一种无人车路径规划的优化思路

REF：基于激光 SLAM 的自动导引车导航系统研究

1. 系统框架

路径规划算法主要分为全局路径规划和局部路径规划，其中全局路径规划就是在已知环境地图的基础上，通过对整个工作空间进行分析规划，找到一条从起点到终点的全局路径，通常包括路径搜索和轨迹优化两个步骤，路径搜索作为前端，依据起始点与目标点的位置，借助各类路径规划算法找出可行路径；而路径优化则是后端，在路径搜索的基础上考虑AGV 的动力学、运动学约束、障碍物等实际因素，对路径进行优化调整，让路径变得更加平滑、连续，常用的算法包括基于搜索的路径规划算法（通过将路径规划问题转变为图搜索问题，然后通过搜索离散状态空间来寻找最优路径）、基于采样的路径规划算法（主要针对高维复杂环境，通过随机采样状态空间来构建路径）和基于马尔可夫决策过程的路径规划算法（将路径规划问题建模为状态、动作与奖励的决策过程）。 局部路径规划算法是在全局路径规划的基础上，根据实时传感器数据，对 AGV 实时运动路径进行在线调整的过程，核心目标是在保证安全性的前提下，动态避开障碍物、适应环境变化，并尽可能保证到达目标点，以动态环境为核心，核心目标是提升机器人实际运行过程中避障能力。

11cad52d0c7e4ba3d83bd9a49763e715.png

39b940b156a63d5aeb40eff76954d2dc.png

536bb67e7af9ed1b557a400258132cfd.png

2. 全局路径规划

• 传统A-star的综合代价函数：f(n)=g(n)+h(n)，其中g(n)表示从起点到当前节点 的实际代价，而 h(n ) 是从当前节点 n 到目标节点的估计代价，即启发函数。
• 引入障碍物优化：启发函数增加系数：1−log(P)，其中P表示障碍物比率，当障碍物较多时，P较大，则系数值会减小，从而降低启发式函数权重，使得算法更倾向于扩展已知代价较低的节点，从而避免陷入高障碍物比率的区域
• 引入距离优化：代价函数调整为：f(n)=(1−β(s))⋅(1−log(P))⋅h(n)+β(s)⋅g(n)，其中β为当前搜索步数和预估的总预计搜索步数比值，或者已搜索距离和预估总距离比值
• 领域扩展改进：传统算法通过在当前节点沿着周围 8 个搜索方向探索路径空间以寻找最优路径，增加到16 邻域搜索方法

d302bc657ace1180389b7bdb79dc94e7.png

• 路径优化：采用基于 Floyd 双向平滑度优化及节点删除策略来减少冗余拐角，计算它们的角度θi\theta_iθi来对节点进行筛选，根据提前设定好的阈值来决定是否删除中间节点，接着通过扫描整个路径节点，不断删除此类多余节点，就可以使路径更加平滑。

077537326cc6c5c52fc643e71c0582cb.png

3. 局部路径规划

• 传统DWA：评估函数形式

其中α、β、γ为权重系数、heading是当前速度下轨迹末端点与目标点的方位偏差，来评估轨迹的方向适应性，dist为轨迹与障碍物的最近距离，反映机器人运行的安全性，velocity是当前速度大小的评价函数，该值越大时说明机器人的速度越快

• 障碍物自适应优化：

有关避障轨迹的权重自动增加，此时 AGV 会优先选择能够避开障碍物的轨迹，减少对目标位置的关注。