動(dòng)態(tài)障礙物狀態(tài)空間重構(gòu)的無人車路徑規(guī)劃

雷芳華，袁小芳

（1.湖南大學(xué)電氣與信息工程學(xué)院，湖南 長(zhǎng)沙 410082；2.郴州職業(yè)技術(shù)學(xué)院現(xiàn)代裝備制造學(xué)院，湖南 郴州 423000）

1 引言

局部路徑規(guī)劃作為無人駕駛汽車研究的關(guān)鍵技術(shù)之一，其根據(jù)車載傳感器采集的障礙物信息和全局期望路徑信息重新規(guī)劃出避開障礙物的局部最優(yōu)路徑，側(cè)重于依賴車載傳感器（激光雷達(dá)，超聲波等）的采集信息，具有很強(qiáng)的實(shí)時(shí)性。目前局部路徑規(guī)劃方法歸納為兩類：傳統(tǒng)局部路徑規(guī)劃方法和智能局部路徑規(guī)劃方法。傳統(tǒng)局部路徑規(guī)劃方法主要有人工勢(shì)場(chǎng)法、柵格法和向量場(chǎng)直方圖法等，對(duì)于障礙物信息已知的情況下處理避障問題尚可，但是遇到障礙物信息未知或動(dòng)態(tài)障礙物，則不能很好處理［1］。針對(duì)動(dòng)態(tài)環(huán)境規(guī)劃效果不佳問題，以A*算法為代表的基于圖搜索的路徑規(guī)劃算法，分別提出了改進(jìn)A*［2］、MH A*［3］、DMH A*［4］算法等，以快速擴(kuò)展樹（RRT）為代表的基于采樣的路徑規(guī)劃算法，文獻(xiàn)中分別提出了EG-RRT［5］、RRT*［6］、CL-RRT*［7］算法等，提高了路徑規(guī)劃的質(zhì)量。智能局部路徑規(guī)劃方法主要有模糊控制法、神經(jīng)網(wǎng)絡(luò)法、混合智能法、協(xié)同控制法等，對(duì)于障礙物信息未知或部分未知的情況下處理避障問題需要的硬件設(shè)備要求苛刻，且每種規(guī)劃算法都有其優(yōu)點(diǎn)及局限性，難以采用單一的算法實(shí)現(xiàn)動(dòng)態(tài)環(huán)境精準(zhǔn)、安全可靠的路徑規(guī)劃［8］。針對(duì)動(dòng)態(tài)環(huán)境精準(zhǔn)和安全可靠規(guī)劃問題，文獻(xiàn)中分別提出了改進(jìn)A*與蟻群結(jié)合算法［9］、改進(jìn)RRT與APF結(jié)合算法［10］等，提高了路徑規(guī)劃的精準(zhǔn)和可靠。這些方法在局部路徑規(guī)劃領(lǐng)域中發(fā)揮了重要作用。

為了路徑規(guī)劃實(shí)際可行，一般需要結(jié)合車身尺寸對(duì)障礙物進(jìn)行膨脹處理，障礙物尺寸較大，易出現(xiàn)車輛從障礙物中間穿越的現(xiàn)象，然而通過加大避障功能函數(shù)的權(quán)重系數(shù)可以解決，但是權(quán)重系數(shù)增大會(huì)使規(guī)劃結(jié)果出現(xiàn)保守現(xiàn)象［11］。文獻(xiàn)［12］曾將3D虛擬危險(xiǎn)勢(shì)場(chǎng)構(gòu)造為道路的三角函數(shù)與障礙物的指數(shù)函數(shù)相疊加，當(dāng)車輛可能發(fā)生與障礙物的碰撞時(shí)，生成避免碰撞的理想軌跡。文獻(xiàn)［13］提出了障礙物衍生狀態(tài)格的概念，規(guī)劃的軌跡更短，曲率更小，能實(shí)現(xiàn)安全避障。這里針對(duì)動(dòng)態(tài)障礙物，以車載傳感器采集的障礙物狀態(tài)信息為出發(fā)點(diǎn)，重構(gòu)建立帶安全區(qū)域的膨脹構(gòu)型，將動(dòng)態(tài)障礙物狀態(tài)空間轉(zhuǎn)換為瞬態(tài)靜態(tài)障礙物狀態(tài)空間，以規(guī)劃路徑與全局參考路徑的最小化偏差為目標(biāo)，對(duì)于障礙物避障將以懲罰函數(shù)的方式實(shí)現(xiàn)，并將控制增量進(jìn)行約束作為目標(biāo)函數(shù)的狀態(tài)量。最后，在特定動(dòng)態(tài)行駛工況中，采用CarSim與Simulink聯(lián)合仿真，對(duì)該避障路徑規(guī)劃方法的可行性和穩(wěn)定性進(jìn)行了驗(yàn)證。

