一種復雜場景下便捷通行路徑規劃新方法

中圖分類號：TP391.92 文獻標志碼：A文章編號：1001-5922（2025）05-0147-04

Abstract：At present，the conventional trafic path planning algorithm mainly optimizes the shortest path by constructing a dep learning model. However，due to the lack of detailed modeling of complex scenes，the path planning effctis not good.Inthis regard，anoptimization algorithmforconvenient passage path planning in complex scenarios was proposed.Firstly，the vehicle-mounted sensor was used to extract the keypoint information of theobstacle and construct a global coordinate system.Then，based on the passability ofthe site，a raster map was constructed to realize scene modeling.The path planning problem was transformed into the shortest travel time solving problem，and the objective function wasconstrained bycombining the path repetitionand travel speed.Finally，the heuristic function was introducedto optimize the smothness of the objective function planning results，soas to outputtheoptimal planning results.The test results showed that when the proposed method was used to planthe optimal path，the average path length of the algorithm was shorter，and the path planning effect is more ideal.

Key words ：complex scenarios ； path planning；shortest paths ； objective functions； access

路徑規劃算法的核心目標在于尋找出一條最短的通信路線，使目標對象能夠到達移動終點的同時，實現避障操作，并以最少的能耗完成配送任務。而在實際工作場景中，目標對象在執行配送任務時，通常會遇到大量的障礙物以及行駛限制條件。因此，針對障礙物的避障操作就成了路徑規劃工作的主要解決重點。對此，文獻[1]結合A 算法，以智能汽車作為規劃對象，通過采用A 算法對目標函數進行求解，提高了算法的迭代效果。文獻[2]將 算法與DWA算法進行融合處理，通過尋找傳感數據到路徑規劃結果之間的對應關系，對規劃效果進行了有效優化。研究通過將路徑規劃問題轉換為最短行駛時間求解問題，通過構建目標優化函數，實現最短規劃路徑的求解[3] 。

1復雜場景下便捷通行路徑規劃優化算法

1.1復雜場景下障礙物信息采集與坐標系轉換

為對便捷通行路徑進行規劃，以無人駕駛車為例，首先針對無人駕駛車的復雜工作場景進行分析，在此基礎上對復雜場景中的障礙物信息進行采集，并對信息點坐標系進行轉換，為后續的路徑規劃優化提供幫助。障礙物按照運動情況一般可以分為靜態障礙物與動態障礙物。受到復雜地形因素的影響，在對障礙物信息進行采集的過程中，采集結果通常無法與實際障礙物的位置信息進行良好匹配 因此，為了提高采集信息與障礙物信息的實際匹配情況，針對障礙物的共同特點，對信息提取點進行規定，具體信息提取點分別為障礙物左右輪廓邊緣、障礙物尺寸、障礙物與無人駕駛車的相對距離、動態障礙物的相對移動速度。上述信息提取點的具體數據可以通過車載傳感器獲得[5]。假設傳感器與障礙物的最近直線距離為 d ，障礙物左右輪廓最高點與無人駕駛車的夾角分別為 和 ，障礙物最近點與無人駕駛車的夾角為 ，傳感器所探測到的障礙物橫向長度為W，由此構建出的復雜場景下障礙物信息采集示意圖如圖1所示。

圖1中，點1為無人駕駛車與障礙物的最近直線距離點，點2與點3分別為障礙物左、右側邊緣點，其對應的坐標分別為（x1， ）、（ ）、（ ， ）。由此構建出的基準點坐標表達式如下所示。

式中： 為障礙物左右側邊緣點的中心，該點也是障礙物信息的重構基準點。

在對障礙物進行坐標系轉換時，也需要對基準點進行更改。因此，假設轉換完的全局基準點坐標為 ），由此得到的坐標表達式如下所示。

式中： 為在新生成的全局坐標系中，障礙物信息點編號為j時對應的夾角集合； 為無人駕駛車的航向角度； 為無人駕駛車的原始坐標； 為新生成的全局坐標系中，障礙物的實際移動坐標。

根據上式坐標表達式，對新生成的全局基準點坐標進行更新，并將該坐標作為新坐標系的原點，即可構建出以障礙物為坐標中心的全局坐標系，從而完成對于障礙物信息的坐標系轉換[6]

1.2路徑規劃目標函數構建

針對上述提取出的障礙物信息可以看出，無人駕駛車如果想實現最短路徑規劃，需要在最短的時間內尋找出一條最優的無障礙路線，從而實現避障優化[7]。由于無人駕駛車的行駛速度是恒定不變的，因此對于路徑規劃的求解可以轉換為對最短行駛時間的求解。對此，以無人駕駛車最短行駛時間作為自標函數，假設無人駕駛車的行駛狀態包括3種，分別為直行狀態、轉彎狀態以及等待狀態[8]為便于分析，首先對無人駕駛車的行駛場地進行柵格地圖構建，具體柵格地圖如圖2所示。

