基于多影响因素RDMA*算法的无人驾驶动态路径规划*

许伦辉 曹宇超 林培群

（华南理工大学土木与交通学院 广州510640）

0 引 言

随着人工智能影响范围的不断扩大，智能交通中的无人驾驶技术也在不断的发展和成熟。各大企业如谷歌、百度、华为等也在无人驾驶领域布局。其中无人驾驶路径规划是无人驾驶技术中的一个重要部分，它直接影响着无人驾驶汽车行驶的效率及安全性。路径规划模块是无人驾驶车辆与道路的连接关键，也是环境感知与运动规划的桥梁。路径规划的根本目的是为车辆找到一条根据目标设定结果最优且能安全到达的路径。

当前，很多研究学者提出不同的路径规划算法，分别是以A*算法为代表的基于图搜索的路径规划算法和以快速扩展树为代表的基于采样的路径规划算法[1]。卞永明等[2]在基础A*算法估价函数的基础上，引入惩罚函数和奖励因，解决了传统A*算法拐点多的问题，提升了AGV 的全局运输效率；毛晨悦等[3]在无人机领域通过在势场函数中加入了动态调节因子，提出了改进人工势场法的避障路径规划方法；Chen 等[4]针对已知环境下移动机器人的路径规划问题，提出了一种基于网格图的混合人工势场和蚁群优化路径规划方法；何佳等[5]综合考虑RRT 算法节点选择、步长选择、扩展方向等，结合路径规划问题，提出了改进的RRT路径规划算法；刘生伟等[6]针对在较大栅格地图上进行路径规划时，传统A*算法搜索路径效率低，引入切比雪夫距离作为当前节点的父节点启发函数之和的系数，通过关键点选取方法提出了改进的A*路径规划算法；罗显跃等[7]针对巡检机器人避障过程中的路径规划问题，提出了一种基于栅格地图参数可调势场法的障碍物绕行智能路径规划算法；吕太之等[8]针对传统局部路径规划结果中易陷入局部最优和路径不光滑等问题，提出了一种改进的平滑路径算法；Fu 等[9]提出了一种基于多行为融合的势场方法，通过设计不同的激活条件以确定当前行为，在不同的障碍物环境中产生无碰撞路径。如今还包括一些智能仿生结合的算法。如AL-Taharw等[10]提出了一种基于静态环境的遗传算法解决路径规划问题；贺盼博等[11]提出了一种基于多约束条件的改进遗传算法的路径规划；万逸飞等[12]针对蚁群算法收敛速度慢及易陷入局部最优的缺陷，结合A*算法提出了改进的A*蚁群算法；Yue等[13]通过添加惩罚策略来改进传统蚁群算法在路径规划中搜索效率。上述研究大部分都只考虑了距离因素来选择路径，并且属于静态路径规划方法。缺点在于，单纯以距离作为路径选择依据，忽略了出行中其他交通因素的影响，会使得评估不全面；其次初始状态进行静态路径规划，当实际无人车运行中出现某些不可预估的突发事件时，路径无法及时变更，当到达了事故点后，再重新规划会造成资源的浪费和效率的降低。部分学者对动态路径规划进行了研究，如曾鹏等[14]基于Vanet平台提出了一种考虑了拥堵的动态双向A*搜索算法；周自维等[15]针对复杂局部环境中机器人实时自主导航问题，构建了结合“双向搜索多边形构造算法”和“基于势场函数的运动控制器”的路径规划算法；陈艳等[16]扩展了一种用于移动机器人实时路径规划的神经网络方法，使用概率路线图来解决移动机器人在不稳定环境中的实时无碰撞运动规划问题；成怡等[17]为了满足移动机器人全局路径规划最优和实时避障的需求，提出了一种改进A*算法与Morphin搜索树算法相结合的动态路径规划方法；曾庆成等[18]从AGV 运输作业时间角度，建立考虑拥堵的多AGV 路径优化模型，设计了基于多种群蚁群算法的动态路径规划策略；董朝瑞等[19]利用预约栅格生成交通拥堵地图，实时更新地图的拥堵状况，通过改进的A*算法实现多机器人的动态路径规划。然而目前大部分动态路径研究仅仅是基于获取的局部的交通环境信息和周围障碍物的实时检测信息来更新路径规划结果，并没有考虑结合全局交通状态的动态变化情况；部分研究者考虑了全局路网动态变化的情况，但也只考虑了交通拥堵因素作为动态变化因素，影响因素的考虑缺乏全面性。