2 障礙物狀態(tài)空間重構(gòu)的概念

在避障過程中的障礙物是由靜態(tài)障礙物（靜態(tài)車、樹木、建筑物等）和動(dòng)態(tài)障礙物（動(dòng)態(tài)車、行人、動(dòng)物等）組成。然而，在車載傳感器采集的障礙物信息中，由于遮擋等原因，采集的障礙物信息并不能完全構(gòu)造障礙物的外形尺寸，本論文假設(shè)車載傳感器感知的部分障礙物信息是已知，能采集的信息主要包括各障礙物的左邊緣輪廓、最近點(diǎn)、右邊緣輪廓、最近點(diǎn)相對(duì)距離、相對(duì)速度、障礙物寬度等信息。

2.1 障礙物信息采集及求基準(zhǔn)點(diǎn)

無人駕駛車在靜態(tài)過程中對(duì)障礙物信息進(jìn)行采集，主要包括兩種采集情況，如圖1所示。（1）車載傳感器檢測(cè)到①④⑤（圖左邊）；（2）車載傳感器檢測(cè)到①②③（圖右邊），即為左邊緣點(diǎn)、最近點(diǎn)和右邊緣點(diǎn)三點(diǎn)共線。

圖1 無人駕駛車靜態(tài)采集障礙物信息示意圖Fig.1 Self-Driving Car Static Collection of Obstacle Information Diagram

無人駕駛車在靜態(tài)過程中對(duì)障礙物信息進(jìn)行處理，確定重構(gòu)的基準(zhǔn)點(diǎn)，可用數(shù)學(xué)表達(dá)式表示如下：

式中：在無人駕駛車坐標(biāo)系下（如圖1左邊圖），（x1，y1）—障礙物最近點(diǎn)①坐標(biāo)；（x2，y2）、（x3，y3）—障礙物檢測(cè)寬度的左邊緣點(diǎn)②、右邊緣點(diǎn)③坐標(biāo)；（xg，yg）—②③點(diǎn)的中心點(diǎn)，即為重構(gòu)的基準(zhǔn)點(diǎn)；ζ—防止分母為0的較小正數(shù)。

2.2 障礙物信息點(diǎn)坐標(biāo)系轉(zhuǎn)換

當(dāng)然，無人駕駛車在復(fù)雜障礙物環(huán)境中要實(shí)現(xiàn)避障功能，有必要在駕駛（動(dòng)態(tài)）過程中對(duì)障礙物信息進(jìn)行采集，還要將在無人駕駛車坐標(biāo)系下的障礙物信息點(diǎn)轉(zhuǎn)換到全局坐標(biāo)系，才能進(jìn)行障礙物的避障路徑規(guī)劃，如圖2所示。

圖2 無人駕駛車動(dòng)態(tài)采集障礙物信息示意圖Fig.2 Self-Driving Car Dynamic Collection of Obstacle Information

圖2中，由于受車載傳感器檢測(cè)信息的遮擋等因素制約，檢測(cè)到的障礙物狀態(tài)空間具有不確定性，例如以圖2中②③為障礙物的檢測(cè)寬度，其障礙物車的實(shí)際構(gòu)型可以是①④⑤、①⑥⑦等。為障礙物狀態(tài)空間重構(gòu)提供了可變的基礎(chǔ)。

根據(jù)圖2示意，將如下動(dòng)態(tài)的坐標(biāo)系轉(zhuǎn)換數(shù)學(xué)表達(dá)式代入式（1）中，可求得在全局坐標(biāo)系下的基準(zhǔn)點(diǎn)（xobs，g，yobs，g）：

