基于改進(jìn)卷積網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法

摘 要：為了提高無人駕駛汽車動(dòng)態(tài)避障的成功率，實(shí)現(xiàn)路徑最優(yōu)規(guī)劃目標(biāo)，本文引入了改進(jìn)卷積網(wǎng)絡(luò)，并開展了基于該網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法研究。首先，建立了精確的汽車運(yùn)動(dòng)學(xué)模型，以描述無人駕駛汽車在行駛過程中的運(yùn)動(dòng)學(xué)特性。其次，對(duì)道路障礙物目標(biāo)位置進(jìn)行檢測(cè)，連續(xù)獲取道路動(dòng)態(tài)障礙物目標(biāo)的信息，預(yù)測(cè)障礙物未來的位置和速度。最后，在此基礎(chǔ)上，利用改進(jìn)卷積網(wǎng)絡(luò)計(jì)算了無人駕駛汽車動(dòng)態(tài)避障路徑損失函數(shù)，評(píng)估了規(guī)劃避障路徑與實(shí)際目標(biāo)路徑之間的差距。同時(shí)，輔助人工勢(shì)場(chǎng)法求解勢(shì)能的最小值，得到了汽車避障路徑。試驗(yàn)結(jié)果表明，應(yīng)用本文提出的規(guī)劃方法后，在6個(gè)車道上，無人駕駛汽車的動(dòng)態(tài)避障成功率始終高于另外2個(gè)對(duì)照組，均達(dá)到了99%以上，可以有效地識(shí)別障礙物并進(jìn)行避障。

關(guān)鍵詞：改進(jìn)卷積網(wǎng)絡(luò)；無人駕駛汽車；動(dòng)態(tài)；避障；規(guī)劃；路徑

中圖分類號(hào)：TP 301 " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著科技的快速發(fā)展，無人駕駛汽車已成為當(dāng)今研究的熱點(diǎn)之一。無人駕駛汽車主要通過車載傳感器的感知作用，實(shí)時(shí)感知并識(shí)別汽車行駛周邊的環(huán)境信息和狀態(tài)變化，這些感知信息被用來控制汽車的轉(zhuǎn)向和速度，實(shí)現(xiàn)無須人工駕駛的目標(biāo)[1]。作為智能化控制技術(shù)的產(chǎn)物，無人駕駛汽車在運(yùn)行過程中必須同時(shí)具備多種功能，包括行駛路徑規(guī)劃、決策控制以及定位導(dǎo)航等。只有這些功能相互協(xié)調(diào)，才能保障無人駕駛汽車在行駛過程中的安全性，同時(shí)也能為乘客提供良好的乘車體驗(yàn)[2]。其中，動(dòng)態(tài)避障路徑規(guī)劃是確保無人駕駛汽車安全行駛的關(guān)鍵技術(shù)之一，旨在規(guī)劃一條避開障礙物的安全路徑，使汽車能夠順利到達(dá)目的地[3]。

當(dāng)前，傳統(tǒng)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法多采用文獻(xiàn)[3]提出的方法，當(dāng)使用這些方法處理動(dòng)態(tài)避障路徑規(guī)劃問題時(shí)，往往存在準(zhǔn)確性不高、實(shí)時(shí)性不強(qiáng)等問題。

改進(jìn)卷積網(wǎng)絡(luò)（Convolutional Neural Network，CNN）能夠改善傳統(tǒng)避障路徑規(guī)劃方法的不足。通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化和改進(jìn)，以提高其在特定任務(wù)上的性能和準(zhǔn)確性[4]。改進(jìn)卷積網(wǎng)絡(luò)的目標(biāo)是更好地處理具有類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)以及在處理過程中提高網(wǎng)絡(luò)的特征提取能力和泛化性能。