鉴于现有路径规划的局限性，笔者建立了多影响因素评价体系，基于全局及局部交通环境信息的实时输入设计了动态路径规划算法——RDMA*算法。该方法可为路径选择提供更加合理的依据；并利用现成熟的融合感知技术获取实时数据根据动态迭代更新策略进行动态路径规划，保证路径规划能适应复杂的场景。

1 考虑多影响因素的RDMA*算法构建

RDMA*算法的构建基于启发式算法。启发式算法应用于路径规划的原因主要在于它具备很高的灵活性及可拓展性，对于路径规划中复杂的交通道路环境，它具有较强的适应性，同时还能保持高效的搜索速率。A*算法中路径规划的选择是基于启发式代价函数[20-21]。基础A*算法往往只以距离作为单一代价标准，RDMA*算法则综合考虑距离及其他影响因素来改进启发式代价部分，让车辆的路径选择更加合理。

RDMA*算法首先定义g( )n 表示从初始节点到任意节点n 的距离代价，h( )n 表示从初始节点到任意节点n 的启发式评估代价。当从初始点向目标点移动时，算法权衡这二者。在循环检测的过程中，它搜索并标记令f( n )最小的节点n。其中：f( n )=g( n )+h( n )，即为该条选择路径的实际代价值。RDMA*算法采用双向搜索模式，相比单向A*算法，双向搜索能够有效的降低搜索面积，对于一些存在选择困境的问题，更能体现出高效的优势。结合不同场景不同需求，在模型中加入了多影响因素进行代价函数部分的更新，再结合动态迭代更新策略，构建RDMA*算法模型，能够得到评价更为全面的路径规划结果，适应复杂多变的交通环境。

1.1 RDMA*算法

RDMA*算法在搜索中设置4 个表：正、反Open表和正、反Close 表。Open 表用于存放地图信息中的还未被检测过的可行区域路径点信息。Close 表用于存放检测过的路径点信息。算法的核心思想是: 从正，反Open表中分别以出发点和目标点为初始节点开始循环搜索至对方目标点代价最小的点，每次只考虑1 个最优点，判断是否已经存在于Open表中。若存在，则以该点为新出发点再次搜索循环；若新节点代价小于Open表中已有节点，则替换原节点，反之，则删除新节点。算法搜索流程示意图见图1。

RDMA*算法：（1）生成空的正、反Open 表和正、反Close 表，将起点S 放入Open的正向列表中，再将目标点E加入到Open的反向列表中。（2）检测正，反Close 表中是否存在交集，若存在则进行步骤（3）；若不存在则进行步骤（4）。（3）在正，反Close 表的交集中，选取正反双向的代价函数f( )n 值相加最小的顶点，把该点作为双向搜索的交汇点，输出正反搜索结果相结合的规划路径，相应代价值为正反搜索得到的二者代价值之和。（4）检测正，反Open 表，若其中1 个为空，则结束算法，返回“无可行路径”；否则转到步骤（5）。（5）分别从双向搜索正，反Open 表中，找出第一个代价最小节点U总( )U总=U正+U反，作为当前节点，将它从对应方向的Open表中移入Close 表，若此时双向Close 表中出现交集，转步骤（2）；否则转步骤（6）。（6）以当前的最新节点U 进行拓展后续搜索，找到其扩展的后继节点集合V ，遍历集合V 中的节点，如果节点既不在Open表也不在Close表，计算该节点的代价值，将节点加入到Open表，设置父节点为U 。如果节点在Open表、Close表，比较当前节点的代价f( )v 和Open表、Close表中代价，如果当前节点的代价f( )v 小，更新表中的代价和父节点指针。（7）根据代价值递增的顺序，对Open表中节点排序。（8）转步骤（2）。

图1 RDMA*算法搜索流程示意图Fig.1 Schematic diagram of RDMA*algorithm search process

1.2 多影响因素下的综合代价函数构建

基于车辆出行模式的用户在进行路径决策时，需要在确定相关出行信息前提下，结合出行距离、舒适性等出行属性，进行详细的考虑和比较，同时需要兼顾考虑一些动态变化的因素，如交通状态、拥堵程度等变化情况，从而做出比较符合自身条件的出行选择[22]。同时在研究用户出行选择和出行时间作用关系上，诸葛承祥等[23]根据Nested Logit 模型，通过调查数据显示，一般而言，用户在出行时间确定后，才选择合适交通方式和路径出行。因此为了使无人驾驶车辆的路径规划的选择更加合理，符合用户取向，RDMA*算法中的启发式代价部分采用综合代价值进行评价，即综合考虑距离因素代价值与交通状态影响因素代价值。有益于提高出行者的出行效率。