式中：Brobs，j—第j個(gè)障礙物信息點(diǎn)在全局坐標(biāo)系下的夾角集；（xobs，j，yobs，j）—第j個(gè)障礙物信息點(diǎn)在全局坐標(biāo)系下的坐標(biāo)集；BrXj—第j個(gè)障礙物信息點(diǎn)在無人駕駛車坐標(biāo)系的夾角集，如BrCj、BrLj、BrRj等；（xj，yj）—第j個(gè)障礙物點(diǎn)在無人駕駛車坐標(biāo)系的坐標(biāo)集，如（x1，y1）、（x2，y2）、（x3，y3）等；在全局坐標(biāo)系下，Yɑw—無人駕駛車的航向角；（X0，Y0）—無人駕駛車的坐標(biāo)。此公式的關(guān)系式將實(shí)現(xiàn)靜態(tài)狀態(tài)空間重構(gòu)轉(zhuǎn)為動(dòng)態(tài)狀態(tài)空間重構(gòu)。

2.3 障礙物信息點(diǎn)重構(gòu)

在全局坐標(biāo)系下，提出以式（2）求得的基準(zhǔn)點(diǎn)為中心，以檢測(cè)輪廓寬度為尺寸，將重構(gòu)障礙物信息點(diǎn)總數(shù)設(shè)置為M，采用以下構(gòu)型函數(shù)對(duì)障礙物信息點(diǎn)數(shù)據(jù)進(jìn)行重構(gòu)：

其中雙八構(gòu)型數(shù)學(xué)表達(dá)式如下：

其中圓形構(gòu)型數(shù)學(xué)表達(dá)式如下：

式中：在全局坐標(biāo)系下，（xm，ym）—重構(gòu)后障礙物構(gòu)型的第m個(gè)信息點(diǎn)的坐標(biāo)；（xobs，g，yobs，g）—全局坐標(biāo)系下障礙物基準(zhǔn)點(diǎn)的坐標(biāo)；Wid—在最近點(diǎn)處檢測(cè)到障礙物的寬度；m—設(shè)置的第m個(gè)點(diǎn)；pi—圓周率π。

3 基于障礙物狀態(tài)空間重構(gòu)的避障路徑規(guī)劃

3.1 數(shù)學(xué)模型

這里模型預(yù)測(cè)控制是建立在假設(shè)無人駕駛車點(diǎn)質(zhì)量模型的基礎(chǔ)上，由路徑重規(guī)劃模塊和跟蹤控制模塊組成，其中路徑重規(guī)劃模塊中引入了懲罰函數(shù)，并將控制增量進(jìn)行約束作為目標(biāo)函數(shù)的狀態(tài)量。在路徑重規(guī)劃層的模型預(yù)測(cè)控制器中不再進(jìn)行線性化，而是直接運(yùn)用非線性化模型求解，具備高求解精度，結(jié)合非線性二次規(guī)劃算法處理動(dòng)態(tài)障礙物條件下的最優(yōu)路徑規(guī)劃問題。為實(shí)現(xiàn)規(guī)劃層與控制層的順利對(duì)接，采用最小二乘法多項(xiàng)式曲線擬合的方式對(duì)離散點(diǎn)線性化。具體控制系統(tǒng)的數(shù)據(jù)傳遞，如圖3所示。

圖3 帶避障功能的模型預(yù)測(cè)控制系統(tǒng)Fig.3 Model Predictive Control System with Obstacle Avoidance Function

圖3中，帶避障功能的模型預(yù)測(cè)控制系統(tǒng)主要由路徑重規(guī)劃模塊接收來自重構(gòu)過的障礙物信息和全局的參考路徑信息，再由跟蹤控制模塊接收規(guī)劃模塊輸出的局部路徑規(guī)劃，輸出前輪偏角為控制量。

懲罰函數(shù)的基本思路是通過重構(gòu)后的障礙物狀態(tài)坐標(biāo)點(diǎn)與局部路徑參考點(diǎn)的距離偏差來調(diào)整懲罰函數(shù)值的大小，且兩點(diǎn)距離越近，其值越大，其避障功能數(shù)學(xué)表達(dá)式如下［11］：

