考虑全局最优性的汽车微观动态轨迹规划

车辆路径规划问题研究综述车辆路径规划问题是指在给定条件下，求解车辆如何合理地选择路径和行驶顺序，以达到某种最优化目标的问题。

在现实生活中，车辆路径规划问题广泛应用于物流配送、公交线路规划、交通流控制等领域，对于提高交通运输效率、减少能源消耗、缓解交通拥堵具有重要意义。

随着信息技术和智能算法的发展，车辆路径规划问题得到了越来越多的关注和研究。

一、车辆路径规划问题的分类车辆路径规划问题可以分为静态车辆路径规划和动态车辆路径规划两大类。

静态车辆路径规划是指在路网、需求、车辆等参数全部给定的情况下，确定车辆的最优路径和行驶顺序。

而动态车辆路径规划则是指在一定时间段内，根据实时交通信息和需求变化，动态地调整车辆的路径和行驶顺序。

静态车辆路径规划问题通常应用于物流配送、固定路线的公交线路规划等场景，而动态车辆路径规划问题更多地应用于交通流控制、共享出行等领域。

二、车辆路径规划问题的方法1. 传统方法在早期，对车辆路径规划问题的研究主要依赖于传统的规划和优化技术，如线性规划、整数规划、动态规划等。

这些方法在一定范围内能够解决一些简单的车辆路径规划问题，但对于复杂的实际问题往往效率不高，无法在合理的时间内给出最优解。

2. 启发式算法随着计算机科学和运筹学的发展，启发式算法逐渐被引入到车辆路径规划问题的研究中。

启发式算法是一类基于经验和规则的算法，能够在有限时间内找到接近最优解的解决方案。

蚁群算法、遗传算法、模拟退火算法等成为应用较多的启发式算法。

这些算法通过模拟自然界的优化过程，使得车辆路径规划问题的解空间得到了更好的搜索，能够有效处理一些中等规模的问题。

3. 智能算法近年来，随着人工智能和深度学习技术的发展，越来越多的研究者尝试将这些技术引入到车辆路径规划问题的研究中。

神经网络、深度强化学习等技术被应用于解决车辆路径规划问题，在一些复杂的场景和大规模问题中取得了较好的效果。

智能算法具有较强的适应性和泛化能力，能够在复杂的实际环境中进行路径规划和决策。

车辆路径规划算法优化研究随着现代化社会快速发展，交通运输事业成为人们日常工作、生活、娱乐中不可缺少的一部分。

在这个过程中，车辆越来越成为人们出行的主要交通工具，车辆路径规划算法也愈加重要。

车辆路径规划算法是指在现有地图和路况信息的基础上，通过数学模型计算出最短、最优解的算法，能够为人们的驾车出行提供更加顺畅、高效的服务。

然而，目前普遍使用的车辆路径规划算法还存在着一些问题，如计算复杂度大、精度低、实时性差等。

因此，本文将以车辆路径规划算法优化研究为主题，探讨如何优化算法，提高车辆路径规划的精度、速度和实用性。

一、车辆路径规划算法的基本原理车辆路径规划算法的基本原理主要是通过提前建立数字化地图和实时监测路况，根据车辆当前位置和目的地，计算出最短的行驶路线，并且尽可能地避开重要的道路交叉口，减少车辆行驶的拥堵、浪费时间等现象。

其中，算法主要包括适应性启发式搜索、A星搜索等。

适应性启发式搜索是一种计算机科学中的搜索技术，即从初始状态开始，通过合理的启发函数，带领搜索于可能的目标状态，以解决问题或找到最佳行为。

其过程主要分为两个阶段：首先，算法遍历地图，并将地图格点加入开放列表和封闭列表；然后，算法使用贪心搜索的方式，在加减地图格点的代价函数的基础上，寻找到达目标的最优路径。