基于此，本文引入了改進(jìn)卷積網(wǎng)絡(luò)，并開展了基于該網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法研究，旨在提高無人駕駛汽車的安全性和行駛效率。通過優(yōu)化和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，提高動(dòng)態(tài)避障路徑規(guī)劃的準(zhǔn)確性和實(shí)時(shí)性，使無人駕駛汽車能夠在復(fù)雜的環(huán)境中實(shí)現(xiàn)自主駕駛。

1 無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法研究

1.1 無人駕駛汽車運(yùn)動(dòng)學(xué)建模

由于無人駕駛汽車是一個(gè)多自由度、高耦合度的復(fù)雜系統(tǒng)，因此在對(duì)其動(dòng)態(tài)避障路徑進(jìn)行規(guī)劃之前，需要建立1個(gè)精確的模型來描述無人駕駛汽車在行駛過程中的運(yùn)動(dòng)學(xué)特性。根據(jù)這些特性，可以規(guī)劃與車輛控制需求適配度最高的避障路徑[5]。

本文建立的無人駕駛汽車運(yùn)動(dòng)學(xué)模型模型如圖1所示。

在圖1中，用位于A點(diǎn)的車輪代替無人駕駛汽車的2個(gè)左、右前輪；用位于B點(diǎn)的中央后輪代替無人駕駛汽車的2個(gè)左、右后輪；φ用于描述車輛的方向；β為質(zhì)心側(cè)偏角；R為車輛的轉(zhuǎn)向半徑；v為車輛質(zhì)心處的速度。在無人駕駛汽車運(yùn)動(dòng)學(xué)模型中，假設(shè)A點(diǎn)和B點(diǎn)處車輛的速度矢量分別為前后輪的方向且均為0，則此時(shí)汽車的航向角如公式（1）所示。

θ=φ+β " " " " " " " " " " " " "（1）

式中：θ為汽車的航向角；φ為車輛的方向；β為質(zhì)心側(cè)偏角。

汽車的運(yùn)動(dòng)學(xué)模型表達(dá)式如公式（2）所示。

（2）

式中：x'、y'、φ'分別為汽車橫向坐標(biāo)、縱向坐標(biāo)、方向夾角；v為車輛質(zhì)心處的速度；L為行駛距離；δf、δr分別為汽車前輪轉(zhuǎn)角與后輪轉(zhuǎn)角。汽車的速度屬于外部變量，可以通過傳感器測(cè)量得出。

由于無人駕駛汽車對(duì)橫向加速度有嚴(yán)格的限制，因此，在汽車換道避障過程中，不會(huì)發(fā)生側(cè)向滑動(dòng)現(xiàn)象[6]。通過汽車運(yùn)動(dòng)學(xué)建模，明確汽車在行駛過程中的狀態(tài)量與控制量，根據(jù)二者之間存在的關(guān)聯(lián)，保證汽車行駛的穩(wěn)定性[7]。

1.2 障礙物目標(biāo)位置檢測(cè)

無人駕駛汽車在運(yùn)動(dòng)學(xué)建模完成后，獲取汽車行駛的狀態(tài)量與控制量，然后，對(duì)道路障礙物目標(biāo)位置進(jìn)行檢測(cè)，連續(xù)獲取道路動(dòng)態(tài)障礙物目標(biāo)的信息，為后續(xù)動(dòng)態(tài)避障路徑規(guī)劃提供有力的支持。利用超聲波傳感器采集道路圖像或點(diǎn)云數(shù)據(jù)。對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，包括濾波、去噪、圖像增強(qiáng)等，以提高道路障礙物目標(biāo)數(shù)據(jù)的質(zhì)量和可靠性[8]。采用基于特征的方法原理，根據(jù)預(yù)處理后的數(shù)據(jù)識(shí)別障礙物。道路動(dòng)態(tài)障礙物識(shí)別包括二分類（有無動(dòng)態(tài)障礙物）和多分類（不同種類的動(dòng)態(tài)障礙物）2種[9]。根據(jù)識(shí)別結(jié)果，對(duì)障礙物的位置進(jìn)行估計(jì)。跟蹤檢測(cè)到的障礙物，預(yù)測(cè)其未來的位置和速度，以便無人駕駛汽車能夠動(dòng)態(tài)避障。

