摘 要：為了提高無人駕駛汽車動態(tài)避障的成功率，實現(xiàn)路徑最優(yōu)規(guī)劃目標，本文引入了改進卷積網(wǎng)絡，并開展了基于該網(wǎng)絡的無人駕駛汽車動態(tài)避障路徑規(guī)劃方法研究。首先，建立了精確的汽車運動學模型，以描述無人駕駛汽車在行駛過程中的運動學特性。其次，對道路障礙物目標位置進行檢測，連續(xù)獲取道路動態(tài)障礙物目標的信息，預測障礙物未來的位置和速度。最后，在此基礎上，利用改進卷積網(wǎng)絡計算了無人駕駛汽車動態(tài)避障路徑損失函數(shù)，評估了規(guī)劃避障路徑與實際目標路徑之間的差距。同時，輔助人工勢場法求解勢能的最小值，得到了汽車避障路徑。試驗結果表明，應用本文提出的規(guī)劃方法后，在6個車道上，無人駕駛汽車的動態(tài)避障成功率始終高于另外2個對照組，均達到了99%以上，可以有效地識別障礙物并進行避障。

關鍵詞：改進卷積網(wǎng)絡；無人駕駛汽車；動態(tài)；避障；規(guī)劃；路徑

中圖分類號：TP 301 " " " " " 文獻標志碼：A

隨著科技的快速發(fā)展，無人駕駛汽車已成為當今研究的熱點之一。無人駕駛汽車主要通過車載傳感器的感知作用，實時感知并識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，實現(xiàn)無須人工駕駛的目標[1]。作為智能化控制技術的產(chǎn)物，無人駕駛汽車在運行過程中必須同時具備多種功能，包括行駛路徑規(guī)劃、決策控制以及定位導航等。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，同時也能為乘客提供良好的乘車體驗[2]。其中，動態(tài)避障路徑規(guī)劃是確保無人駕駛汽車安全行駛的關鍵技術之一，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目的地[3]。

當前，傳統(tǒng)的無人駕駛汽車動態(tài)避障路徑規(guī)劃方法多采用文獻[3]提出的方法，當使用這些方法處理動態(tài)避障路徑規(guī)劃問題時，往往存在準確性不高、實時性不強等問題。

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

基于此，本文引入了改進卷積網(wǎng)絡，并開展了基于該網(wǎng)絡的無人駕駛汽車動態(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)化和改進卷積神經(jīng)網(wǎng)絡，提高動態(tài)避障路徑規(guī)劃的準確性和實時性，使無人駕駛汽車能夠在復雜的環(huán)境中實現(xiàn)自主駕駛。

1 無人駕駛汽車動態(tài)避障路徑規(guī)劃方法研究

1.1 無人駕駛汽車運動學建模

由于無人駕駛汽車是一個多自由度、高耦合度的復雜系統(tǒng)，因此在對其動態(tài)避障路徑進行規(guī)劃之前，需要建立1個精確的模型來描述無人駕駛汽車在行駛過程中的運動學特性。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動學模型模型如圖1所示。

在圖1中，用位于A點的車輪代替無人駕駛汽車的2個左、右前輪；用位于B點的中央后輪代替無人駕駛汽車的2個左、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。在無人駕駛汽車運動學模型中，假設A點和B點處車輛的速度矢量分別為前后輪的方向且均為0，則此時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。

汽車的運動學模型表達式如公式（2）所示。

（2）

式中：x'、y'、φ'分別為汽車橫向坐標、縱向坐標、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，可以通過傳感器測量得出。

由于無人駕駛汽車對橫向加速度有嚴格的限制，因此，在汽車換道避障過程中，不會發(fā)生側(cè)向滑動現(xiàn)象[6]。通過汽車運動學建模，明確汽車在行駛過程中的狀態(tài)量與控制量，根據(jù)二者之間存在的關聯(lián)，保證汽車行駛的穩(wěn)定性[7]。

1.2 障礙物目標位置檢測

無人駕駛汽車在運動學建模完成后，獲取汽車行駛的狀態(tài)量與控制量，然后，對道路障礙物目標位置進行檢測，連續(xù)獲取道路動態(tài)障礙物目標的信息，為后續(xù)動態(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云數(shù)據(jù)。對采集到的數(shù)據(jù)進行預處理，包括濾波、去噪、圖像增強等，以提高道路障礙物目標數(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)預處理后的數(shù)據(jù)識別障礙物。道路動態(tài)障礙物識別包括二分類（有無動態(tài)障礙物）和多分類（不同種類的動態(tài)障礙物）2種[9]。根據(jù)識別結果，對障礙物的位置進行估計。跟蹤檢測到的障礙物，預測其未來的位置和速度，以便無人駕駛汽車能夠動態(tài)避障。

1.3 基于改進卷積網(wǎng)絡規(guī)劃汽車動態(tài)避障路徑

道路障礙物目標位置檢測完畢后，得到道路動態(tài)障礙物相關信息。在此基礎上，利用改進卷積網(wǎng)絡規(guī)劃無人駕駛汽車最優(yōu)的動態(tài)避障路徑。

利用改進卷積網(wǎng)絡計算無人駕駛汽車動態(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為無人駕駛汽車動態(tài)避障路徑損失函數(shù)；di為規(guī)劃出的路徑從第i個采樣點到目標點的距離；di'為實際目標路徑從第i個采樣點到目標點的距離；n為采樣點的數(shù)量。

