物體在具體環境中的運動，轉化為人為抽象勢場中的運動，由目標點對物體產生吸引力，由障礙物對物體產生排斥力，使得物體能順利繞過障礙物到達目標點。其中，物體在抽象勢場中的受力情況如圖4所示，其中，Fatt是目標點對物體的吸引力，Frep是障礙物對物體的排斥力，Ftotal是吸引力和排斥力產生的合力。人工勢場法優點在于該算法生成的路徑平滑、計算量小、執行效率高[17]，但是同樣存在著局部極值點和目標不可達的問題[18]。

圖4 物體在人工勢場中的受力情況

對于障礙物較少的簡單場景下，人工勢場算法可以較為容易地規劃出1條無碰撞的路徑以快速到達目標點。但在復雜場景下，存在局部極值點，在吸引力和多個排斥力的反復作用下，物體在多個障礙物間做振蕩運動，無法駛出局部極值點，如圖5所示。

圖5 物體進入狹窄環境

如圖6所示，對于物體進入三面封閉的環境后，由于目標點對物體向上的吸引力和障礙物墻壁對物體向下的排斥力兩個方向相反的作用力作用下，使得該場景無法使用人工勢場算法完成路徑規劃，存在目標不可達的問題。

圖6 物體進入陷阱區域

2.1 局部極值點的人工勢場算法改進

在狹窄環境下，路徑中可能存在極值點使物體發生振蕩運動從而難以到達目標點，針對這種問題，Duan等[19]在基于安全距離模型的人工勢場中，對于可能存在局部極值點的道路工況，通過引入第二虛擬目標點，產生第二道目標點吸引力，克服了局部極值點問題。同樣，Wang等[20]通過左轉彎勢場法使物體在脫離局部極值點附近，若物體已經處于局部極值點時，則通過虛擬目標點法在合適的位置設置虛擬點，并忽略障礙物和初始設置的目標點吸引力的影響，使物體在局部最小點轉彎和跳出。

Gu等[21]在傳統人工勢場算法中，添加了1種可修正的斥力勢場函數，并將此改進的人工勢場算法與模糊控制算法進行融合，利用該融合勢場解決局部極值點問題。Ma等[22]通過引入隨機擾動勢能的調節機制，解決了在局部極值點難以移動的問題。Shen 等[23]針對局部極值點導致路徑規劃失敗的問題，將快速探索隨機樹算法與人工勢場法相融合，將快速探索隨機樹所規劃的節點設置為新的目標點，為物體提供吸引力的同時弱化預設目標點作用，并改進障礙物排斥勢場功能，確保吸引力的力源可及性，保證物體出現在接近局部極值點附近時，能完成路徑規劃。

2.2 針對目標點不可達的人工勢場算法改進

對于目標不可達問題，尹鳳儀等[24]針對目標點附近人工勢場建立了規則，在障礙物周圍排斥力勢場函數加入距離影響因子，使得物體能夠抵達目標。Zhang等[25]為了解決物體在進入陷阱區域的目標點不可達問題，通過對斥力場函數進行改進并選擇1個虛擬目標點，從而使物體逃離陷阱到達目標點，如圖7所示。同樣，Yang等[26]通過增加引力解決了目標不可達問題。

圖7 物體進入陷阱區域所設的虛擬點

Cao 等[27]在人工勢場法中引入了調節因子，以解決軌跡規劃中目標不可達問題。

2.3 融合人工勢場的改進算法

針對不同應用場景，張強等[28]將全局路徑規劃算法與局部路徑規劃算法相結合，提出1種融合安全A*和人工勢場的融合算法，在A*算法中的代價函數里添加安全距離，并將A*算法中的部分關鍵節點設置為人工勢場中的目標點提供吸引力，經仿真驗證，該方法所規劃的路徑簡短且避障能力較好。

音凌一等[29]為了解決適用于全局路徑規劃的灰狼優化算法求解效率低和易陷入局部最優的問題，將灰狼算法全局路徑規劃的節點設置為人工勢場臨時目標點，并改進臨時目標點為臨時邊界，進行局部路徑規劃。最終通過仿真表明，在全局靜態環境和局部動態環境下，該融合算法在規劃路徑時有效性很好。

Wu 等[30]提出了1 種將人工勢場法和IRRT*算法相結合的融合算法，把人工勢場法中的勢場引入IRRT*算法中的搜索樹擴展階段，提供搜索樹擴展方向指引，提高了IRRT*算法的收斂率和搜索效率。同樣，辛鵬等[31]為了減小快速探索隨機樹法擴展時的隨機性，把擴展方向通過人工勢場法進行約束，減少隨機樹向正確目標點擴展的探索時間。

2.4 小結

人工勢場法是基于虛擬勢場的路徑規劃算法，它通過構造人工勢場來引導物體在環境中移動，從而實現物體自主避障和路徑規劃。人工勢場法的優勢主要包括：算法簡單易懂、實時性好，且可以用于包括室內室外、平面地形和復雜地形多種場景。其缺點在于作為1種局部路徑規劃方法，存在局部極值點問題，當物體陷入極值點后將無法繼續前進。且該方法在使用過程中需要設定一系列參數，如障礙物排斥力、目標點吸引力等，這些參數設置需要經驗和調試，可能會影響路徑規劃效果。

未來展望方面，人工勢場法作為1 種經典的路徑規劃算法，已經被廣泛應用于實際場景中。隨著人工智能技術的發展，人工勢場法仍然具有重要的應用前景。人工勢場法也可以與其它路徑規劃算法相結合，或者與神經網絡技術相結合，形成更加高效和使用便捷的路徑規劃算法。

3 結束語

避障技術在自動駕駛汽車或者是其他無人設備上來說都是1 項核心功能，針對動態或靜態環境，合理、高效規劃出1條平穩、無碰撞的路徑是避障運動能否安全完成的重要核心，本文對3種局部路徑規劃方法優缺點和目前發展現狀進行了綜述。

概率路線圖法和快速探索隨機樹法均是基于采樣的路徑規劃方法。概率路線圖的優點在于隨著搜索時間增加，其成功規劃出路徑的概率會快速向1收斂，具備概率的完備性。快速探索隨機樹法的優點在于有更強方向性，且相比于概率路線圖流程更加簡單。但是這2種規劃方法都存在著規劃時間較長的問題。而人工勢場法優點在于生成的路徑平滑、計算量小，同時該方法對傳感器的誤差有一定的魯棒性，其缺點在于存在局部極值和目標不可達問題。

在進行路徑規劃時，研究人員需要根據不同的待規劃環境采用不同的路徑規劃策略。就目前而言，多種算法融合后進行路徑規劃，往往比單種規劃方法所得到的路徑規劃效果好，同時也可避免一些如探索隨機樹擴展時間長、人工勢場法容易陷入陷阱區域的問題。