1.3 基于改進(jìn)卷積網(wǎng)絡(luò)規(guī)劃汽車動(dòng)態(tài)避障路徑

道路障礙物目標(biāo)位置檢測(cè)完畢后，得到道路動(dòng)態(tài)障礙物相關(guān)信息。在此基礎(chǔ)上，利用改進(jìn)卷積網(wǎng)絡(luò)規(guī)劃無人駕駛汽車最優(yōu)的動(dòng)態(tài)避障路徑。

利用改進(jìn)卷積網(wǎng)絡(luò)計(jì)算無人駕駛汽車動(dòng)態(tài)避障路徑的損失函數(shù)，如公式（3）所示。

H=∑（di-di'）?2/n （3）

式中：H為無人駕駛汽車動(dòng)態(tài)避障路徑損失函數(shù)；di為規(guī)劃出的路徑從第i個(gè)采樣點(diǎn)到目標(biāo)點(diǎn)的距離；di'為實(shí)際目標(biāo)路徑從第i個(gè)采樣點(diǎn)到目標(biāo)點(diǎn)的距離；n為采樣點(diǎn)的數(shù)量。

通過路徑損失函數(shù)，可以評(píng)估規(guī)劃的避障路徑與實(shí)際目標(biāo)路徑之間的差距。在此基礎(chǔ)上，綜合考慮無人駕駛汽車換道避障時(shí)的車輛穩(wěn)定性與安全性，以控制汽車換道躍度值為目標(biāo)，規(guī)劃動(dòng)態(tài)避障路徑。設(shè)定無人駕駛汽車的起始點(diǎn)橫坐標(biāo)為x0，終點(diǎn)橫坐標(biāo)為xf。以汽車的質(zhì)心O（x，y）作為位置坐標(biāo)，根據(jù)汽車可行駛區(qū)域的相關(guān)參數(shù)，確定汽車質(zhì)心的可行駛區(qū)域。在此基礎(chǔ)上，尋找避障路徑規(guī)劃的最優(yōu)控制量。在無人駕駛汽車換道避障的過程中，以避障最短時(shí)間作為路徑規(guī)劃的性能指標(biāo)，使汽車能夠以最短的時(shí)間避開道路前方的動(dòng)態(tài)障礙物，并實(shí)現(xiàn)變道。

利用障礙物環(huán)境地圖和無人駕駛汽車的初始狀態(tài)，以汽車運(yùn)動(dòng)學(xué)特性約束為基礎(chǔ)，根據(jù)汽車是否達(dá)到預(yù)測(cè)行駛步長進(jìn)行判斷，初步獲取期望的避障規(guī)劃路徑。然后，輔助以人工勢(shì)場(chǎng)法原理，建立人工勢(shì)場(chǎng)模型（如圖2所示）。

在整個(gè)人工勢(shì)場(chǎng)環(huán)境中，無人駕駛汽車受到動(dòng)態(tài)障礙物施加的斥力勢(shì)場(chǎng)作用以及終點(diǎn)施加的引力勢(shì)場(chǎng)作用，使汽車能夠遠(yuǎn)離動(dòng)態(tài)障礙物，向避障終點(diǎn)運(yùn)動(dòng)。人工勢(shì)場(chǎng)的數(shù)學(xué)表達(dá)式如公式（4）、公式（5）所示。

U=Ua+Ub （4）

式中：U為人工勢(shì)場(chǎng)；Ua為避障終點(diǎn)所施加的引力勢(shì)場(chǎng)函數(shù)；Ub為障礙物時(shí)間的斥力勢(shì)場(chǎng)函數(shù)。