通過路徑損失函數(shù)，可以評估規(guī)劃的避障路徑與實際目標路徑之間的差距。在此基礎上，綜合考慮無人駕駛汽車換道避障時的車輛穩(wěn)定性與安全性，以控制汽車換道躍度值為目標，規(guī)劃動態(tài)避障路徑。設定無人駕駛汽車的起始點橫坐標為x0，終點橫坐標為xf。以汽車的質(zhì)心O（x，y）作為位置坐標，根據(jù)汽車可行駛區(qū)域的相關參數(shù)，確定汽車質(zhì)心的可行駛區(qū)域。在此基礎上，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，以避障最短時間作為路徑規(guī)劃的性能指標，使汽車能夠以最短的時間避開道路前方的動態(tài)障礙物，并實現(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)，以汽車運動學特性約束為基礎，根據(jù)汽車是否達到預測行駛步長進行判斷，初步獲取期望的避障規(guī)劃路徑。然后，輔助以人工勢場法原理，建立人工勢場模型（如圖2所示）。

在整個人工勢場環(huán)境中，無人駕駛汽車受到動態(tài)障礙物施加的斥力勢場作用以及終點施加的引力勢場作用，使汽車能夠遠離動態(tài)障礙物，向避障終點運動。人工勢場的數(shù)學表達式如公式（4）、公式（5）所示。

U=Ua+Ub （4）

式中：U為人工勢場；Ua為避障終點所施加的引力勢場函數(shù)；Ub為障礙物時間的斥力勢場函數(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，實現(xiàn)動態(tài)避障。同時，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進行動態(tài)避障路徑的規(guī)劃。

2 試驗分析

2.1 試驗準備

本文選擇Gazebo無人駕駛汽車模擬平臺來模擬此次試驗所需的無人駕駛汽車行駛環(huán)境。該模擬平臺提供了逼真的車輛動力學模型和道路環(huán)境，可以模擬多種傳感器，包括激光雷達、攝像頭以及GPS等。在Gazebo平臺中，筆者分別進行了道路環(huán)境建模與障礙物建模。設置道路全長為1 200 m，總共包含6個車道，每條車道寬度均為3.75 m?；诓煌慕煌ㄊ鹿是闆r，筆者在6個車道上分別設置了不同位置的障礙物。其中，障礙物的縱向距離設置為60.5 m，無人駕駛汽車換道避障的橫向距離為3.75 m。為了訓練和改進卷積神經(jīng)網(wǎng)絡模型，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?？梢允褂媚M平臺或?qū)嶋H傳感器來采集這些數(shù)據(jù)，并使用適當?shù)墓ぞ邔?shù)據(jù)進行預處理和標注。預處理和標注后的駕駛數(shù)據(jù)見表1。

在上述試驗準備完畢后，筆者運用提出的基于改進卷積網(wǎng)絡的無人駕駛汽車動態(tài)避障路徑規(guī)劃方法，進行了避障路徑規(guī)劃試驗。

2.2 結果分析

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

本文選取無人駕駛汽車動態(tài)避障規(guī)劃路徑的避障成功率，作為本次試驗的對比指標，評估規(guī)劃出的路徑是否能夠使無人駕駛汽車準確地避開設置的障礙物。計算過程如公式（6）所示。

（6）

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

對上述的6個模擬車道進行編號，分別為DL-01#、DL-02#、DL-03#、DL-04#、DL-05#、DL-06#。筆者測定了應用3種規(guī)劃方法后，動態(tài)避障路徑的避障成功率，并進行了客觀對比，結果如圖3所示。

通過圖3的評估指標對比結果可以看出，應用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。應用本文提出的基于改進卷積網(wǎng)絡的無人駕駛汽車動態(tài)避障路徑規(guī)劃方法后，6個車道的無人駕駛汽車動態(tài)避障成功率始終高于另外2個對照組，均達到了99%以上。這表明該方法可以有效地識別障礙物并進行避障，具有較高的可行性，對提高無人駕駛汽車行駛的安全性起到了重要作用。

3 結語

綜上所述，動態(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卷積網(wǎng)絡的無人駕駛汽車動態(tài)避障路徑規(guī)劃方法。試驗結果表明，該方法能夠在復雜的環(huán)境中有效地識別障礙物并預測其運動軌跡，同時能夠規(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域的路徑規(guī)劃問題提供參考，具有廣泛的應用前景。

參考文獻

[1]張立霞，張莉莉，劉晉麗.基于強化學習優(yōu)化汽車智能換道與間距預警的汽車避障系統(tǒng)[J].自動化與儀器儀表， 2023（8）：139-143.

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

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

[4]劉藝，童亮，徐子豐，等.考慮障礙物風險場的智能車輛避障路徑分層規(guī)劃方法[J]. 北京信息科技大學學報（自然科學版），2023，38（1）：24-31.

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

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

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

[8]劉名洋，宋瑞，周建華，等.自動駕駛軌跡預測規(guī)劃技術及在交叉路口下的應用[J].北京汽車，2022（3）：1-7，13.

[9]李耀華，范吉康，劉洋，等.自適應雙時域參數(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)能學報，2021，12（4）：528-539.