轉(zhuǎn)向避撞工況下智能車輛的實(shí)時(shí)決策規(guī)劃

主題詞：智能駕駛 圖搜索 路徑規(guī)劃 轉(zhuǎn)向避撞中圖分類號(hào)：U461.91 文獻(xiàn)標(biāo)志碼：A DOI：10.19620/j.cnki.1000-3703.20240160

Real-Time Decision and Planning Algorithm for Intelligent Vehicles under Steering Collision Avoidance

Wen Gaobo，Wu Guangqiang （Tongji University，Shanghai 201800）

【Abstract】Inviewof the difficultyindesigning multi-objective planning algorithms during emergencysteering for collisionavoidanceandthecomplexityandvariabilityof thenumberandlocationofobstacles，ahierarchicaldecision-making planning algorithmcombining samplingandoptimization isproposed.Considering environmental and kinematicconstraints under structured roads，a variant of the A^* algorithm is used to establish the surrounding environmental potential field and compute the kinematiccostusingafifth-degree polynomial.Travellanesare establishedbasedonthecoarsetrajectories，and thequadratic planning problem is solved usingthe segmentation-plus-acceleration method toobtain smooth paths soas to ensurecomfortablepath planning，whileguidingthevehicleback tothecenteroftheroad.Theresultsofsimulationtestsand realvehicletestsshow thatthe proposed schemecan flexiblycomplete thedecision planning tasksacording todifferent obstacles and achieve emergency collsion avoidance.

KeyWords： Intelligent driving，Graph search，Path planning，Steering collision avoidance

【引用格式】溫高博，吳光強(qiáng).轉(zhuǎn)向避撞工況下智能車輛的實(shí)時(shí)決策規(guī)劃[J].汽車技術(shù)，2025（7）：13-22. WENGB，WUGQ.Real-TimeDecisionandPlanningAlgorithmforInteligent VehiclesunderSteeringCollsion Avoidance[J].Automobile Technology，2025（7）： 13-22.

1前言

轉(zhuǎn)向避撞工況復(fù)雜多變，涉及障礙物、道路等多重因素，且對(duì)車輛實(shí)時(shí)決策規(guī)劃要求極高。因此，高效決策規(guī)劃算法對(duì)于能提升車輛主動(dòng)避撞系統(tǒng)、保障行車安全至關(guān)重要。

目前，轉(zhuǎn)向避撞場(chǎng)景規(guī)劃方法主要包括函數(shù)法、采樣法、勢(shì)場(chǎng)法、優(yōu)化法等。函數(shù)法的優(yōu)勢(shì)在于計(jì)算簡(jiǎn)單，可以獲得平滑的軌跡，但局限于簡(jiǎn)單的換道避障場(chǎng)景，在某些特定位置會(huì)導(dǎo)致規(guī)劃失敗，難以分析運(yùn)動(dòng)學(xué)因素對(duì)規(guī)劃路徑的影響[1-3；采樣方法如RRT*、概率圖等方法在隨機(jī)生成的圖中進(jìn)行采樣節(jié)點(diǎn)[4-5]，并考慮了不同目標(biāo)如距離、速度與障礙物距離的影響，但多個(gè)障礙物的規(guī)劃軌跡依賴于采樣分辨率，同時(shí)存在軌跡曲率不連續(xù)的問(wèn)題[6-9;勢(shì)場(chǎng)法雖然考慮了目標(biāo)多樣化，但容易陷入局部最優(yōu)解；優(yōu)化方法能夠規(guī)劃平滑的軌跡的同時(shí)，納入了動(dòng)力學(xué)因素，但非線性規(guī)劃問(wèn)題求解相對(duì)困難[10-12]

分層決策規(guī)劃作為決策規(guī)劃算法的主流框架，通過(guò)結(jié)合采樣和優(yōu)化方法的優(yōu)勢(shì)，在上層利用圖搜索算法綜合考慮障礙物位置、采樣曲線平滑性和參考線的因素搜索出一條粗軌跡，再在下游利用優(yōu)化算法進(jìn)行平滑[13-14]，在規(guī)劃時(shí)不會(huì)因障礙物的位置、數(shù)量導(dǎo)致規(guī)劃失敗。傳統(tǒng)的 A^*，D^* 等方法直接對(duì)生成的粗軌跡進(jìn)行優(yōu)化，而分層決策規(guī)劃僅將生成的粗軌跡作為決策的功能，確定后續(xù)優(yōu)化問(wèn)題的可行域，即行車通道[15-16]。再利用粗軌跡生成通道，作為二次規(guī)劃問(wèn)題的約束，并進(jìn)行求解。但現(xiàn)有的方法在采樣時(shí)未考慮運(yùn)動(dòng)學(xué)代價(jià)和代價(jià)的啟發(fā)項(xiàng)。

