局部路徑規(guī)劃項(xiàng)目三汽車(chē)決策控制系統(tǒng)任務(wù)6路徑規(guī)劃系統(tǒng)主講人：楊時(shí)川智能網(wǎng)聯(lián)汽車(chē)技術(shù)課程導(dǎo)入自動(dòng)駕駛汽車(chē)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(shí)時(shí)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(lèi)01學(xué)會(huì)解釋其基本概念，并能舉例說(shuō)明它的作用02學(xué)習(xí)任務(wù)和小智一起，完成對(duì)局部路徑規(guī)劃必要知識(shí)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(shí)時(shí)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(shí)更新地圖時(shí)，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(chē)輛在實(shí)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(mǎn)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(mǎn)足車(chē)輛運(yùn)動(dòng)學(xué)約束和舒適性指標(biāo)的無(wú)碰撞路徑。屬于全局路徑規(guī)劃的實(shí)時(shí)補(bǔ)償規(guī)劃局部路徑規(guī)劃探索新知局部路徑規(guī)劃車(chē)輛在一段較短時(shí)間或空間內(nèi)的動(dòng)態(tài)路線(xiàn)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(chē)載傳感設(shè)備及V2X實(shí)時(shí)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(hào)、自車(chē)位姿狀態(tài)、動(dòng)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(shí)現(xiàn)動(dòng)態(tài)避障功能和超車(chē)變道等情境中，具有較高的實(shí)時(shí)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(chē)輛的當(dāng)前位置出發(fā)，根據(jù)一系列車(chē)身傳感器感知得到的障礙物運(yùn)動(dòng)速度與運(yùn)動(dòng)方向等信息，在機(jī)器視覺(jué)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(shí)該參考路徑必須滿(mǎn)足動(dòng)態(tài)避障條件，并由一定間距的點(diǎn)序列構(gòu)成。探索新知局部路徑規(guī)劃移動(dòng)車(chē)輛在沿參考路徑運(yùn)動(dòng)的同時(shí)，以車(chē)輛當(dāng)前行走速度，對(duì)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(chē)輛沿動(dòng)態(tài)參考路徑不斷向全局目標(biāo)點(diǎn)接近。探索新知典型算法現(xiàn)階段智能汽車(chē)的局部路徑規(guī)劃方法多樣，但在實(shí)時(shí)性與魯棒性等方面有所差異人工勢(shì)場(chǎng)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(shì)函數(shù)的方法，人工勢(shì)場(chǎng)法結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小，對(duì)傳感器要求低，很好的解決實(shí)時(shí)避障問(wèn)題上。人工勢(shì)場(chǎng)法（potentialfield）探索新知典型算法智能汽車(chē)要到達(dá)的目標(biāo)點(diǎn)對(duì)其產(chǎn)生引力勢(shì)場(chǎng)，方向由四周向自身聚攏，而障礙物對(duì)汽車(chē)產(chǎn)生斥力勢(shì)場(chǎng)，方向由其自身向外部發(fā)散。將智能汽車(chē)的運(yùn)動(dòng)簡(jiǎn)化為在受力場(chǎng)中的運(yùn)動(dòng)探索新知典型算法將智能汽車(chē)的運(yùn)動(dòng)簡(jiǎn)化為在受力場(chǎng)中的運(yùn)動(dòng)由于引力勢(shì)場(chǎng)和斥力勢(shì)場(chǎng)的共同作用，引力場(chǎng)根據(jù)與目標(biāo)點(diǎn)的距離增加而單調(diào)遞增，且方向指向目標(biāo)點(diǎn)，而斥力場(chǎng)在車(chē)輛處在障礙物位置時(shí)有一極大值，并根據(jù)車(chē)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(chē)能夠在引力作用下向目標(biāo)點(diǎn)移動(dòng)，因?yàn)槌饬ψ饔枚惚苷系K物，因此汽車(chē)能夠順利安全地到達(dá)終點(diǎn)。將智能汽車(chē)的運(yùn)動(dòng)簡(jiǎn)化為在受力場(chǎng)中的運(yùn)動(dòng)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(shì)場(chǎng)算法簡(jiǎn)單實(shí)用，無(wú)須對(duì)全局進(jìn)行搜索，且魯棒性較強(qiáng)，且有著良好的實(shí)時(shí)性和較簡(jiǎn)單的結(jié)構(gòu)，便于底層的實(shí)時(shí)控制，在智能汽車(chē)的實(shí)時(shí)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(shì)場(chǎng)的范圍比較大，而斥力的作用范圍只是局部的，當(dāng)車(chē)輛和障礙物的距離超過(guò)障礙物影響范圍的時(shí)候，車(chē)輛不受排斥勢(shì)場(chǎng)的影響。探索新知典型算法因此而會(huì)出現(xiàn)諸如存在陷阱區(qū)域、在相近的障礙物群中不能識(shí)別路徑和在狹窄通道中擺動(dòng)之類(lèi)的缺點(diǎn)。人工勢(shì)場(chǎng)法只能解決局部空間的避障問(wèn)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(jī)制來(lái)模擬人腦信息處理的過(guò)程，能夠模擬人腦復(fù)雜的層次化認(rèn)知特點(diǎn)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(duì)于應(yīng)對(duì)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(gè)關(guān)于車(chē)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(chē)輛前一位置或者前一位置的運(yùn)動(dòng)方向，通過(guò)對(duì)模型訓(xùn)練輸出車(chē)輛下一位置或者下一位置的運(yùn)動(dòng)方向，通過(guò)其自學(xué)習(xí)能力降低環(huán)境中的動(dòng)態(tài)因素對(duì)系統(tǒng)的影響。探索新知典型算法對(duì)于智能汽車(chē)動(dòng)態(tài)運(yùn)行狀態(tài)的多狀態(tài)處理有著很強(qiáng)的包容性，但需要量的參數(shù)和較長(zhǎng)的學(xué)習(xí)時(shí)間。探索新知典型算法根據(jù)人類(lèi)的駕駛經(jīng)驗(yàn)產(chǎn)生的，司機(jī)能夠根據(jù)模糊環(huán)境信息做出轉(zhuǎn)彎直行等避障動(dòng)作，參考這一過(guò)程移動(dòng)機(jī)器人在路徑規(guī)劃的時(shí)候，先將環(huán)境信息模糊化，再通過(guò)查規(guī)則表來(lái)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(diǎn)模糊判斷需要較多的先驗(yàn)知識(shí)，所以靈活性較差當(dāng)輸入較多時(shí)會(huì)造成規(guī)則庫(kù)或模糊表急劇膨脹優(yōu)點(diǎn)克服了一般局部規(guī)劃方法產(chǎn)生局部極小點(diǎn)的弊端實(shí)時(shí)性較好探索新知典型算法遺傳算法近來(lái)在移動(dòng)機(jī)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(gè)體編碼為路徑中的一些中間點(diǎn)，然后再進(jìn)行選擇、交叉、復(fù)制、變異這些遺傳操作，經(jīng)過(guò)若干代的選擇之后最后輸出的是最優(yōu)個(gè)體。探索新知典型算法遺傳算法是一種并行計(jì)算的方法，不容易陷入局部極值點(diǎn)，但由于其計(jì)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(shí)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(duì)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(zhuān)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(diǎn)也結(jié)合了局部路徑規(guī)劃的靈活性。即時(shí)檢測(cè)小測(cè)試人工