基于改进卷积网络的无人驾驶汽车动态避障路径规划方法

摘 要：为了提高无人驾驶汽车动态避障的成功率，实现路径最优规划目标，本文引入了改进卷积网络，并开展了基于该网络的无人驾驶汽车动态避障路径规划方法研究。首先，建立了精确的汽车运动学模型，以描述无人驾驶汽车在行驶过程中的运动学特性。其次，对道路障碍物目标位置进行检测，连续获取道路动态障碍物目标的信息，预测障碍物未来的位置和速度。最后，在此基础上，利用改进卷积网络计算了无人驾驶汽车动态避障路径损失函数，评估了规划避障路径与实际目标路径之间的差距。同时，辅助人工势场法求解势能的最小值，得到了汽车避障路径。试验结果表明，应用本文提出的规划方法后，在6个车道上，无人驾驶汽车的动态避障成功率始终高于另外2个对照组，均达到了99%以上，可以有效地识别障碍物并进行避障。

关键词：改进卷积网络；无人驾驶汽车；动态；避障；规划；路径

中图分类号：TP 301 " " " " " 文献标志码：A

随着科技的快速发展，无人驾驶汽车已成为当今研究的热点之一。无人驾驶汽车主要通过车载传感器的感知作用，实时感知并识别汽车行驶周边的环境信息和状态变化，这些感知信息被用来控制汽车的转向和速度，实现无须人工驾驶的目标[1]。作为智能化控制技术的产物，无人驾驶汽车在运行过程中必须同时具备多种功能，包括行驶路径规划、决策控制以及定位导航等。只有这些功能相互协调，才能保障无人驾驶汽车在行驶过程中的安全性，同时也能为乘客提供良好的乘车体验[2]。其中，动态避障路径规划是确保无人驾驶汽车安全行驶的关键技术之一，旨在规划一条避开障碍物的安全路径，使汽车能够顺利到达目的地[3]。

当前，传统的无人驾驶汽车动态避障路径规划方法多采用文献[3]提出的方法，当使用这些方法处理动态避障路径规划问题时，往往存在准确性不高、实时性不强等问题。

改进卷积网络（Convolutional Neural Network，CNN）能够改善传统避障路径规划方法的不足。通过对卷积神经网络进行优化和改进，以提高其在特定任务上的性能和准确性[4]。改进卷积网络的目标是更好地处理具有类似网格结构的数据以及在处理过程中提高网络的特征提取能力和泛化性能。

基于此，本文引入了改进卷积网络，并开展了基于该网络的无人驾驶汽车动态避障路径规划方法研究，旨在提高无人驾驶汽车的安全性和行驶效率。通过优化和改进卷积神经网络，提高动态避障路径规划的准确性和实时性，使无人驾驶汽车能够在复杂的环境中实现自主驾驶。

1 无人驾驶汽车动态避障路径规划方法研究

1.1 无人驾驶汽车运动学建模

由于无人驾驶汽车是一个多自由度、高耦合度的复杂系统，因此在对其动态避障路径进行规划之前，需要建立1个精确的模型来描述无人驾驶汽车在行驶过程中的运动学特性。根据这些特性，可以规划与车辆控制需求适配度最高的避障路径[5]。

本文建立的无人驾驶汽车运动学模型模型如图1所示。

在图1中，用位于A点的车轮代替无人驾驶汽车的2个左、右前轮；用位于B点的中央后轮代替无人驾驶汽车的2个左、右后轮；φ用于描述车辆的方向；β为质心侧偏角；R为车辆的转向半径；v为车辆质心处的速度。在无人驾驶汽车运动学模型中，假设A点和B点处车辆的速度矢量分别为前后轮的方向且均为0，则此时汽车的航向角如公式（1）所示。

θ=φ+β " " " " " " " " " " " " "（1）

式中：θ为汽车的航向角；φ为车辆的方向；β为质心侧偏角。

汽车的运动学模型表达式如公式（2）所示。

（2）

式中：x'、y'、φ'分别为汽车横向坐标、纵向坐标、方向夹角；v为车辆质心处的速度；L为行驶距离；δf、δr分别为汽车前轮转角与后轮转角。汽车的速度属于外部变量，可以通过传感器测量得出。