因此，本文針對(duì)緊急避撞問(wèn)題，在分層規(guī)劃的基礎(chǔ)上，結(jié)合 A^* 凸優(yōu)化的優(yōu)勢(shì)，考慮多目標(biāo)優(yōu)化的同時(shí)，提高模型場(chǎng)景適應(yīng)性。根據(jù)勢(shì)場(chǎng)法、函數(shù)法，考慮周圍環(huán)境與動(dòng)力學(xué)因素，設(shè)計(jì)變種 A^* 算法并計(jì)算粗軌跡，利用粗軌跡生成避障通道，采用分段加加速度法構(gòu)建二次規(guī)劃問(wèn)題并進(jìn)行求解，滿足平滑無(wú)碰且完成避撞后，可自動(dòng)返回參考線的要求。

2決策規(guī)劃算法

A*算法是結(jié)合啟發(fā)式方法和常規(guī)算法的采樣方法，盡管無(wú)法確定最優(yōu)解，但可找到一條最短路徑[]。利用五次多項(xiàng)式推導(dǎo)的運(yùn)動(dòng)學(xué)相關(guān)代價(jià)簡(jiǎn)化計(jì)算，并以列間鄰域進(jìn)行節(jié)點(diǎn)擴(kuò)展，即沿著道路中心線和垂直方向進(jìn)行離散，在考慮結(jié)構(gòu)化道路的影響的同時(shí)，也利于提升計(jì)算效率。

本文提出的決策規(guī)劃算法框架如圖1所示，從上游感知、定位、地圖信息中分別獲得障礙物狀態(tài)、自車狀態(tài)、道路信息，并將其作為決策規(guī)劃的輸人。由變種 A^* 算法計(jì)算粗軌跡，在每次節(jié)點(diǎn)更新時(shí)，根據(jù)當(dāng)前節(jié)點(diǎn)的坐標(biāo)分別計(jì)算運(yùn)動(dòng)學(xué)代價(jià)和環(huán)境勢(shì)場(chǎng)代價(jià)，包括節(jié)點(diǎn)擴(kuò)展中啟發(fā)式代價(jià)與累計(jì)代價(jià)。通過(guò)粗軌跡形成行車通道，同時(shí)作為分段加加速度優(yōu)化算法的約束條件。利用回歸參考線的代價(jià)與平滑代價(jià)構(gòu)建代價(jià)函數(shù)，將最終路徑傳遞至車輛運(yùn)動(dòng)控制模塊。

2.1 勢(shì)場(chǎng)的構(gòu)建

2.1.1 環(huán)境勢(shì)場(chǎng)

通過(guò)結(jié)合道路勢(shì)場(chǎng)與障礙物勢(shì)場(chǎng)的函數(shù)，得到如圖2環(huán)境勢(shì)場(chǎng)代價(jià) C_p ，其中，以沿道路中心線方向?yàn)?X 軸，與其垂向方向?yàn)?Y 軸，計(jì)算變種 A^* 算法的代價(jià)函數(shù)：

C_p=C_obs+C_l

式中： C_obs?C_l 分別為障礙物和道路相關(guān)的代價(jià)。

2.1.2 道路勢(shì)場(chǎng)

為了描述道路與障礙物風(fēng)險(xiǎn)，構(gòu)建道路勢(shì)場(chǎng)，如圖3所示，得到道路總代價(jià)為：

C₁=C_b+C_le

式中： 分別為道路邊界代價(jià)和道路中心線代價(jià)。

道路邊界、道路中心函數(shù)均采用高斯函數(shù)表示：

式中： y_min 和 y_max 為道路的邊界; η_b，η_lc 為代價(jià)系數(shù)；

為代價(jià)的形狀參數(shù)，其值越大，函數(shù)的影響范圍越小。

2.1.3 障礙物勢(shì)場(chǎng)

使用二維高斯函數(shù)描述障礙物勢(shì)場(chǎng)，如圖4所示。當(dāng)障礙車與自車的距離減小時(shí)，障礙車函數(shù)成指數(shù)級(jí)上升，后續(xù)決策更傾向于避開障礙物。障礙車勢(shì)場(chǎng)函數(shù)可表示為：

式中： η_obs 為代價(jià)的參數(shù)； δ_X，δ_Y 分別為縱向和橫向影響范圍的參數(shù)，其中， δ_X 取決于障礙車的車寬， δ_Y 取決于自車和障礙車的車速。

2.2運(yùn)動(dòng)學(xué)代價(jià)的計(jì)算

利用最優(yōu)控制理論推導(dǎo)出五次多項(xiàng)式[1]，計(jì)算代價(jià)并將其作為決策依據(jù)：

式中： t_f 為起點(diǎn)到終點(diǎn)的時(shí)間， w 為起點(diǎn)到終點(diǎn)沿 y 軸方向的距離， Δy_n 為節(jié)點(diǎn) n 從起點(diǎn)到終點(diǎn)的縱向距離， v₀ 為自車速度。

