针对传统轨迹规划算法在狭长空间规划成功率低、自适应程度差等问题,提出一种基于虚拟障碍物决策的自适应两阶段轨迹规划方法。首先,通过动态规划和二次规划完成无人车辆的路径规划和速度规划;其次,提出了一种自适应聚集采样策略解决了...针对传统轨迹规划算法在狭长空间规划成功率低、自适应程度差等问题,提出一种基于虚拟障碍物决策的自适应两阶段轨迹规划方法。首先,通过动态规划和二次规划完成无人车辆的路径规划和速度规划;其次,提出了一种自适应聚集采样策略解决了狭长空间较难通过的问题;最后,构建了一种基于随机森林的虚拟障碍物决策模型提升了无人车辆在不同会车情况决策的合理性。在Carla(car learning to act)仿真平台的结果表明,相比于传统方法,该方法在狭窄区域的静态多障碍物避障时路径长度、路径曲率分别降低了2.4%、85.6%,规划成功率、安全性及其稳定性分别提高了约20%、20.6%和44.9%;在狭窄区域的动态多障碍物避障时路径长度、路径曲率分别降低了8.3%、76.4%,规划成功率、安全性及其稳定性分别提高了约36%、78.2%和45.3%。最后,将方法部署到实际无人车辆中,在狭长的走廊场景设置障碍物进行测试,验证了方法的有效性。展开更多
文摘针对传统轨迹规划算法在狭长空间规划成功率低、自适应程度差等问题,提出一种基于虚拟障碍物决策的自适应两阶段轨迹规划方法。首先,通过动态规划和二次规划完成无人车辆的路径规划和速度规划;其次,提出了一种自适应聚集采样策略解决了狭长空间较难通过的问题;最后,构建了一种基于随机森林的虚拟障碍物决策模型提升了无人车辆在不同会车情况决策的合理性。在Carla(car learning to act)仿真平台的结果表明,相比于传统方法,该方法在狭窄区域的静态多障碍物避障时路径长度、路径曲率分别降低了2.4%、85.6%,规划成功率、安全性及其稳定性分别提高了约20%、20.6%和44.9%;在狭窄区域的动态多障碍物避障时路径长度、路径曲率分别降低了8.3%、76.4%,规划成功率、安全性及其稳定性分别提高了约36%、78.2%和45.3%。最后,将方法部署到实际无人车辆中,在狭长的走廊场景设置障碍物进行测试,验证了方法的有效性。