1.2.1 距离因素代价值

距离是影响用户出行时间，决定出行成本的重要因素。笔者在距离部分的代价值计算，基于栅格化后的图数据进行计算，分为2 点间有无障碍物情况考虑。当2点间无障碍物情况下使用欧式距离作为距离的计算指标。设起始点的经纬度为（cur.x，cur.y），目标点的经纬度是（end.x，end.y）。dx表示2点横坐标差值；dy表示2点间纵坐标差值。则A，B之间的欧式距离可以表示为

在最常见的情况下，D 可以取1，所以简化无障碍物下道路距离代价函数定义为

在2点间有障碍物情况下使用曼哈顿距离作为距离的计算指标。 A，B 之间的曼哈顿距离可以表示为

在最常见的情况下，D 可以取1，所以简化有障碍物道路距离代价函数为

此距离代价函数综合考虑了计算量及存在障碍物与否。且为了使可搜索邻域覆盖更多角度范围，提出一种将节点定义在栅格边线上的表示方法，这样每个节点的可拓展子节点就可存在于各个方向。栅格边线包括了栅格交点和非交点，见图2～3，A，C 节点是栅格边线的交点，而B 节点是非交点。

图2 栅格边线节点示意图Fig.2 Grid edge node diagram

对于边线上的交点X ，其代价值等于目标点至4个相邻网格综合代价值的均值，见式（5）。

对于边线上非交点Y ，它的代价值是目标点至其2个端点综合代价值的线性组合，见式（6）。

图3 栅格节点代价值计算示意图Fig.3 Schematic diagram of grid node cost value calculation

其中s 是点Y 到点X1的距离占比。通过对栅格节点位置的重新定义，可以解决传统栅格法以栅格中心为节点而无法处理的任意角度问题，可以保证正确的最短路径的搜索方向。

1.2.2 交通状态影响因素代价值

乘客出行的目标是综合考虑效益最优化，其中除了距离直接决定时间成本与出行成本外，交通道路拥堵情况，道路的平整情况以及其他交通影响因素也是间接影响着路径选择的因素[24-25]。因此，除了距离因素外，RDMA*模型中启发式评估代价部分添加了交通拥堵系数i，道路平整度系数j，以及其他交通影响因素系数k 作为启发函数中的另外3项评估代价指标系数。

1）交通拥堵影响因素。在用户的刚性出行中，根本追求的是出行的时间效率，在交通中影响着时间效率的因素除了直接的距离成本，还有交通的拥堵状况，因此通过添加交通拥堵系数来量化该部分影响因素，添加至综合代价值中。

2）道路平整度影响因素。在用户的柔性出行中，不仅考虑时间效率外，有时也还考虑出行乘坐的舒适度。在交通出行中，道路的平整度影响着车辆行驶通过的车速，所以间接影响着出行的时间效率；同时道路平整度对于用户的乘坐体验也有影响，即乘客的出行舒适度。因此通过添加道路平整度系数来量化该部分影响因素，添加至综合代价值中。

3）其他影响因素。结合实际的用户自身或者实际运输任务的出行需求和特性，通过添加其他影响因素系数来量化该部分影响因素，添加至综合代价值中。

因此，加入这3 项影响因素来对代价函数进行更新。并将该项定义为交通状态影响因素代价值，见式（7）。

式中：c1为交通拥堵系数所占权重，c2为道路平滑度系数所占权重；c3为其他因素系数的影响权重。

1.2.2.1 交通拥堵系数

交通拥堵系数的确定根据交通流理论确定[26]。以时间成本为参照，考虑交通拥堵与速度之间的对应关系，进一步将拥堵对于综合代价的影响进行量化。具体分为如下步骤。

1）以15 min为统计间隔，根据道路外部统计设备得到各路段的平均行程速度。定义某node 路段的区间平均速度的计算公式为

2）以路段的平均行程速度为指标，对其拥堵程度对应划分为5个区间，见表1。

表1 道路通畅性等级Tab.1 Road patency rating

3）基于平均行程速度与交通拥堵系数的线性比例关系，设对应node 路段的拥堵系数i 的最大值为imax，最小值为imin，对应路段区间速度最大值为vmax，最小值为vmin，根据外部获取得到的路段区间平均车速换算获得该路段的交通拥堵系数inode。