對(duì)式（5）兩次求導(dǎo)，則側(cè)向加速度的導(dǎo)數(shù)為：

根據(jù) ，得到側(cè)向加速度 a_y（t） 對(duì)應(yīng)的側(cè)向加速度極值，將其作為加速度項(xiàng)的代價(jià)C=1 車輛輪胎側(cè)偏角的線性區(qū)域?qū)?yīng)的橫向加速度低于 0.4g ，考慮到路面附著力，側(cè)向加速度與節(jié)點(diǎn)的范圍分別為：

2.2.1 多目標(biāo)的節(jié)點(diǎn)代價(jià)計(jì)算

關(guān)于計(jì)算多目標(biāo)的節(jié)點(diǎn)代價(jià)，累計(jì)代價(jià) C_Xi 主要考慮道路勢(shì)場(chǎng)、環(huán)境勢(shì)場(chǎng)和運(yùn)動(dòng)學(xué)3個(gè)方面。對(duì)時(shí)間 Φ_t 進(jìn)行微分，得到：

式中 ：x₀、v₀ 分別為自車沿 x 軸的起始點(diǎn)坐標(biāo)與速度 ，x_i 為節(jié)點(diǎn)在 x 軸方向的距離。

節(jié)點(diǎn)間的路徑為：

式中： 分別為計(jì)算節(jié)點(diǎn)間沿 x 軸和 y 軸方向的距離。

路徑長(zhǎng)度代價(jià)為：

式中 ：X_i 為節(jié)點(diǎn)， ?X_i+1 為后繼節(jié)點(diǎn)。

當(dāng)前節(jié)點(diǎn)的累計(jì)代價(jià)、啟發(fā)式信息代價(jià)分別為：

C_Xi=w_lC_l+w_aC_a+w_pC_p+C_Xi-1

H_Xi=w₁H₁+w_aH_a

式中： w₁，w_a，w_p 分別為路徑長(zhǎng)度、運(yùn)動(dòng)學(xué)和環(huán)境勢(shì)場(chǎng)產(chǎn)生的代價(jià)所占權(quán)重， C_Xi-1 為前繼節(jié)點(diǎn)的累計(jì)代價(jià)， ??H_l?H_a 分別為路徑長(zhǎng)度和運(yùn)動(dòng)學(xué)代價(jià)。

節(jié)點(diǎn)的總計(jì)代價(jià)為節(jié)點(diǎn)累計(jì)代價(jià)與啟發(fā)式信息代價(jià)之和，即 f_Xi=C_Xi+H_Xi°

2.2.2 節(jié)點(diǎn)擴(kuò)展

多目標(biāo)的節(jié)點(diǎn)擴(kuò)展計(jì)算流程如圖5所示，在搜索過(guò)程中，列舉當(dāng)前節(jié)點(diǎn) X_i（x_i，y_i） 的所有后繼節(jié)點(diǎn)，計(jì)算當(dāng)前節(jié)點(diǎn)與選中的后繼節(jié)點(diǎn)間的運(yùn)動(dòng)學(xué)與環(huán)境代價(jià)，并判斷是否符合要求。將符合條件的節(jié)點(diǎn)加入備選節(jié)點(diǎn)池OpenList，按照總代價(jià)的大小進(jìn)行排列。如此循環(huán)，直到規(guī)劃算法找到符合條件的終點(diǎn)。

假設(shè)節(jié)點(diǎn) X₀ 為自車位置，即搜索起點(diǎn)；節(jié)點(diǎn) X_r 為搜索終點(diǎn)，取決于規(guī)劃的總長(zhǎng)度；節(jié)點(diǎn)間通過(guò)五次多項(xiàng)式連接，可排除不符合運(yùn)動(dòng)學(xué)要求的節(jié)點(diǎn)，多項(xiàng)式的6個(gè)邊界約束條件分別為 x，y 方向起點(diǎn)位置和終點(diǎn)位置、速度、加速度。如式（7）中，當(dāng)加速度大于設(shè)定值時(shí)，則該節(jié)點(diǎn)不屬于當(dāng)前節(jié)點(diǎn)的后繼節(jié)點(diǎn)。

列間鄰域的節(jié)點(diǎn)擴(kuò)展如圖6所示，假設(shè)當(dāng)前節(jié)點(diǎn)為X₃₄ ，下一列節(jié)點(diǎn)中符合要求的節(jié)點(diǎn)有4個(gè)，分別為 X₄₆ X₄₅，X₄₄，X₄₃° 將 X₃₄ 與其后繼節(jié)點(diǎn)連接，可計(jì)算節(jié)點(diǎn)的累積代價(jià) C_Xi ;將 X₃₄ 與終點(diǎn)節(jié)點(diǎn) X_T 連接，可計(jì)算啟發(fā)式代價(jià) H_Xi° （204號(hào)