在圖2中，顏色越深，代表該地區的通行能力越差。4種指標分別對應不同的通行能力，因此采用圖2中的4種指標對當前地形的平坦程度進行表征[9]。其中， 為完全平坦區域，即當前柵格區域中不存在障礙物； 為相對平坦區域，代表當前柵格區域中，無人駕駛車可以通過改變直行角度實現避障； 為障礙區域，該區域代表無人駕駛車可以通過轉彎操作實現避障； 為完全阻礙區域，該區域代表無人駕駛車無法實現避障，需要原路進行返回，從而嘗試其他通行路線 。假設無人駕駛車在3種行駛狀態下，通過一個柵格的單位時間成本分別為 和 ，由此構建出的路徑規劃目標函數表達式如下所示。

式中： 為所有無人駕駛車的行駛總時間； 為第 i 輛無人駕駛車所行駛經過的柵格數量； 和 分別為第 i 輛無人駕駛車在進行避障操作時的轉彎次數

以及等待次數。

針對上述構建出的路徑規劃目標函數，采用任務節點以及執行任務時間對上述函數進行約束，從而保證每個運輸任務只有一輛無人駕駛車執行，同時也能夠有效保證無人駕駛車在進行避障操作時，不同任務之間的路線不會出現沖突。假設 為第 i 輛無人駕駛車需要執行編號為 q 的配送任務。由此得到的約束條件表達式如下所示。

式中： 和 分別為無人駕駛車在執行編號為q的配送任務時，進入柵格地圖的時間以及離開時間。

同時，受到場地規模的限制，無人駕駛車在執行任務配送時，速度不能過快[1]。因此除了路徑重復情況以外，還針對無人駕駛車的移動速度進行了約束，具體約束表達式如下所示。

式中： 和 為無人駕駛車的最大相速度以及最大角速度； 為無人駕駛車在執行配送任務時的平均行駛速度。

通過上述約束，可以保證無人駕駛車在執行配送任務時，行駛速度不會超出額定限值，從而保證了行駛過程中的安全性[12]

1.3路徑規劃目標函數求解

針對上述構建出的路徑規劃目標函數，通過結合啟發式函數優化法，對自標函數進行優化求解，從而實現無人駕駛車的便捷路徑規劃與優化[13]。假設搜索節點的代價函數為 f（x） ，具體函數表達式如下所示。

式中： 為搜索節點的實際代價； h（n） 為代價評估值。

采用上述代價函數對路徑規劃目標函數進行求解時，由于缺乏對移動距離的限制，導致求解出的路徑規劃結果可能存在路徑較長的問題。因此引入啟發式函數，對上述代價函數進行優化，從而優化目標函數的路徑規劃效果。具體啟發式函數表達式如下所示。

式中： d 和 D 分別為無人駕駛車當前位置到目標點的距離，以及無人駕駛車原始位置到目標點的距離。

通過采用上述啟發式函數對目標函數進行優化求解，可以提高規劃路線的平滑性，從而優化路徑規劃效果，減少路線中的折線部分。

綜合上述步驟，整理出來的路徑規劃流程如圖3所示 。

由圖3可以看出，首先采用車載傳感器，對無人駕駛車周邊的傳感數據進行采集，具體包括障礙物的關鍵位置點數據，從而以障礙物為坐標原點，構建出全局坐標系。在此基礎上對障礙物信息點進行重構處理。將障礙物的重構結果與劃分出的柵格地圖進行結合，即可完成環境建模工作。然后以無人駕駛車最短行駛時間作為優化目標，構建出路徑規劃目標函數，并對目標函數進行約束限制。最后，通過采用啟發式函數對目標函數進行優化求解，從而對無人駕駛車的行駛狀態進行更新。通過判定輸出的規劃結果是否為預測的最優步長，輸出最優路徑規劃值[15] 。

2 實驗論證

2.1 實驗說明

為驗證提出的復雜場景下便捷通行路徑規劃優化算法在實際路徑規劃效果方面的有效性，實驗選取了2種常規的移動路徑規劃算法作為對比對象，分別為基于蟻群算法的移動路徑規劃算法，以及基于通行度估計的移動路徑規劃算法。通過構建實驗平臺，采用3種路徑規劃方法對同一個派送任務進行規劃，對比不同方法下的實際規劃效果。

2.2 實驗準備

實驗通過采用MATLAB軟件，模擬出無人駕駛車的避障環境。為保證實驗結果的嚴謹性，3種路徑規劃方法將在同一個柵格地圖中進行。對此，所模擬出的實驗環境如圖4所示。

在圖4的實驗環境中，黑色部分代表障礙物，白色部分代表無人駕駛車。為保證實驗效果，實驗模擬出了不同軌跡的移動路線，用于對仿真柵格場景進行測試，部分移動路線數據如表1所示。

針對表1中的移動路線數據，在原始實驗環境中選取了15處位置作為目標點，編號分別為1＼～15。其中，前5個目標點為必須經過位置，后10個位置為可以因避障操作而忽略的位置，具體測試環境如圖5所示。