A星搜索是一种常用的图搜索算法，可以在图中找到从起点到终点的最短路径。

其过程主要包含估值函数、优先队列、搜寻方法等，通过对路程和时间进行权衡，最终得出最优的路径。

优化算法的主要方法包括减少计算量和提高精度，这些方法的实现需要集成多种技术手段，如加速技术、地图处理技术、算法增强等。

其中，最为常见的优化方法包括基于规则的方法、基于统计的方法和深度学习方法。

下面将分别介绍各种方法的优化原理和应用。

二、基于规则的算法优化方法基于规则的方法主要是通过先验知识、规则和人类经验对于问题领域进行建模，在此基础上采用推理和运算规则进行计算。

通常的方式包括基于策略（最优先搜索）、基于静态预测模型、基于动态预测模型和状态空间方法。

车路协同环境下车辆群体协同决策研究综述摘要:从车路协同环境下车辆群体协同决策机制､协同决策方法与典型应用场景方面分析了国内外车辆群体协同决策的研究现状;考虑车辆群体协同决策机制的不同,系统梳理了集中式和分布式2种决策机制的相关研究,以期为从事相关工作的人员提供一点借鉴｡关键词:智能交通;车辆群体;协同决策;集中式机制;分布式机制车路协同系统(CVIS)的逐渐成熟,为提高道路交通安全水平和运行效率提供了有力支撑｡车路协同系统通过车车通讯/车路通讯获取周围车辆信息和道路信息,全方位实施车车/车路间的动态实时信息交换,为开展车辆主动安全控制和道路协同管理提供了信息基础｡1车路协同环境分析1.1车路协同交通环境车路协同系统作为当今智能交通领域的前沿技术之一,利用最新的无线网络通讯前端技术,将人车路3个要素紧密结合,形成有序､整体的闭合交通系统｡车路协同系统最主要的2个子系统是路侧单元(RSU)和车载单元(OBU),RSU和OBU以无线通信方式来实现车辆与车辆､车辆与路侧以及路侧与路侧之间的信息传输和共享｡在多渠道的动态交通信息融合作用下,车路协同环境使信息获取与交互手段､内容和范围发生了重大变化｡传通交通环境与车路协同交通环境差别主要体现在信息获取､处理和驾驶员/车辆反馈等方面｡1.2车辆跟驰特性1)制约性｡车路协同交通环境中车辆仍受车速和间距的制约,但车间安全距离减小,最大行驶速度增大,车辆间的制约性减弱｡2)延迟性｡车路协同交通环境下,由于车载系统的动态感知取代了传统交通环境中驾驶员自身的感知与判断,总反应时间呈减小的趋势｡3)传递性｡车路协同交通环境下,车车/车路之间通过无线通讯进行交互传递｡虽然存在一定的系统延迟和通信延迟,但相较于传统的交通环境,其延迟可忽略不计,故传递的范围和速度大幅提高｡2集中式车辆群体协同决策机制､方法与应用场景2.1基于优化的集中式车辆群体协同决策方法针对匝道合流场景,部分学者以优化车辆通过合流区的旅行时间为目标,通过建立优化问题,规划各车的时空轨迹｡针对路口通行场景,可以采用基于优化的协同决策方法,其通常将车辆通过冲突区的顺序转换成一个混合整数规划问题,在确定好车辆通行顺序之后,再据此规划车辆的时空轨迹;也有部分学者将车辆通行顺序规划问题的解空间描述成一个树形结构,采用剪枝的方式来降低其计算复杂度｡然而,当路口场景下需要优化的车辆数较多时,上述2类方法的解空间均会出现组合爆炸,从而使其在实际应用时难以落地｡针对路网通行场景,部分学者借鉴单路口通行优化问题的建模方式,将路网内车辆的运动规划描述成一个大规模优化问题｡显然,这类方法在路网场景下更容易遭遇超高的计算复杂度,而且路网场景下的因果环加剧了问题的求解难度;此外,需要强调的是前述动态规划方法在路网场景下同样无法保证计算的实时性｡依据上述分析可以看出,在匝道､路口和路网场景下,基于优化的集中式车辆群体协同决策方法容易面临高计算复杂度的问题｡优化匝道的交通通行量为目标,提出了一种基于动态规划的协同决策方法,重构了车辆群体协同决策问题的解空间｡相对于将车辆协同决策问题建模成混合整数规划的方法而言,基于动态规划的匝道协同决策方法剔除了诸多冗余解,有效降低了协同决策问题解空间的规模,其还对计算复杂度和解的最优性给出了严格的理论证明｡