在轉(zhuǎn)向避撞方面，決策策略分為向左回避和向右回避。當(dāng)自動(dòng)駕駛汽車沿參考線行駛，但障礙車也位于參考線中心時(shí)，會(huì)出現(xiàn)2個(gè)代價(jià)相同的節(jié)點(diǎn)，分別表示向左或向右轉(zhuǎn)向的決策。在圖6中，此時(shí)選擇向左或向右的節(jié)點(diǎn)可能性相同，所以在幀間容易一幀向左、一幀向右，從而導(dǎo)致避讓機(jī)動(dòng)開始時(shí)的決策過(guò)程不穩(wěn)定。為此，可在右側(cè)節(jié)點(diǎn)的啟發(fā)式代價(jià)增加小數(shù)項(xiàng)：

2.3分段加加速度算法

2.3.1行車通道的構(gòu)建

變種 A^* 能夠提供車輛左轉(zhuǎn)或者右轉(zhuǎn)的一條粗軌跡，將其轉(zhuǎn)化為通道，確定二次規(guī)劃問(wèn)題的可行域，保證規(guī)劃路徑無(wú)碰撞。采用分段加加速度算法構(gòu)建二次規(guī)劃，得到一條曲率連續(xù)且能夠指引車輛返回參考線的路徑。為了滿足避撞需求，規(guī)劃路徑不能接觸道路兩側(cè)，也不能與障礙車相撞，如圖7所示。其中， y_i 為粗軌跡， y_max，y_min 分別為通道的最大值與最小值， l_max?l_min 分別為通道限制在 y 方向的最大值和最小值， W，L 分別為障礙車的寬度和長(zhǎng)度， d 為滿足主車與障礙車的最小距離， （x_obs，y_obs） 為障礙車坐標(biāo)， Δy 為障礙車當(dāng)前位置與碰撞位置間距， v_obs 為障礙車速度。

由于障礙車為動(dòng)態(tài)障礙物，所以需要對(duì)障礙車與自車可能發(fā)生碰撞的位置進(jìn)行預(yù)測(cè)。為了便于計(jì)算，假定障礙物的速度不變，則碰撞位置為：

根據(jù)前述的 A^* 算法獲得的粗軌跡（見圖7），可確定后續(xù)二次規(guī)劃問(wèn)題的可行域，其約束形式為：

式中： y_obs 為障礙車位置， N 為規(guī)劃長(zhǎng)度內(nèi)離散變量的數(shù)量。

2.3.2 二次規(guī)劃問(wèn)題構(gòu)建

優(yōu)化目標(biāo)函數(shù)和對(duì)應(yīng)約束的形式如下：

式中： w_ref 為車輛返回參考線的代價(jià)， .w₁..w₂.w₃ 分別為對(duì)y_i 的一階、二階、三階導(dǎo)數(shù)的代價(jià)， y_i，min 與 y_i，max 為通道的上、下限 ，y_i，min^′，y_i，max^′，y_i，min^′′，y_i，max^′′ 分別為各導(dǎo)數(shù)項(xiàng)的上、下限。

文獻(xiàn)[16]假設(shè) y^′′′ 在一段路徑內(nèi)保持不變，此類問(wèn)題的限制條件為：

因此，式（16）可以轉(zhuǎn)化為：

（204號(hào)（18）s.t. Y_min-D′′′max-D （204

其中， 1

式中： W 為權(quán)重矩陣， .y₀ 為起始點(diǎn)。

利用二次規(guī)劃在可行空間內(nèi)搜索最佳路徑，采用積極集法進(jìn)行求解，該函數(shù)可在Matlab中直接調(diào)用。

3仿真驗(yàn)證與分析

3.1 仿真測(cè)試場(chǎng)景

通過(guò)CarSim聯(lián)合Matlab/Simulink仿真模型進(jìn)行測(cè)試，如圖8所示，控制算法采用線性二次調(diào)節(jié)（LinearQuadraticRegulator，LQR）橫向控制算法[i8]，仿真車輛參數(shù)如表1所示。

3.2仿真驗(yàn)證結(jié)果

為了驗(yàn)證本文算法在不同場(chǎng)景的有效性，設(shè)計(jì)了4個(gè)實(shí)際測(cè)試場(chǎng)景：

a.工況1：靜態(tài)障礙物緊急避障測(cè)試（非換道情況）。

b.工況2：靜態(tài)障礙物緊急避障測(cè)試（換道情況）。

c.工況3：中高速動(dòng)態(tài)障礙物，自車換道避障。

d.工況4：前車急減速，自車換道避障。

工況1中，自車的決策規(guī)劃如圖9所示。算法輸出變種 A^* 輸出的路徑，生成如圖黑色虛線所包圍出的通道，后續(xù)由分段加加速度規(guī)劃出的路徑。在當(dāng)前場(chǎng)景中，自車前方車道 35m 與相鄰車道 60m 處均存在靜止的障礙車，自車執(zhí)行連續(xù)避撞。