F=Fa+Fb （5）

式中：F為無人駕駛汽車受力；Fa為無人駕駛汽車受到的引力；Fb為無人駕駛汽車受到的斥力。

通過求解總勢(shì)能的最小值，得到汽車的避障路徑。通過無人駕駛汽車的控制系統(tǒng)控制車輛沿著規(guī)劃后的路徑行駛，實(shí)現(xiàn)動(dòng)態(tài)避障。同時(shí)，不斷更新車輛周圍的環(huán)境信息，以便在行駛過程中能夠?qū)崟r(shí)進(jìn)行動(dòng)態(tài)避障路徑的規(guī)劃。

2 試驗(yàn)分析

2.1 試驗(yàn)準(zhǔn)備

本文選擇Gazebo無人駕駛汽車模擬平臺(tái)來模擬此次試驗(yàn)所需的無人駕駛汽車行駛環(huán)境。該模擬平臺(tái)提供了逼真的車輛動(dòng)力學(xué)模型和道路環(huán)境，可以模擬多種傳感器，包括激光雷達(dá)、攝像頭以及GPS等。在Gazebo平臺(tái)中，筆者分別進(jìn)行了道路環(huán)境建模與障礙物建模。設(shè)置道路全長為1 200 m，總共包含6個(gè)車道，每條車道寬度均為3.75 m?；诓煌慕煌ㄊ鹿是闆r，筆者在6個(gè)車道上分別設(shè)置了不同位置的障礙物。其中，障礙物的縱向距離設(shè)置為60.5 m，無人駕駛汽車換道避障的橫向距離為3.75 m。為了訓(xùn)練和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型，需要采集大量的駕駛數(shù)據(jù)，包括車輛的位置、速度、加速度以及障礙物信息等。可以使用模擬平臺(tái)或?qū)嶋H傳感器來采集這些數(shù)據(jù)，并使用適當(dāng)?shù)墓ぞ邔?duì)數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)注。預(yù)處理和標(biāo)注后的駕駛數(shù)據(jù)見表1。

在上述試驗(yàn)準(zhǔn)備完畢后，筆者運(yùn)用提出的基于改進(jìn)卷積網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法，進(jìn)行了避障路徑規(guī)劃試驗(yàn)。

2.2 結(jié)果分析

為了更好地驗(yàn)證本文提出的動(dòng)態(tài)避障路徑規(guī)劃方法的可行性及規(guī)劃效果，本文引入了對(duì)比分析的方法。將本文提出的基于改進(jìn)卷積網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法設(shè)置為實(shí)驗(yàn)組，將文獻(xiàn)[2]提出的基于Lattice算法的路徑規(guī)劃方法、文獻(xiàn)[4]提出的避障路徑分層規(guī)劃方法分別設(shè)置為對(duì)照組1與對(duì)照組2。通過對(duì)比分析，筆者判斷提出方法的可行性。

本文選取無人駕駛汽車動(dòng)態(tài)避障規(guī)劃路徑的避障成功率，作為本次試驗(yàn)的對(duì)比指標(biāo)，評(píng)估規(guī)劃出的路徑是否能夠使無人駕駛汽車準(zhǔn)確地避開設(shè)置的障礙物。計(jì)算過程如公式（6）所示。

（6）

式中：Q為避障成功率，Q值越大，說明規(guī)劃的動(dòng)態(tài)避障路徑準(zhǔn)確性越高，反之同理；Rx為動(dòng)態(tài)避障規(guī)劃路徑成功避開障礙物的次數(shù)；R為總測(cè)試次數(shù)。

對(duì)上述的6個(gè)模擬車道進(jìn)行編號(hào)，分別為DL-01#、DL-02#、DL-03#、DL-04#、DL-05#、DL-06#。筆者測(cè)定了應(yīng)用3種規(guī)劃方法后，動(dòng)態(tài)避障路徑的避障成功率，并進(jìn)行了客觀對(duì)比，結(jié)果如圖3所示。