实质上,基于动态规划的协同决策方法就是将车辆协同决策问题的求解转化为一个多阶段的决策过程,每个阶段为一辆车分配路权;在构建动态规划模型时,将匝道通行特性及约束嵌入动态规划模型的状态转移过程中,使得状态空间仅仅包含可行的路权分配方案｡为了保证路权分配结果的最优性,引入最优性原理完成每个阶段的决策,因此,基于动态规划的协同决策方法可在足够短的时间内计算得到最优的路权分配方案｡经过理论推导,基于动态规划的路权分配模型的计算复杂度可概括为:假设车道1和车道2上的车辆数分别为m和n,则动态规划状态空间的状态数为2mn+m+n+1,状态转移数为4mn,动态规划方法的计算时间复杂度为O(mn)｡上述分析表明,在特定的与交通效率相关的目标函数中,通过适当地设计动态规划的状态变量､状态转移和决策依据,基于动态规划的路权分配模型可以有效控制解空间的规模,以在多项式求解时间复杂度内求解获得以提升交通通行量为目标的全局最优的通行顺序,并可对解的最优性和求解效率给出严格的理论证明｡表1总结了基于优化的集中式车辆群体协同决策研究,包括方法的应用场景､决策结果和计算效率等信息｡表1基于优化的集中式车辆群体协同决策方法总结2.2基于启发式的集中式车辆群体协同决策方法针对匝道合流场景,基于启发式规则,采用双层结构分别确定了车辆通过合流区的通行顺序和车辆的控制｡该方法上层依据车辆到达匝道合流区的时间为车辆确定通过合流区的顺序;下层依据确定好的通行顺序,利用启发式规则为各车计算加速度,从而保证车辆按上层规划的车辆通行顺序通过合流区｡然而,该方法虽可实现高效计算,但所得到的通行方案性能难以得到保证,且对交通拥堵的疏解作用还需做进一步分析和讨论｡有学者提出了一种因果环消解规则来解决相邻2个路口范围内相互耦合的车辆轨迹规划问题,然而该方法的适用范围有限,难以求解更大规模交通路网下的协同决策问题｡依据上述分析可以看出,在匝道､路口和路网场景下,基于启发式的集中式车辆群体协同决策方法虽可保证在线实时计算,但这类方法的协调效果很难得到保证,在很多场景下(如交通需求高)难以有效提升交通效率,车辆群体协同决策机制在缓解交通拥堵方面的潜力没有被充分发挥出来｡近些年一些学者研究发现,如果能够合理地考虑影响交通效率的本质因素,基于启发式的集中式车辆群体协同决策方法可在足够短的计算时间内获得接近全局最优的解｡笔者结合相关资料和工作经验,匝道场景交通控制特性的基础上,总结出可在较短计算时间内获得足够好通行顺序的一套规则,通过采用这些规则可保证在协调性能和计算效率之间取得较好的平衡｡该方法主要思想为在先进先出通行策略的基础上,微小调整车辆通过匝道合流区的通行顺序,以在保证计算效率的同时进一步提升交通效率｡具体来说,匝道场景下车辆分别从不同车道即主路和匝道进入汇入区域时,通常总会出现主路和匝道车辆彼此交替汇入的情形,为保证安全通行,此时需要较大的安全车头时距,因此,主路和匝道的交替汇入将产生更多的时间延误｡为此,将交替汇入调整为分组汇入,可以缩短匝道合流场景下的车辆通行时间,同时可保证实时计算｡3结束语综上所述,针对交通系统中影响交通效率和交通安全的核心冲突区(匝道､路口等),采用集中式机制可在保证交通安全的前提下最大程度提升交通效率;针对交通系统中未被集中式车辆群体协同决策机制覆盖的区域,采用分布式机制进行交通管理和控制｡参考文献:[1]纪艺,史昕,赵祥模.基于多前车信息融合的智能网联车辆跟驰模型[J].计算机应用,2019,39(12):[2]施佺,孙兵,惠人杰,等.SIFT与多区域决策融合的车辆行为分析方法[J].江苏大学报,2019,40(1):34-39.DOI:10.3969/j.issn.1671-7775.2019.01.006.[3] 张毅,姚丹亚,李力,等.智能车路协同系统关键技术与应用[J].交通运输系统工程与信息,2021,21(5):40-51.。

