基于S-AWA*混合优化算法的智能汽车全局路径规划研究

摘要

现阶段智能汽车主要由环境感知、路径规划和智能控制三个模块组成，而在路径规划领域，单一的连接方式和多数启发式算法存在搜索效率较低或路径精度不佳的问题，无法满足现阶段的智能汽车全局路径规划的要求。为此，本文提出了一种智能汽车全局路径规划S-AWA*混合优化算法，旨在提高路径精度的同时，减少扩展节点数目，降低搜索耗时。主要研究内容如下： 首先提出了智能汽车全局路径规划S-AWA*混合算法，包括混合连接的节点方式和基于启发式函数的S算法，同时提出了一种并行搜索策略，该策略可根据当前节点四个方位的障碍物情况，选择合适的算法进行搜索；随后对S-AWA*混合算法进行了路径规划仿真试验，验证了S-AWA*混合算法的可行性，并分析了S-AWA*混合算法中出现的问题。 然后，针对智能汽车全局路径规划S-AWA*混合算法存在的扩展节点数目问题，在启发函数和搜索流程两方面对S-AWA*混合算法进行了优化，即提出了S-AWA*混合优化算法。在启发函数方面，引入了动态优化因子，同时提出了一种新型动态估价函数，并对提出的各项参数进行了多目标函数参数优化设计；在搜索流程方面，引入了限定终止系数，修改了四连接AWA*算法的终止条件；随后进行了路径规划仿真试验，验证了S-AWA*混合优化算法的有效性。 最后，进行了真实环境地图的构建和多项路径规划试验，验证了智能汽车全局路径规划S-AWA*混合优化算法试验结果和仿真结果的一致性，进一步说明了S-AWA*混合优化算法的有效性及优越性。 研究表明，S-AWA*混合算法可在提高路径精度的同时，大幅度减少扩展节点数目，降低搜索耗时，相比于传统AWA*算法在路径长度、扩展节点数目和路径耗时方面分别下降了14.2%、43.6%和54.7%；而S-AWA*混合优化算法相比于S-AWA*混合算法，在路径长度方面保持一致的同时，进一步减少了扩展节点数目和搜索耗时，分别下降了10.6%和7.1%；有效解决了目前智能汽车全局路径规划在复杂环境地图下存在路径精度和搜索效率不能同时满足的矛盾问题。

目录

第一个书签之前