智聯(lián)網(wǎng)汽車技術(shù) 課件 6.3局部路徑規(guī)劃

局部路徑規(guī)劃項目三汽車決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時川智能網(wǎng)聯(lián)汽車技術(shù)課程導(dǎo)入自動駕駛汽車在完全未知的環(huán)境里面自主駕駛怎么確定自己的行駛路徑？是預(yù)先規(guī)劃好全局路徑，還是根據(jù)實時環(huán)境進(jìn)行局部規(guī)劃?學(xué)習(xí)目標(biāo)學(xué)習(xí)局部路徑規(guī)劃的基本概念和算法分類01學(xué)會解釋其基本概念，并能舉例說明它的作用02學(xué)習(xí)任務(wù)和小智一起，完成對局部路徑規(guī)劃必要知識的介紹01激活舊知為什么需要局部路徑規(guī)劃嗎?局部規(guī)劃相比全局規(guī)劃而言，可以根據(jù)環(huán)境的復(fù)雜多變從而做到實時調(diào)整，以確保駕駛安全。探索新知全局規(guī)劃通常需要在已知環(huán)境中進(jìn)行，屬于一種事前規(guī)劃，可以找到最優(yōu)解，但是一旦環(huán)境發(fā)生變化，或未及時更新地圖時，該方法就不能達(dá)到預(yù)期效果。全局規(guī)劃探索新知全局規(guī)劃車輛在實際行駛中，位置、航向和轉(zhuǎn)彎半徑是連續(xù)變化的，那么生成的路徑也要滿足位置、切向方向和曲率的連續(xù)變化。探索新知全局規(guī)劃作用：基于一定的環(huán)境地圖尋找一條滿足車輛運動學(xué)約束和舒適性指標(biāo)的無碰撞路徑。屬于全局路徑規(guī)劃的實時補償規(guī)劃局部路徑規(guī)劃探索新知局部路徑規(guī)劃車輛在一段較短時間或空間內(nèi)的動態(tài)路線規(guī)劃，通常在未知或部分已知的環(huán)境中，系統(tǒng)根據(jù)車載傳感設(shè)備及V2X實時獲取到環(huán)境障礙物及駕駛?cè)说臓顟B(tài)信息，包括交通信號、自車位姿狀態(tài)、動靜態(tài)障礙物信息等。局部路徑規(guī)劃探索新知局部路徑規(guī)劃并做出相應(yīng)規(guī)劃，規(guī)劃出的路徑可以實現(xiàn)動態(tài)避障功能和超車變道等情境中，具有較高的實時性，從而提高軌跡的合理性及安全性。局部路徑規(guī)劃探索新知局部路徑規(guī)劃從車輛的當(dāng)前位置出發(fā)，根據(jù)一系列車身傳感器感知得到的障礙物運動速度與運動方向等信息，在機器視覺的一定預(yù)瞄范圍內(nèi)規(guī)劃出一條安全、可靠的最短參考路徑，同時該參考路徑必須滿足動態(tài)避障條件，并由一定間距的點序列構(gòu)成。探索新知局部路徑規(guī)劃移動車輛在沿參考路徑運動的同時，以車輛當(dāng)前行走速度，對參考路徑進(jìn)行新一輪規(guī)劃，并將重新規(guī)劃的路徑代替原參考路徑，進(jìn)入新一輪的路徑跟蹤控制，使車輛沿動態(tài)參考路徑不斷向全局目標(biāo)點接近。探索新知典型算法現(xiàn)階段智能汽車的局部路徑規(guī)劃方法多樣，但在實時性與魯棒性等方面有所差異人工勢場法神經(jīng)網(wǎng)絡(luò)法模糊邏輯法遺傳算法探索新知典型算法krogh和khatib于1986年提出的一種構(gòu)造虛擬勢函數(shù)的方法，人工勢場法結(jié)構(gòu)簡單、計算量小，對傳感器要求低，很好的解決實時避障問題上。人工勢場法（potentialfield）探索新知典型算法智能汽車要到達(dá)的目標(biāo)點對其產(chǎn)生引力勢場，方向由四周向自身聚攏，而障礙物對汽車產(chǎn)生斥力勢場，方向由其自身向外部發(fā)散。將智能汽車的運動簡化為在受力場中的運動探索新知典型算法將智能汽車的運動簡化為在受力場中的運動由于引力勢場和斥力勢場的共同作用，引力場根據(jù)與目標(biāo)點的距離增加而單調(diào)遞增，且方向指向目標(biāo)點，而斥力場在車輛處在障礙物位置時有一極大值，并根據(jù)車輛與障礙物距離的增大而單調(diào)減小，方向指向遠(yuǎn)離障礙物方向。