針對圖5構建出的實際測試環境，實驗對路徑搜索時間進行限制。將3種方法的規劃時間均限制在120s以內，對比不同規劃方法下的每種最優規劃路線的平均路徑長度，從而比較出不同方法的實際規劃效果。

2.3路徑規劃效果對比

對比實驗選取的不同規劃方法的實際規劃性能，具體衡量指標為相同搜索時間內，所有最優路徑的平均長度，該值越低，代表算法的規劃效果越好，具體實驗結果如圖6、圖7所示。

由圖6和圖7可知，在不同柵格尺寸下，不同路徑規劃方法所規劃出的最優路徑平均長度均有所不同。通過數值上的對比可以明顯看出，2種常規的路徑規劃算法在給定的時間限制內，所規劃出的最優路徑平均長度均不夠理想，同時路徑長度也會受到柵格尺寸的影響而出現較大的波動。研究提出的復雜場景下便捷通行路徑規劃優化算法在規劃效果上明顯優于2種常規的路徑規劃方法。在規定時間內，算法所輸出的最優路徑平均長度低于2種常規的路徑規劃方法。

3結語

針對常規的路徑規劃方法在規劃效果方面不夠理想的問題，通過結合啟發式函數，提出了一種新型的路徑規劃方法。在今后的研究工作中，還需對算法的檢測指標進行優化分析，從而檢測出算法在不同方面的具體規劃性能。

【參考文獻】

[1］梁超.基于深度學習和A～*算法的智能車路徑規劃研究［J].汽車實用技術，2023，48（15）：87-94.

［2]拓應全.基于網絡技術的井下無軌膠輪車交通管控系統設計優化[J].粘接，2023，50（1）：182-186.

[3]張潔.基于優化算法的核環境巡檢機器人路徑規劃[J].機械設計與研究，2023，39（3）：27-30.

[4]張威，張鑫中，王叢佼，等.改進灰狼算法的變電站巡檢機器人路徑規劃[J].重慶理工大學學報（自然科學），2023，37（6）：129-135.

[5］陳渝.基于非完全平坦地形下的移動機器人路徑規劃[J].電腦編程技巧與維護，2023（7）：133-136.

[6]李立，魏曉晨.云環境下的倉儲物流機器人路徑規劃方法研究[J].機械設計與制造工程，2023，52（7）：51-55.

[7]葉梓菁，魏文紅，李環，等.基于改進粒子群算法的無人機路徑規劃[J].東莞理工學院學報，2023，30（3）：18-23.

[8]衛海.輕量化碳纖維夾芯結構復合材料在軌道交通領域研究進展[J].粘接，2022，49（9）：73-76.

[9]寧競，龍妍.改進蟻群算法的煤礦巡檢機器人路徑規劃[J].煤炭技術，2023，42（6）：235-237.

[10]梁健，顏愛忠，鄭安琪，等.基于 ROS 的履帶式機器人自主建圖與路徑規劃研究［J].科技創新與應用，2023，13（19） ：51-54.

[11]李繁繁，陳長瑤，楊旺舟.多重因素下西南邊疆地區中心城市空間可達性分析——以云南省為例[J].云南師范大學學報（自然科學版），2022，42（6）：57-63.

[12]孔慧芳，夏露，張倩.基于改進人工勢場法的智能車輛避撞路徑規劃[J].合肥工業大學學報（自然科學版），2023，46（5）：583-589.

[13］茍丹丹，張開生，王放.物聯環境下擁堵道路汽車最優通行路徑選擇［J].單片機與嵌入式系統應用，2022，22（12） ：32-36.

[14］張沫，吳一卓.基于A*算法的搬運機器人路徑規劃優化[J].現代電子技術，2023，46（13）：135-139.

[15] 姚吉宇，江龍暉.基于改進的CBS算法的USV路徑規劃[J].中國航海，2023，46（2）：1-8.

[16]孫占峰，崔利功，于安琪，等.高粘高彈改性瀝青路面混合料對降噪性能的影響研究［J].粘接，2023，50（7） ：64-68.

[17]袁詩雪，吳凱，楊瑞波，等.物資采購統簽統付流程一體化決策算法［J].云南師范大學學報（自然科學版），2023，43（5）：49-53.

[18]肖岳平，陽倩，蘇焱鴻，等.基于改進A*與DWA算法融合的路徑規劃仿真設計［J].湖南工程學院學報（自然科學版），2023，33（2）：30-37.

[19] 徐潔，張銳，汪志鋒.改進蟻群算法在自動導引車路徑規劃中的應用[J].工業儀表與自動化裝置，2023（3）：88-92.

[20]薛光輝，劉爽，王梓杰，等.基于改進概率路線圖算法的煤礦機器人路徑規劃方法［J].工礦自動化，2023，49（6） ：175-181.

（責任編輯：平海）