式中：Jobs，i，m—采樣時(shí)刻i的第m個(gè)障礙物信息點(diǎn)的避障函數(shù)；Sobs—權(quán)重系數(shù)；（xm，ym）—第m個(gè)障礙物點(diǎn)在全局坐標(biāo)系下的坐標(biāo)；（X0，Y0）—無人駕駛車的坐標(biāo)；ζ—防止分母為0的較小正數(shù)。

然而，路徑重規(guī)劃模塊的目標(biāo)函數(shù)則是最小化路徑規(guī)劃與全局參考路徑的偏差，且實(shí)現(xiàn)避障功能。具體目標(biāo)函數(shù)數(shù)學(xué)表達(dá)式如下［11］：

式中：η（t+i|t）—時(shí)刻t的狀態(tài)變量；Ut—控制量前輪偏角的物理約束條件；Ui—控制增量作為約束的狀態(tài)量；Q—反映控制器對(duì)全局參考路徑跟隨能力的權(quán)重矩陣；R—對(duì)控制量平穩(wěn)變化的權(quán)重矩陣；Np—預(yù)測(cè)時(shí)域；M—重構(gòu)障礙物信息點(diǎn)總數(shù)。

當(dāng)局部路徑規(guī)劃不理想時(shí)，盡管可以加大權(quán)重系數(shù)Sobs來調(diào)整，但是也會(huì)加大跟蹤偏差等問題。因此，采用動(dòng)態(tài)障礙物狀況空間重構(gòu)對(duì)于避障功能的實(shí)現(xiàn)顯得尤為重要。

3.2 避障路徑重規(guī)劃算法流程

以帶避障功能的模型預(yù)測(cè)控制系統(tǒng)為主框架，在路徑重規(guī)劃層，提出無人駕駛車避障路徑重規(guī)劃算法流程圖，如圖4 所示。協(xié)同環(huán)境建模和二次規(guī)劃問題優(yōu)化的避障路徑重規(guī)劃算法主要按照以下三步實(shí)現(xiàn)。（1）采集實(shí)時(shí)障礙物信息，計(jì)算重構(gòu)基準(zhǔn)點(diǎn)，再結(jié)合無人駕駛車的初始狀態(tài)進(jìn)行坐標(biāo)系轉(zhuǎn)換，然后根據(jù)障礙物固有構(gòu)型信息進(jìn)行重構(gòu)，從而構(gòu)建障礙物環(huán)境地圖；（2）利用障礙物環(huán)境地圖、全局參考路徑以及無人駕駛車初始狀態(tài)，以目標(biāo)函數(shù)和運(yùn)動(dòng)學(xué)約束為運(yùn)算基礎(chǔ)，然后根據(jù)是否達(dá)到預(yù)測(cè)步長(zhǎng)和目標(biāo)函數(shù)值最小進(jìn)行判斷，從而實(shí)現(xiàn)二次規(guī)劃問題滾動(dòng)優(yōu)化；（3）得到目標(biāo)函數(shù)最優(yōu)值的無人駕駛車離散狀態(tài)量，采用最小二乘法曲線擬合法進(jìn)行線性化，最終得到期望路徑，以供跟蹤控制模塊。

圖4 無人駕駛車避障路徑重規(guī)劃算法流程圖Fig.4 Flow Chart of Replanning Algorithm for Obstacle Avoidance Path of Self-Driving Car

3.3 構(gòu)型及工況設(shè)置

模型預(yù)測(cè)控制法的路徑規(guī)劃問題考慮到忽略了車身尺寸帶來的安全問題，需要對(duì)障礙物進(jìn)行膨脹處理，為安全起見，原則上需要加設(shè)安全區(qū)域，構(gòu)型必須使車輛與任何障礙物保持安全距離，設(shè)置安全區(qū)域過小，會(huì)帶來碰撞或刮擦的風(fēng)險(xiǎn)，設(shè)置安全區(qū)域過大，避障功能太過于保守，延長(zhǎng)了規(guī)劃路徑。然而，考慮到圖2中的障礙物形狀的不確定性，提出了重構(gòu)障礙物狀態(tài)空間的方法，如圖5所示。將以②③障礙物檢測(cè)寬度為輪廓寬度，④點(diǎn)為重構(gòu)中心，重構(gòu)成“圓形”和“雙八”構(gòu)型，其中未進(jìn)行重構(gòu)的障礙物形狀基于正常車輛的外形尺寸，假設(shè)定為“長(zhǎng)方形”構(gòu)型。