由于无人驾驶汽车对横向加速度有严格的限制，因此，在汽车换道避障过程中，不会发生侧向滑动现象[6]。通过汽车运动学建模，明确汽车在行驶过程中的状态量与控制量，根据二者之间存在的关联，保证汽车行驶的稳定性[7]。

1.2 障碍物目标位置检测

无人驾驶汽车在运动学建模完成后，获取汽车行驶的状态量与控制量，然后，对道路障碍物目标位置进行检测，连续获取道路动态障碍物目标的信息，为后续动态避障路径规划提供有力的支持。利用超声波传感器采集道路图像或点云数据。对采集到的数据进行预处理，包括滤波、去噪、图像增强等，以提高道路障碍物目标数据的质量和可靠性[8]。采用基于特征的方法原理，根据预处理后的数据识别障碍物。道路动态障碍物识别包括二分类（有无动态障碍物）和多分类（不同种类的动态障碍物）2种[9]。根据识别结果，对障碍物的位置进行估计。跟踪检测到的障碍物，预测其未来的位置和速度，以便无人驾驶汽车能够动态避障。

1.3 基于改进卷积网络规划汽车动态避障路径

道路障碍物目标位置检测完毕后，得到道路动态障碍物相关信息。在此基础上，利用改进卷积网络规划无人驾驶汽车最优的动态避障路径。

利用改进卷积网络计算无人驾驶汽车动态避障路径的损失函数，如公式（3）所示。

H=∑（di-di'）˅2/n （3）

式中：H为无人驾驶汽车动态避障路径损失函数；di为规划出的路径从第i个采样点到目标点的距离；di'为实际目标路径从第i个采样点到目标点的距离；n为采样点的数量。

通过路径损失函数，可以评估规划的避障路径与实际目标路径之间的差距。在此基础上，综合考虑无人驾驶汽车换道避障时的车辆稳定性与安全性，以控制汽车换道跃度值为目标，规划动态避障路径。设定无人驾驶汽车的起始点横坐标为x0，终点横坐标为xf。以汽车的质心O（x，y）作为位置坐标，根据汽车可行驶区域的相关参数，确定汽车质心的可行驶区域。在此基础上，寻找避障路径规划的最优控制量。在无人驾驶汽车换道避障的过程中，以避障最短时间作为路径规划的性能指标，使汽车能够以最短的时间避开道路前方的动态障碍物，并实现变道。

利用障碍物环境地图和无人驾驶汽车的初始状态，以汽车运动学特性约束为基础，根据汽车是否达到预测行驶步长进行判断，初步获取期望的避障规划路径。然后，辅助以人工势场法原理，建立人工势场模型（如图2所示）。

在整个人工势场环境中，无人驾驶汽车受到动态障碍物施加的斥力势场作用以及终点施加的引力势场作用，使汽车能够远离动态障碍物，向避障终点运动。人工势场的数学表达式如公式（4）、公式（5）所示。

U=Ua+Ub （4）

式中：U为人工势场；Ua为避障终点所施加的引力势场函数；Ub为障碍物时间的斥力势场函数。

F=Fa+Fb （5）

式中：F为无人驾驶汽车受力；Fa为无人驾驶汽车受到的引力；Fb为无人驾驶汽车受到的斥力。

通过求解总势能的最小值，得到汽车的避障路径。通过无人驾驶汽车的控制系统控制车辆沿着规划后的路径行驶，实现动态避障。同时，不断更新车辆周围的环境信息，以便在行驶过程中能够实时进行动态避障路径的规划。

2 试验分析

2.1 试验准备

本文选择Gazebo无人驾驶汽车模拟平台来模拟此次试验所需的无人驾驶汽车行驶环境。该模拟平台提供了逼真的车辆动力学模型和道路环境，可以模拟多种传感器，包括激光雷达、摄像头以及GPS等。在Gazebo平台中，笔者分别进行了道路环境建模与障碍物建模。设置道路全长为1 200 m，总共包含6个车道，每条车道宽度均为3.75 m。基于不同的交通事故情况，笔者在6个车道上分别设置了不同位置的障碍物。其中，障碍物的纵向距离设置为60.5 m，无人驾驶汽车换道避障的横向距离为3.75 m。为了训练和改进卷积神经网络模型，需要采集大量的驾驶数据，包括车辆的位置、速度、加速度以及障碍物信息等。可以使用模拟平台或实际传感器来采集这些数据，并使用适当的工具对数据进行预处理和标注。预处理和标注后的驾驶数据见表1。