工況1測(cè)試結(jié)果如圖10所示，從圖10a可知，車輛避開第1輛障礙車后，在 50m 處到達(dá)橫向坐標(biāo)峰值，同時(shí)開始避讓第2輛障礙車，在 150m 處達(dá)到穩(wěn)定狀態(tài)。在圖10b中，規(guī)劃軌跡的最大曲率保持在 0.05m^-1 以內(nèi)，曲率半徑為 20m ，規(guī)劃結(jié)果滿足控制需求。在圖10c中，第 1.4s 時(shí)，自車距離第1輛障礙車最近，第 2.8s 時(shí)，自車距離第2輛障礙車最近，其中，與第2輛障礙車的交互較危險(xiǎn)，避障過(guò)程中的最短距離為 2.92m ，主車仍能夠避開障礙車。在該工況下，本文算法能夠使車輛完成避撞任務(wù)，并回歸至原始車道。

在工況2中，自車前方車道 35m 與相鄰車道 20m 處分別存在一輛靜止的障礙車，自車執(zhí)行連續(xù)避撞，測(cè)試結(jié)果如圖11所示，車輛能夠順利避開兩輛障礙車。規(guī)劃軌跡的最大曲率為 0.08m^-1 ，曲率半徑為 12.5m ，最大控制橫向誤差為 0.8m ，表明規(guī)劃算法可以被控制跟蹤并收斂橫向誤差；第 10.8s 時(shí)，自車與第1輛障礙車的最短距離為 3.4m ，第1.54s時(shí)，自車與第2輛障礙車的最短距離為 2.22m ，表明主車與障礙車保持了一定的安全距離。因此，該工況下算法可以有效執(zhí)行避障任務(wù)并完成換道。

在工況3中，自車前方車道 20m 處有一輛以速度為60km/h 前進(jìn)的障礙車，當(dāng)自車與前車距離過(guò)近，執(zhí)行轉(zhuǎn)向避撞。測(cè)試結(jié)果如圖12所示，自車能夠順利執(zhí)行換道避障，規(guī)劃軌跡的最大曲率為 0.07m^-1 ，曲率半徑為14.3m ，最大控制橫向誤差為 0.47m ，表明規(guī)劃算法可以滿足控制需求并收斂橫向誤差；第6.2s時(shí)，自車與第1輛障礙車的最短距離達(dá)到 3.6m ，表明主車可以與障礙車保持一定的安全距離。因此，該工況下車輛能夠順利完成任務(wù)并進(jìn)行換道。

在工況4中，自車前方車道 20m 處存在一輛以72km/h 前進(jìn)的障礙車，假設(shè)前車以 -4m/s² 的加速度緊急制動(dòng)，自車執(zhí)行避撞。測(cè)試結(jié)果如圖13所示，自車避開第1輛障礙車后，順利執(zhí)行換道避障。其中，規(guī)劃軌跡的最大曲率為 0.05m^-1 ，曲率半徑為 20m ，最大控制橫向誤差為 0.72m ，表明規(guī)劃算法可以滿足控制需求并收斂橫向誤差；第3.7s時(shí)，自車距離第一個(gè)障礙車的最短距離為 3.1m ，表明主車可以與障礙車保持一定的安全距離。因此，該工況下車輛能夠順利完成任務(wù)并進(jìn)行換道。

4實(shí)車測(cè)試與分析

4.1實(shí)車測(cè)試環(huán)境

本文使用吉利博瑞乘用車進(jìn)行實(shí)車測(cè)試，平臺(tái)結(jié)構(gòu)如圖14所示。該車已完成線控改裝，擁有可控的底盤接口，定位模塊功能通過(guò)組合導(dǎo)航儀完成，感知模塊功能由毫米波雷達(dá)完成，計(jì)算機(jī)負(fù)責(zé)執(zhí)行上層決策規(guī)劃算法，Speedgoat負(fù)責(zé)下層的轉(zhuǎn)向盤轉(zhuǎn)角、油門控制，以及將控制量與控制信號(hào)發(fā)送至測(cè)試車輛。

4.2 實(shí)車測(cè)試分析

通過(guò)實(shí)車測(cè)試驗(yàn)證本文算法在靜態(tài)障礙和動(dòng)態(tài)障礙場(chǎng)景下的避障能力，本文選擇2種工況，自車車道與相鄰車道均存在障礙車。

工況1設(shè)置為：靜態(tài)障礙物避障測(cè)試，障礙車設(shè)置為分別位于自車前方車道 20m 處與相鄰車道 30m 處，兩者均為靜止障礙車。軌跡規(guī)劃算法每秒執(zhí)行2次，自車車速為 20km/h 。