圖5 障礙物重構(gòu)構(gòu)型及工況設(shè)置Fig.5 Obstacle Reconstruction Configuration and Working Condition Setting

為檢測(cè)構(gòu)型的可行性和穩(wěn)定性，特設(shè)置的“超車”工況，靜態(tài)障礙物停在60m處，動(dòng)態(tài)障礙物停在120m處，當(dāng)無人駕駛車到達(dá)70m時(shí)，動(dòng)態(tài)障礙物以5m∕s的速度向前運(yùn)動(dòng)，如圖5所示。以“雙八”構(gòu)型為例，當(dāng)動(dòng)態(tài)檢測(cè)到“雙八”構(gòu)型障礙物時(shí)，其懲罰函數(shù)值變化情況，如圖6所示。

圖6 檢測(cè)到“雙八”構(gòu)型障礙物的三維函數(shù)圖Fig.6 Three-Dimensional Function Diagram of Obstacles with "Double Eight" Configuration Detected

4 仿真研究

4.1 不同構(gòu)型對(duì)避障的影響

4.1.1 障礙物重構(gòu)的位置變化

為驗(yàn)證基于障礙物狀態(tài)空間重構(gòu)避障路徑規(guī)劃的可行性，采用Carsim和Simulink的聯(lián)合仿真進(jìn)行研究，其仿真框架主要是參照的模型預(yù)測(cè)控制系統(tǒng)進(jìn)行構(gòu)建，根據(jù)仿真研究測(cè)試經(jīng)驗(yàn)將預(yù)測(cè)步長(zhǎng)設(shè)置為28，控制步長(zhǎng)設(shè)置為2，如圖3所示。左邊緣點(diǎn)重構(gòu)位置與右邊緣點(diǎn)重構(gòu)位置的距離等于障礙物重構(gòu)寬度，設(shè)置實(shí)際障礙物的寬度為2m，分析無人駕駛車行駛中障礙物重構(gòu)位置和重構(gòu)寬度的變化情況。從表1可以分析出，無人駕駛車在動(dòng)態(tài)過程中，其重構(gòu)位置和重構(gòu)輪廓寬度都在變化，當(dāng)無人車軌跡到達(dá)（23.8，0.2）時(shí)，重構(gòu)位置的變化主要是無人車運(yùn)動(dòng)接近障礙物，傳感器檢測(cè)到障礙物放大過程的誤差，誤差值保持在0.1左右，誤差可以忽略不計(jì)，并且重構(gòu)寬度一直未變，無人車從行駛方向左邊超車，當(dāng)無人車軌跡到達(dá)（35.5，0.9）時(shí)，重構(gòu)位置、重構(gòu)寬度的變化主要是檢測(cè)到的障礙物輪廓發(fā)生了變化，由檢測(cè)到原來的障礙物前輪廓變成了檢測(cè)到障礙物前輪廓和左邊輪廓的變化，當(dāng)無人車軌跡到達(dá)（58.7，2.0）時(shí)，其障礙物重構(gòu)寬度達(dá)到最大化3.2m，其后由于逐漸收緊右邊緣的檢測(cè)范圍，導(dǎo)致瞬間變小。由于以上原因?qū)е碌闹貥?gòu)位置和重構(gòu)寬度變化，對(duì)于避障來說，負(fù)面影響并不大，甚至有助于避障功能，障礙物重構(gòu)寬度越大，安全區(qū)域設(shè)置越大，促使無人駕駛車接近障礙物時(shí)由于懲罰函數(shù)值變大而遠(yuǎn)離障礙物，起到了微調(diào)作用。