在上述试验准备完毕后，笔者运用提出的基于改进卷积网络的无人驾驶汽车动态避障路径规划方法，进行了避障路径规划试验。

2.2 结果分析

为了更好地验证本文提出的动态避障路径规划方法的可行性及规划效果，本文引入了对比分析的方法。将本文提出的基于改进卷积网络的无人驾驶汽车动态避障路径规划方法设置为实验组，将文献[2]提出的基于Lattice算法的路径规划方法、文献[4]提出的避障路径分层规划方法分别设置为对照组1与对照组2。通过对比分析，笔者判断提出方法的可行性。

本文选取无人驾驶汽车动态避障规划路径的避障成功率，作为本次试验的对比指标，评估规划出的路径是否能够使无人驾驶汽车准确地避开设置的障碍物。计算过程如公式（6）所示。

（6）

式中：Q为避障成功率，Q值越大，说明规划的动态避障路径准确性越高，反之同理；Rx为动态避障规划路径成功避开障碍物的次数；R为总测试次数。

对上述的6个模拟车道进行编号，分别为DL-01#、DL-02#、DL-03#、DL-04#、DL-05#、DL-06#。笔者测定了应用3种规划方法后，动态避障路径的避障成功率，并进行了客观对比，结果如图3所示。

通过图3的评估指标对比结果可以看出，应用3种规划方法后，规划路径的避障成功率存在明显差异。应用本文提出的基于改进卷积网络的无人驾驶汽车动态避障路径规划方法后，6个车道的无人驾驶汽车动态避障成功率始终高于另外2个对照组，均达到了99%以上。这表明该方法可以有效地识别障碍物并进行避障，具有较高的可行性，对提高无人驾驶汽车行驶的安全性起到了重要作用。

3 结语

综上所述，动态避障路径规划是无人驾驶汽车必须具备的性能之一，对无人驾驶汽车行驶的安全性、舒适性以及可靠性起到了重要作用。因此，本文提出了一种基于改进卷积网络的无人驾驶汽车动态避障路径规划方法。试验结果表明，该方法能够在复杂的环境中有效地识别障碍物并预测其运动轨迹，同时能够规划一条安全、高效的避障路径，提高汽车避障成功率。本文的研究可以提高无人驾驶汽车的安全性和行驶效率，推动智能化汽车控制行业的发展。除此之外，本文提出的研究还可以为其他领域的路径规划问题提供参考，具有广泛的应用前景。

参考文献

[1]张立霞，张莉莉，刘晋丽.基于强化学习优化汽车智能换道与间距预警的汽车避障系统[J].自动化与仪器仪表， 2023（8）：139-143.

[2]任书宇，吴钦木，周还籍.基于改进A～*和Lattice算法的自动驾驶汽车路径规划研究[J].计算机与数字工程，2023，51（2）：342-347.

[3]李亚辉，刘成晔，赵景波，等.自动驾驶汽车路径规划与轨迹跟踪研究综述[J].常州工学院学报，2023，36（1）：28-33.

[4]刘艺，童亮，徐子丰，等.考虑障碍物风险场的智能车辆避障路径分层规划方法[J]. 北京信息科技大学学报（自然科学版），2023，38（1）：24-31.

[5]陈鹏宇，孔令安，彭忆强.基于五阶Bezier曲线的无人车避障轨迹规划[J].科学技术与工程，2022，22（31）：13933-13941.

[6]李文礼，肖凯文，任勇鹏，等.行人过街场景下车辆避障路径规划与控制方法[J].汽车安全与节能学报，2022，13（3）：489-501.

[7]张智能，李以农，余颖弘，等.复杂动态环境下智能汽车局部路径规划与跟踪算法研究[J].中国公路学报，2022，35（9）：372-386.

[8]刘名洋，宋瑞，周建华，等.自动驾驶轨迹预测规划技术及在交叉路口下的应用[J].北京汽车，2022（3）：1-7，13.

[9]李耀华，范吉康，刘洋，等.自适应双时域参数MPC的智能车辆路径规划与跟踪控制[J].汽车安全与节能学报，2021，12（4）：528-539.