2021年（第43卷）第4期汽车工程Automotive Engineering2021（Vol.43）No.4 doi：10.19562/j.chinasae.qcgc.2021.04.014考虑车辆运动约束的最优避障轨迹规划算法*杨彬，宋学伟，高振海（吉林大学，汽车仿真与控制国家重点实验室，长春130022）［摘要］无人驾驶车辆进行障碍物规避时，须考虑车辆的运动特性以保证避障过程的安全性、舒适性、操纵稳定性等。

本文中提出了一种在车辆运动约束下的避障轨迹规划算法。

该算法结合障碍物的运动状态和位姿信息，在局部环境地图中对超越障碍物的期望位置进行局部采样组成离散终端状态点集，将复杂道路环境中的避障轨迹搜索问题转换为自车与状态点集之间的轨迹拟合和寻优问题。

轨迹的拟合通过基于车辆侧向动力学模型的Bézier 曲线规划器实现，而寻优过程则考虑到了车辆进行轨迹跟随过程中的行驶平顺性和操纵稳定性。

通过与常规State Lattice算法和MPC算法在多种测试环境中进行避障效果的对比，结果表明本文中提出的规划方法在测试场景中能够使车辆安全、合理地规避障碍，同时在轨迹平顺性、操纵稳定性等方面有较好的表现。

关键词：车辆侧向动力学模型；离散终端状态点集；Bézier曲线；避障轨迹规划Optimal Obstacle Avoidance Trajectory Planning Algorithm ConsideringVehicle Motion ConstraintsYang Bin，Song Xuewei&Gao ZhenhaiJilin University，State Key Laboratory of Automobile Simulation and Control，Changchun130022［Abstract］The motion characteristics of the autonomous vehicle should be taken into account to ensure safety，comfort and stability when avoiding obstacles.An obstacle avoidance trajectory planning algorithm with the constraints of vehicle motion is proposed in this paper.Firstly，combining with the motion state and position informa⁃tion of obstacles，the algorithm derives the derivative status region where the vehicle can safely avoid obstacles from the local environment map.Then，the terminal state points are sampled in the derivative status region to form a dis⁃crete terminal state point set.The obstacle avoidance trajectory search problem in complex road environment is trans⁃formed into the problem of trajectory fitting and optimization between the vehicle and the state point set.Trajectory fitting is realized by Bézier curve planner based on vehicle lateral dynamics model while the optimization process takes into consideration of driving smoothness and operation stability in the process of vehicle trajectory following. By comparing the obstacle avoidance effect in multiple scenarios with the conventional State Lattice algorithm and MPC algorithm，the results show that the proposed algorithm can make the vehicle avoid obstacles safely and reason⁃ably in the test scenarios，and has better performance in the aspects of trajectory smoothness and vehicle handling stability.Keywords：vehicle lateral dynamic model；discrete terminal state points set；Bézier curve；obstacle avoidance planning*国家自然科学基金（U1564214、51775236）和国家重点研发计划（2017YFB0102600）资助。