表1 重構(gòu)位置變化Tab.1 Reconstruction Position Change

4.1.2 不同構(gòu)型對(duì)避障的影響

為驗(yàn)證不同構(gòu)型的避障效果，采用圖5的“超車”工況，進(jìn)行靜動(dòng)態(tài)避障仿真研究。根據(jù)文獻(xiàn)對(duì)權(quán)重系數(shù)的設(shè)置情況［11］，分別以權(quán)重系數(shù)100和1000兩種情況進(jìn)行避障對(duì)比，分析避障效果和“穿越”現(xiàn)象兩項(xiàng)指標(biāo)。不同構(gòu)型以“圓形”、“雙八”構(gòu)型和不重構(gòu)為對(duì)比主因素，經(jīng)過仿真對(duì)比研究，可得結(jié)果，如圖7所示。分析圖7（a）權(quán)重系數(shù)100的避障情況，其中圓構(gòu)型和未重構(gòu)都發(fā)生了“穿越”現(xiàn)象，即使圓構(gòu)型成功避障靜態(tài)障礙物，但是其進(jìn)入最佳路徑較慢，帶來避障風(fēng)險(xiǎn)，曲率也比“雙八”構(gòu)型避障略差一點(diǎn)。再分析圖7（b）權(quán)重系數(shù)1000的避障情況，提高權(quán)重系數(shù)的確改善了避障效果，但是也存在問題，如圓形構(gòu)型車輛避障軌跡過于接近障礙物，將帶來碰撞或刮擦的風(fēng)險(xiǎn)，未重構(gòu)型還發(fā)生了“穿越”現(xiàn)象。綜合分析可得，經(jīng)過重構(gòu)后的“雙八”構(gòu)型避障效果更優(yōu)。

圖7 不同構(gòu)型避障軌跡對(duì)比圖Fig.7 Comparison Diagram of Obstacle Avoidance Trajectories of Different Configurations

4.2 動(dòng)態(tài)避障的穩(wěn)定性

為驗(yàn)證基于障礙物狀態(tài)空間重構(gòu)避障路徑規(guī)劃應(yīng)用的穩(wěn)定性，聯(lián)合Carsim和Simulink進(jìn)行仿真研究。以“雙八”構(gòu)型為重構(gòu)構(gòu)型，仿真時(shí)無人駕駛車分別以低速10m∕s、中速20m∕s 和高速30m∕s行駛，行駛工況采用圖5的“超車”工況，仿真的無人駕駛車運(yùn)動(dòng)學(xué)特性結(jié)果，如圖8所示。無人駕駛車三種行駛速度避障過程中的橫擺角速度和側(cè)向加速度的變化情況，如圖8（a）、圖8（b）所示。無人駕駛車三種行駛速度避障過程中的路徑軌跡，如圖8（c）所示。由圖可得，在三種行駛速度動(dòng)態(tài)避障過程中無人駕駛車橫擺角速度峰值都能低于0.25rad∕s，側(cè)向加速度峰值都能低于4.41m∕s2（即0.45g）從三種速度行駛在該工況下，本方法規(guī)劃出的軌跡能夠滿足汽車穩(wěn)定行駛。

圖8 無人駕駛車的運(yùn)動(dòng)學(xué)特性Fig.8 Kinematics of Driverless Cars

4.3 與傳統(tǒng)人工勢(shì)場(chǎng)法仿真對(duì)比研究

傳統(tǒng)人工勢(shì)場(chǎng)法路徑規(guī)劃的基本思想是將無人駕駛車的行駛運(yùn)動(dòng)，設(shè)計(jì)成一種抽象的人造引力場(chǎng)的運(yùn)動(dòng)，目標(biāo)路徑對(duì)車產(chǎn)生“引力”，障礙物對(duì)車產(chǎn)生“斥力”，以通過求合力的方式來控制無人駕駛車的運(yùn)動(dòng)，應(yīng)用勢(shì)場(chǎng)法規(guī)劃出來的路徑一般是比較平滑并且安全。

