一种可搜索无限个邻域的改进A*算法

传统A*算法在栅格地图上进行路径规划时,求解得到的路径长度不是最短并且转折点较多.针对这些不足,提出了一种改进A*算法,将传统A*算法的可搜索邻域个数从离散的8个拓展为无限个,可以沿任意方向进行搜索.这样不仅求解出来的路径长度更短,并且大大降低了其转折点的个数.该算法被应用于自主研发的"智能先锋"号系列无人驾驶车辆上,实车试验以及它们在"中国智能车未来挑战赛"中的优异表现证明该方法能够在栅格地图中求解出一条更优的可行驶路径,可以显著提升无人驾驶车辆行驶的效率和平稳性.     

复杂环境下基于RRT的智能车辆运动规划算法

在存在大量无规则障碍物且障碍物分布不均匀的复杂环境下,现有规划算法不能很好地解决智能车辆的运动规划问题.为此,本文提出了一种简单实用的基于RRT(快速搜索随机树)的运动规划算法——连续曲率RRT算法.该算法在RRT框架中结合了环境约束以及车辆自身的约束.它首先引入了目标偏向采样策略以及合理的度量函数,大大地提高了规划速度和质量;接着提出了一种基于最大曲率约束的后处理方法以生成平滑的且曲率连续的可执行轨迹.通过仿真实验和实车测试,证实了该算法的正确性、有效性和实用性.     

基于激光传感器的无人驾驶汽车动态障碍物检测及表示方法

针对激光传感器在室外环境中检测动态障碍物所遇到的数据处理存在延时、检测结果准确率不高等问题,提出了一种基于3维激光传感器Velodyne和四线激光传感器Ibeo信息融合的动态障碍物检测及表示方法.本方法通过分析处理Velodyne激光数据对无人驾驶汽车四周的动态障碍物进行检测跟踪,对于无人驾驶汽车前方准确性要求较高的扇形区域,采用置信距离理论融合Velodyne激光数据处理信息和Ibeo输出的运动状态信息,较大地提高了对障碍物运动状态的检测准确率,然后根据融合得到的结果对运动障碍物的位置进行延时修正,最终在障碍物占用栅格图上将动态障碍物所占据位置与静态障碍物所占据位置区别标示.本方法不仅可以在室外环境中准确地检测出障碍物运动信息,而且可以消除传感器数据处理延时所带来的动态障碍物位置偏差,更准确地将环境中的动静态障碍物信息用障碍物占用栅格图进行描述.该种方法应用在了自主研发的无人驾驶汽车平台上,大量的实验以及它们在"中国智能车未来挑战赛"中的优异表现证明该方法具备可靠性和准确性.     

基于A*引导域的RRT智能车辆路径规划算法

为了泛化RRT （快速搜索随机树）算法在智能车辆路径规划领域内的应用,解决该算法搜索效率低、最近邻搜索函数不合理等问题,本文提出了一种基于A*引导域的RRT路径规划算法.该算法将A*算法与RRT搜索算法进行有效地结合,利用由A*算法在低分辨率栅格图中生成的最短路径来构建引导域,以提升RRT算法的采样效率;同时在设计RRT算法的最近邻搜索函数时考虑车辆自身约束,以增强搜索树节点选择的合理性.通过仿真实验和实车测试,对该算法的优越性、有效性和实用性进行了验证.