該工況下，測(cè)試結(jié)果如圖15所示。自車先直行一段距離，發(fā)現(xiàn)前方第一輛障礙車并執(zhí)行避障后，遇到相鄰車道的障礙車，同時(shí)執(zhí)行連續(xù)避讓。在避撞過(guò)程中，車輛已經(jīng)避開障礙物，實(shí)際軌跡為借道避障，規(guī)劃算法僅在緊急時(shí)刻處的最大曲率為 0.1m^-1 ，其余時(shí)刻均低于0.05m^-1 ，最大橫擺角速度為 16rad/s ，可以較好地執(zhí)行控制決策。上述數(shù)據(jù)可證明在靜態(tài)障礙物場(chǎng)景下，本文算法避障效果的有效性。

工況2設(shè)置為：動(dòng)態(tài)障礙和靜態(tài)障礙同時(shí)出現(xiàn)，其中，自車前方車道 20m 處存在車速為 5km/h 的障礙車，同時(shí)，相鄰車道為靜止障礙車，位于自車前方車道 30m 處。軌跡規(guī)劃算法每秒執(zhí)行2次，自車車速為 15km/h

該工況下，測(cè)試結(jié)果如圖16所示。自車避開第1輛障礙車后，遇到第2輛靜止障礙車，此時(shí)算法迅速?zèng)Q策，規(guī)劃出回到自車車道的路徑，并控制車輛返回原始車道，沿本車道的參考線進(jìn)行跟蹤控制。車輛的橫擺角速度在避障時(shí)出現(xiàn)一定的波動(dòng)后回歸穩(wěn)定，軌跡規(guī)劃的最大曲率均小于 0.1m^-1 ，最大的橫擺角速度為 17rad/s ，可以很好地執(zhí)行控制決策，表明在動(dòng)態(tài)障礙物場(chǎng)景下，本文算法具有良好的避障效果。

因此，綜合考慮道路、障礙物與車輛運(yùn)動(dòng)學(xué)關(guān)系的A*算法決定轉(zhuǎn)向的凸空間，構(gòu)建二次規(guī)劃問(wèn)題，并考慮車輛執(zhí)行的約束條件和周圍環(huán)境的安全性規(guī)劃車輛的行駛軌跡，能夠保障車輛行駛過(guò)程的避撞安全。同時(shí)，仿真測(cè)試側(cè)重于模擬高速情況下算法的有效性，實(shí)車測(cè)試更關(guān)注動(dòng)態(tài)障礙物的避撞影響，進(jìn)一步證明了算法的有效性。

5結(jié)束語(yǔ)

本文針對(duì)在高碰撞風(fēng)險(xiǎn)下的行駛車輛，綜合考慮了道路風(fēng)險(xiǎn)、周車風(fēng)險(xiǎn)以及自車的運(yùn)動(dòng)學(xué)風(fēng)險(xiǎn)進(jìn)行緊急避撞決策，實(shí)現(xiàn)了避撞過(guò)程的路徑規(guī)劃與決策。但由于試驗(yàn)條件限制，本文暫未考慮障礙物的不確定性運(yùn)動(dòng)。后續(xù)將考慮引入該參數(shù)，以提升算法的魯棒性和適用性。

參考文獻(xiàn)

[1]DISTNER M， BENGTSSON MQ， BROBERG T， et al. City Safety-A System Addressing Rear-End Collisions at Low Speeds[C]//The21st International Technical Conferenceon theEnhanced Safety of Vehicles.Stuttgart，Germany： National Highway Traffic SafetyAdministration，2009.

[2]黃子文，李莉，周兵，等.極限工況下的車輛轉(zhuǎn)向避撞風(fēng)險(xiǎn) 指數(shù)[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2023，57（12）：2381- 2390. HUANG Z W，LI L，ZHOU B，et al. Vehicle Steering Collision Avoidance Risk Index under Extreme Working Conditions[J].Journal of Zhejiang University （Engineering Scinece），2023，57（12）：2381-2390.

[3]張一鳴，周兵，吳曉建，等.基于前車軌跡預(yù)測(cè)的高速智能 車運(yùn)動(dòng)規(guī)劃[J].汽車工程，2020，42（5）：574-580. ZHANGYM，ZHOUB，WUXJ，etal.MotionPlanningof High-Speed IntelligentVehicleBasedonPredictionofFront Vehicle Trajectory[J]. Automotive Engineering，202O，42（5）： 574-580. 2025年第7期

[4] NOREEN I， KHAN A， HABIB Z. Optimal Path Planning Using RRT* Based Approaches： A Survey and Future Directions[J]. International Journal of Advanced Computer Science and Applications，2016，11（7）.

[5] LIUYY，CHEN B，ZHANG XY，et al.Research on the Dynamic Path Planning of Manipulators Based on a GridLocal Probability Road Map Method[J].IEEE Access，2021， 9： 101186-101196.