為驗(yàn)證提出的基于動(dòng)態(tài)障礙物狀態(tài)空間重構(gòu)的避障路徑規(guī)劃的可靠性，將與傳統(tǒng)人工勢(shì)場(chǎng)法進(jìn)行規(guī)劃路徑的仿真對(duì)比研究，根據(jù)仿真研究測(cè)試經(jīng)驗(yàn)將傳統(tǒng)人工勢(shì)場(chǎng)法的系統(tǒng)參數(shù)設(shè)置為較優(yōu)：引力的增益系數(shù)k=15，斥力增益系數(shù)m=5，障礙影響距離P=30，障礙點(diǎn)個(gè)數(shù)n=10（未膨脹處理，靜態(tài)障礙物4個(gè)，動(dòng)態(tài)障礙物6個(gè)），步長(zhǎng)l=0.5，循環(huán)迭代次數(shù)J=800。比較結(jié)果，如圖9所示。從避障軌跡對(duì)比可得重構(gòu)障礙物信息的模型預(yù)測(cè)控制法相比于傳統(tǒng)人工勢(shì)場(chǎng)法，在控制避障方面變道更早，曲率更優(yōu)，有利于消除動(dòng)態(tài)障礙物緊急制動(dòng)帶來的碰撞風(fēng)險(xiǎn)，在橫向軌跡峰值方面偏離更小，規(guī)劃軌跡更短，有利于避障控制的靈活性和可靠性。

圖9 基于障礙物狀態(tài)空間重構(gòu)的MPC法與傳統(tǒng)人工勢(shì)場(chǎng)法的仿真對(duì)比Fig.9 Simulation Comparison Between MPC Method Based on Obstacle State Space Reconstruction and Traditional Artificial Potential Field Method

5 結(jié)論

（1）提出動(dòng)態(tài)障礙物狀態(tài)空間重構(gòu)的概念，將采集的動(dòng)態(tài)障礙物狀態(tài)空間信息轉(zhuǎn)化為可實(shí)際操作的障礙物重構(gòu)狀態(tài)空間信息，為避障路徑規(guī)劃提供可靠障礙物信息，構(gòu)建障礙物環(huán)境地圖，保證了避障規(guī)劃的可行性。

（2）采用帶避障功能的模型預(yù)測(cè)控制系統(tǒng)，在路徑重規(guī)劃模塊中引入了懲罰函數(shù)，通過帶安全區(qū)域的障礙物重構(gòu)信息，以改良權(quán)重系數(shù)對(duì)避障的影響，設(shè)置能實(shí)現(xiàn)靜態(tài)障礙物和動(dòng)態(tài)障礙物避障的行駛“超車”工況，對(duì)重構(gòu)位置信息變化進(jìn)行了分析，驗(yàn)證了該重構(gòu)方法的可靠性。

（3）將重構(gòu)法應(yīng)用于動(dòng)態(tài)避障路徑規(guī)劃仿真研究中，在特定行駛“超車”工況場(chǎng)景下以三種車速分別進(jìn)行了實(shí)現(xiàn)安全避障的仿真研究。結(jié)果表明：根據(jù)權(quán)重系數(shù)100和1000情況下分別對(duì)不同構(gòu)型進(jìn)行避障效果和“穿越”現(xiàn)象兩項(xiàng)指標(biāo)的分析，最終認(rèn)為“雙八”構(gòu)型避障效果更優(yōu)，且比未重構(gòu)的模型預(yù)測(cè)控制法避障性能強(qiáng)；以三種行駛速度為因素，分析橫擺角速度、側(cè)向加速度和橫向軌跡的運(yùn)動(dòng)學(xué)特性，其峰值和軌跡都能夠滿足汽車的穩(wěn)定行駛；與傳統(tǒng)人工勢(shì)場(chǎng)法進(jìn)行對(duì)比，從避障軌跡對(duì)比可得重構(gòu)法相比于傳統(tǒng)人工勢(shì)場(chǎng)法，在控制避障方面變道更早，曲率更優(yōu)，有利于消除動(dòng)態(tài)障礙物緊急制動(dòng)帶來的碰撞風(fēng)險(xiǎn)，在橫向軌跡峰值方面偏離更小，規(guī)劃軌跡更短，有利于避障控制的靈活性和可靠性。

（4）只針對(duì)障礙物的狀態(tài)空間進(jìn)行了重構(gòu)，實(shí)現(xiàn)了避障路徑規(guī)劃，沒有考慮無人駕駛車自身的尺寸因素，也沒有考慮行駛多目標(biāo)環(huán)境等因素，在后期的無人駕駛車避障研究中將考慮無人駕駛車自身尺寸和行駛環(huán)境等約束條件。