通過圖3的評(píng)估指標(biāo)對(duì)比結(jié)果可以看出，應(yīng)用3種規(guī)劃方法后，規(guī)劃路徑的避障成功率存在明顯差異。應(yīng)用本文提出的基于改進(jìn)卷積網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法后，6個(gè)車道的無人駕駛汽車動(dòng)態(tài)避障成功率始終高于另外2個(gè)對(duì)照組，均達(dá)到了99%以上。這表明該方法可以有效地識(shí)別障礙物并進(jìn)行避障，具有較高的可行性，對(duì)提高無人駕駛汽車行駛的安全性起到了重要作用。

3 結(jié)語

綜上所述，動(dòng)態(tài)避障路徑規(guī)劃是無人駕駛汽車必須具備的性能之一，對(duì)無人駕駛汽車行駛的安全性、舒適性以及可靠性起到了重要作用。因此，本文提出了一種基于改進(jìn)卷積網(wǎng)絡(luò)的無人駕駛汽車動(dòng)態(tài)避障路徑規(guī)劃方法。試驗(yàn)結(jié)果表明，該方法能夠在復(fù)雜的環(huán)境中有效地識(shí)別障礙物并預(yù)測(cè)其運(yùn)動(dòng)軌跡，同時(shí)能夠規(guī)劃一條安全、高效的避障路徑，提高汽車避障成功率。本文的研究可以提高無人駕駛汽車的安全性和行駛效率，推動(dòng)智能化汽車控制行業(yè)的發(fā)展。除此之外，本文提出的研究還可以為其他領(lǐng)域的路徑規(guī)劃問題提供參考，具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1]張立霞，張莉莉，劉晉麗.基于強(qiáng)化學(xué)習(xí)優(yōu)化汽車智能換道與間距預(yù)警的汽車避障系統(tǒng)[J].自動(dòng)化與儀器儀表， 2023（8）：139-143.

[2]任書宇，吳欽木，周還籍.基于改進(jìn)A～*和Lattice算法的自動(dòng)駕駛汽車路徑規(guī)劃研究[J].計(jì)算機(jī)與數(shù)字工程，2023，51（2）：342-347.

[3]李亞輝，劉成曄，趙景波，等.自動(dòng)駕駛汽車路徑規(guī)劃與軌跡跟蹤研究綜述[J].常州工學(xué)院學(xué)報(bào)，2023，36（1）：28-33.

[4]劉藝，童亮，徐子豐，等.考慮障礙物風(fēng)險(xiǎn)場(chǎng)的智能車輛避障路徑分層規(guī)劃方法[J]. 北京信息科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，38（1）：24-31.

[5]陳鵬宇，孔令安，彭憶強(qiáng).基于五階Bezier曲線的無人車避障軌跡規(guī)劃[J].科學(xué)技術(shù)與工程，2022，22（31）：13933-13941.

[6]李文禮，肖凱文，任勇鵬，等.行人過街場(chǎng)景下車輛避障路徑規(guī)劃與控制方法[J].汽車安全與節(jié)能學(xué)報(bào)，2022，13（3）：489-501.

[7]張智能，李以農(nóng)，余穎弘，等.復(fù)雜動(dòng)態(tài)環(huán)境下智能汽車局部路徑規(guī)劃與跟蹤算法研究[J].中國公路學(xué)報(bào)，2022，35（9）：372-386.

[8]劉名洋，宋瑞，周建華，等.自動(dòng)駕駛軌跡預(yù)測(cè)規(guī)劃技術(shù)及在交叉路口下的應(yīng)用[J].北京汽車，2022（3）：1-7，13.

[9]李耀華，范吉康，劉洋，等.自適應(yīng)雙時(shí)域參數(shù)MPC的智能車輛路徑規(guī)劃與跟蹤控制[J].汽車安全與節(jié)能學(xué)報(bào)，2021，12（4）：528-539.