[6] JONES M， DJAHEL S， WELSH K， et al. Path-Planning for Unmanned Aerial Vehicles with Environment Complexity Considerations： A Survey[J]. ACM Computing Surveys， 2023，55（11）： 1-39.

[7] LI C G，HUANG X， DING J，et al. Global Path Planning Based ona Bidirectional Alternating Search A*Algorithm for Mobile Robots[J]. Computers and Industrial Engineering， 2022， 168.

[8] ZHU X H，YAN B，YUE Y.Path Planning and Colision Avoidance in Unknown Environments for USVs Based on an Improved D*Lite[J]. Applied Sciences，2021，11（17）.

[9] WU B， CHI X N， ZHAO C C， et al. Dynamic Path Planning for Forklift AGV Based on Smoothing A^* and Improved DWA Hybrid Algorithm[J]. Sensors， 2022，（18）.

[10]段京良，陳良發(fā)，王文軒，等.智能汽車主動(dòng)避撞工況的 高實(shí)時(shí)預(yù)測(cè)控制[J].汽車安全與節(jié)能學(xué)報(bào)，2023，14（5）： 580-590. DUAN JL，CHEN L F，WANGW X，et al. High RealTime Predictive Control for Active Collision Avoidance Conditions in Intelligent Vehicles[J]. Journal of Automotive Safety and Energy，2023，14（5）： 580-590.

[11]張亮修，吳光強(qiáng)，郭曉曉.車輛自適應(yīng)巡航控制系統(tǒng)的建 模與分層控制[J].汽車工程，2018，40（5）：547-553. ZHAGN L X，WU GQ，GUO X X， et al.Modeling and HierarchicalControlofVehicleACCSystem[J].Automotive Engineering， 2018， 40（5）： 547-553.

[12]張亮修，吳光強(qiáng)，郭曉曉.自主車輛線性時(shí)變模型預(yù)測(cè) 路徑跟蹤控制[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2016， 44（10）： 1595-1603. ZHAGN L X， WU G Q，GUO X X，et al. Path Tracking Using Linear Time varying Model Predictive Control for AutonomousVehicle[J]. Journal ofTongji University （Natural Science），2016，44（10）： 1595-1603.

[13]閆星宇，杜偉偉，石昊.基于通行性分析的分層越野路徑 規(guī)劃方法[J].火力與指揮控制，2022，47（5）：153-158. YAN X Y，DU W W，SHI H.A Hierarchical Cross-Country Path Planning Method Based on Accessibility Analysis[J]. Fire Control amp; Command Control，2022，47（5）： 153-158.

[14]劉凡.基于ROS的無(wú)人水面艇全局航跡規(guī)劃方法研究[D]. 重慶：重慶大學(xué)，2022. LIU F.Research on Global Trajectory Planning Method for Unmanned Surface Vessel Based on ROS[D]. Chongqing： Chongqing University，2022.

[15]李曄，賈知浩，張偉斌，等.面向無(wú)人艇自主靠泊的分層 軌跡規(guī)劃與試驗(yàn)[J].哈爾濱工程大學(xué)學(xué)報(bào)，2019，40（6）： 1043-1050. LI Y，JIA ZH， ZHANG WB，etal.Hierarchical Trajectory Planningand Testfor Autonomous BerthingofUnmanned Boats[J]. Journal of Harbin EngineeringUniversity，2019， 40（6）：1043-1050.

[16]ZHANGYJ，SUN HY，ZHOUJY，et al.Optimal Trajectory Generation for Autonomous Vehicles under Centripetal Acceleration Constraints for In-Lane Driving Scenarios[EB/OL]. （2021-10-03）[2024-05-10]. https：// arxiv.org/abs/2112.02133.

[17]HART P E，NILSSON N J，RAPHAEL B.A Formal Basis for the Heuristic Determination ofMinimum Cost Paths[J]. IEEE Transactions on Systems Scienceand Cybernetics，1968，4（2）：100-107.

[18]ZENGQ，WUGQ，MAOLB.ASupportVectorMachineBased Truck Discretionary Lane Changing Decision Model[C]//2021 2OthInternational Conferenceon Advanced Robotics （ICAR）.Ljubljana， Slovenia： IEEE， 2021：435-440.