探索新知典型算法智能汽車能夠在引力作用下向目標(biāo)點移動，因為斥力作用而躲避障礙物，因此汽車能夠順利安全地到達(dá)終點。將智能汽車的運動簡化為在受力場中的運動探索新知典型算法該種算法被廣泛應(yīng)用于路徑規(guī)劃中人工勢場算法簡單實用，無須對全局進(jìn)行搜索，且魯棒性較強，且有著良好的實時性和較簡單的結(jié)構(gòu)，便于底層的實時控制，在智能汽車的實時避障和平滑的軌跡控制方面得到廣泛的應(yīng)用。探索新知典型算法由于引力勢場的范圍比較大，而斥力的作用范圍只是局部的，當(dāng)車輛和障礙物的距離超過障礙物影響范圍的時候，車輛不受排斥勢場的影響。探索新知典型算法因此而會出現(xiàn)諸如存在陷阱區(qū)域、在相近的障礙物群中不能識別路徑和在狹窄通道中擺動之類的缺點。人工勢場法只能解決局部空間的避障問題探索新知典型算法采用廣泛互聯(lián)的結(jié)構(gòu)與有效的學(xué)習(xí)機制來模擬人腦信息處理的過程，能夠模擬人腦復(fù)雜的層次化認(rèn)知特點的深度學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)算法探索新知典型算法由于其算力和泛用性等方面的優(yōu)越性，對于應(yīng)對往往處于信息完全未知或部分未知環(huán)境的局部路徑規(guī)劃，神經(jīng)網(wǎng)絡(luò)算法體現(xiàn)出了很大的應(yīng)用潛力。神經(jīng)網(wǎng)絡(luò)算法探索新知典型算法建立一個關(guān)于車輛從初始位置到目標(biāo)位置行走路徑的神經(jīng)網(wǎng)絡(luò)模型，模型輸入是傳感器信息和車輛前一位置或者前一位置的運動方向，通過對模型訓(xùn)練輸出車輛下一位置或者下一位置的運動方向，通過其自學(xué)習(xí)能力降低環(huán)境中的動態(tài)因素對系統(tǒng)的影響。探索新知典型算法對于智能汽車動態(tài)運行狀態(tài)的多狀態(tài)處理有著很強的包容性，但需要量的參數(shù)和較長的學(xué)習(xí)時間。探索新知典型算法根據(jù)人類的駕駛經(jīng)驗產(chǎn)生的，司機能夠根據(jù)模糊環(huán)境信息做出轉(zhuǎn)彎直行等避障動作，參考這一過程移動機器人在路徑規(guī)劃的時候，先將環(huán)境信息模糊化，再通過查規(guī)則表來獲得規(guī)劃的結(jié)果。模糊邏輯算法探索新知典型算法缺點模糊判斷需要較多的先驗知識，所以靈活性較差當(dāng)輸入較多時會造成規(guī)則庫或模糊表急劇膨脹優(yōu)點克服了一般局部規(guī)劃方法產(chǎn)生局部極小點的弊端實時性較好探索新知典型算法遺傳算法近來在移動機器人路徑規(guī)劃領(lǐng)域取得了許多成果基本思想首先將個體編碼為路徑中的一些中間點，然后再進(jìn)行選擇、交叉、復(fù)制、變異這些遺傳操作，經(jīng)過若干代的選擇之后最后輸出的是最優(yōu)個體。探索新知典型算法遺傳算法是一種并行計算的方法，不容易陷入局部極值點，但由于其計算速度較慢限制了它的應(yīng)用。遺傳算法的進(jìn)化方向由適應(yīng)度函數(shù)決定，因此適應(yīng)度函數(shù)的選擇非常重要探索新知典型算法以上介紹了幾種目前常用環(huán)境信息已知的全局規(guī)劃和環(huán)境信息未知的局部規(guī)劃的方法，但現(xiàn)實的環(huán)境往往介于兩者之間。即環(huán)境信息部分己知和部分未知的情況探索新知典型算法針對上述的環(huán)境，一種全局路徑規(guī)劃和局部路徑規(guī)劃相結(jié)合的混合路徑規(guī)劃的思路被一些專家和學(xué)者所提出，既利用了全局路徑規(guī)劃環(huán)境利用率高的特點也結(jié)合了局部路徑規(guī)劃的靈活性。即時檢測小測試人工