（責(zé)任編輯瑞秋）

修改稿收到日期為2024年5月10日。

《汽車文摘》2025年專項(xiàng)征稿啟事

尊敬的汽車及相關(guān)技術(shù)領(lǐng)域?qū)＜覍W(xué)者、研發(fā)工程師、高校師生：

在全球汽車產(chǎn)業(yè)迎來(lái)深刻變革的今天，2025年將成為汽車技術(shù)發(fā)展的關(guān)鍵節(jié)點(diǎn)，新技術(shù)、新材料、新理念將不斷涌現(xiàn)，推動(dòng)汽車行業(yè)向更智能、更環(huán)保、更安全的方向發(fā)展。《汽車文摘》期刊作為中國(guó)汽車工程學(xué)會(huì)會(huì)刊，秉承“覽全球汽車技術(shù)文獻(xiàn)，指中國(guó)汽車技術(shù)之道\"的使命，致力于成為汽車領(lǐng)域最具影響力的綜述類期刊。在此，我們特別發(fā)布2025年專項(xiàng)征稿啟事，聚焦以下十大技術(shù)方向，旨在征集具有前瞻性、綜述性的高質(zhì)量文章，以期為汽車技術(shù)的創(chuàng)新與進(jìn)步提供創(chuàng)新的方向和理論的支持。

1.人工智能在汽車創(chuàng)新發(fā)展中的應(yīng)用綜述：征集探討人工智能技術(shù)在車輛自動(dòng)駕駛、智能座艙、智能控制以及仿真和優(yōu)化中的應(yīng)用綜述文章。

2.智能網(wǎng)聯(lián)汽車信息安全技術(shù)綜述：征集分析智能網(wǎng)聯(lián)汽車面臨的信息安全挑戰(zhàn)及解決方案的綜述文章。

3.環(huán)境感知與智能決策技術(shù)綜述：征集研究環(huán)境感知技術(shù)的未來(lái)發(fā)展，包括新型傳感器技術(shù)、多模態(tài)感知融合算法的最新進(jìn)展等前瞻綜述。

4.氫能技術(shù)在汽車產(chǎn)業(yè)中的應(yīng)用綜述：征集探討氫能技術(shù)在汽車產(chǎn)業(yè)中的應(yīng)用，包括氫燃料電池、氫內(nèi)燃機(jī)以及氫能在汽車能源系統(tǒng)中的整合等綜述文章。

5.固態(tài)電池技術(shù)發(fā)展綜述：征集研究固態(tài)電池技術(shù)的最新進(jìn)展，包括材料科學(xué)、電化學(xué)性能和系統(tǒng)集成等方面的綜述。

6.汽車動(dòng)力總成電動(dòng)化技術(shù)綜述：征集探討電動(dòng)化動(dòng)力總成設(shè)計(jì)、控制和集成技術(shù)的綜述文章。

7.智能底盤技術(shù)發(fā)展綜述：征集探討智能底盤技術(shù)的最新進(jìn)展，包括底盤控制系統(tǒng)、懸掛系統(tǒng)和驅(qū)動(dòng)系統(tǒng)的智能化技術(shù)綜述。

8.自動(dòng)駕駛法規(guī)與倫理問(wèn)題綜述：征集分析自動(dòng)駕駛技術(shù)發(fā)展中的法規(guī)和倫理問(wèn)題的綜述文章。

9.汽車共享經(jīng)濟(jì)與商業(yè)模式創(chuàng)新綜述：征集探討汽車共享經(jīng)濟(jì)的發(fā)展及其對(duì)傳統(tǒng)汽車產(chǎn)業(yè)影響的綜述。

10.智能交通系統(tǒng)（ITS）技術(shù)發(fā)展綜述：征集研究智能交通系統(tǒng)技術(shù)如車路協(xié)同、交通流量管理等的綜述。

征稿要求：

1.投稿請(qǐng)注明“****\"技術(shù)方向?qū)ｍ?xiàng)征稿字樣，本刊對(duì)符合征稿技術(shù)方向的稿件將優(yōu)先審核，一經(jīng)錄用優(yōu)先發(fā)表；2.綜述篇幅在 8000～15000 字，圖文并茂，圖、表和公式非原創(chuàng)要求標(biāo)注引用文獻(xiàn);3.請(qǐng)按科技論文要求撰寫文章摘要，摘要中文字?jǐn)?shù)在200字左右；4.文章必須附有公開發(fā)表、體現(xiàn)本領(lǐng)域最新研究成果和高影響力出版物作為參考文獻(xiàn)，一般要求參考文獻(xiàn)在20篇以上，一半左右為外文參考文獻(xiàn)，且在文中標(biāo)注所引用文獻(xiàn)；5.來(lái)稿保密審查工作由作者單位負(fù)責(zé)，確保署名無(wú)爭(zhēng)議，文責(zé)自負(fù)；6.切勿一稿多投，《汽車文摘》投稿網(wǎng)址：http：//ww.qcwz.cbpt.cnki.net，郵箱：autodigest@faw.com.cn?！镀囄恼菲诳诖木示C述文章，共同探索汽車技術(shù)的未來(lái)發(fā)展。感謝您對(duì)《汽車文摘》期刊的支持與貢獻(xiàn)，讓我們攜手推動(dòng)汽車技術(shù)的創(chuàng)新與進(jìn)步。