1.2.2.2 道路平整度

道路平整度系数的确定，基于国际平整度指数IRI 进行量化分析[27]。同样以时间成本为参考，考虑道路平整度与速度的关系，量化得到各种平整度等级的道路对应于综合代价值中的道路平整度系数见图4。左侧纵坐标j 表示该路段的道路平整度指标系数，右侧对应相应平整度系数体现在车辆通过的速度上的值。道路平整度的数据采集可通过相关部门道路养护数据获得，并定期进行更新。

图4 道路平整度系数与速度关系表Fig.4 Relationship table between road smoothness coefficient and speed

1.2.2.3 其他影响因素

结合不同场景下的具体出行或运输任务需求，可以为评价函数中添加自定义化影响因子k 。模型中系数的确定可根据实际任务需求的惩罚成本与出行其他影响因素的相对权重进行确定。本文将这部分统一归纳为其他影响因素，后续实验中默认值设为k=1。

1.3 影响因素的确定以及评价标准

加入上述影响因子并确定了各影响因素的系数取值后，RDMA*算法最终的综合代价值计算函数见式（10）。

式中：g( x，y )表示距离部分代价值，h( i，j，k )表示单位距离的交通评价部分代价值。应用层次分析法计算确定各影响因素部分在综合代价中的权重的值。层次分析法是对一些较为复杂、较为模糊，难以定量得出的问题作出决策的简易方法。运用层次分析法建模，大体上可按如下4个步骤进行：①建立递阶层次结构模型；②构造出各层次中的所有判断矩阵；③层次单排序及一致性检验；④层次总排序及一致性检验。

通过网络问卷的方式，根据上述的多影响因素，设计了对比两两因素间相对重要度的调查问卷进行发布，对乘客进行出行路径选择的各影响因素相对重要性程度进行调查分析。根据相关问卷调查的结果，统计用户对这影响几项影响因素重要度评价得出比较矩阵见表2。

表2 层次分析重要度值表Tab.2 Road patency rating

根据上述比较矩阵，例如运输距离与交通拥堵程度关系系数为3，即表示出行者认为运输距离因素的重要度稍强于交通拥堵因素。通过Matlab软件计算得出各影响因素权重，见图5。

图5 各影响因素权重结果图Fig.5 Results of weighting of each influencing factor

按照各比例重要度及影响水平，本文选取运输距离，交通拥堵程度，道路平整度，其他影响因素4个指标进行影响因子的构建，进行归一化处理后获得比例系数c，见式（11）。

式中：( α+β+γ+δ=1) 。

得到α=0.533 81，β=0.310 14，γ=0.113 46，δ=0.042 584。其中α 表示距离成本所占总代价权重，β，γ，δ 分别代表交通拥堵程度i，道路平整度j，其他影响因素k 3个因素所占权重。再根据归一化计算，得出在式（7）中交通评价部分函数h( i，j，k)中c1=0.665 3；c2=0.243 4；c3=0.091 3。式（10）中的总体权重a=0.533 81；b=0.466 19。

2 基于道路环境数据的实时动态更新策略

在实际的出行过程中，整个交通环境往往存在着动态变化的情况，为解决车辆行驶过程中动态状况下特殊事件的发生造成影响路径规划结果的问题，本文通过GPS、激光雷达，以及车载摄像头检测的基础上，采用融合感知的方式，对全局环境的更新和局部环境的避障路径更新提供路径规划信息支持。其中GPS 主要采集道路交通信息以更新全局道路拥堵信息；激光雷达主要负责搭建整体的道路虚拟环境完成局部可行驶区域检测；视频图像识别针对动态过程中的视觉范围内的目标进行检测以完成局部障碍物的检测，结合3 种设备的更新可获得全面可靠的环境信息，以此作为依据在RDMA*算法中加入动态迭代更新策略来进行安全可靠的实时路径的更新和规划。

2.1 全局道路环境的信息获取

本文基于GPS技术采集交通信息，得到区间车速等数据[28]。根据前文所述区间车速与交通拥堵系数的转换关系，实时对道路的全局交通环境及拥堵程度进行更新，为路径规划提供全局的环境信息支撑。针对核心技术简要描述，基于GPS数据的公路区间测速系统主要由路侧单元、车载电子标签、上位机监测中心系统3个部分组成。系统结构见图6。

图6 GPS全局环境获取系统结构Fig.6 GPS global environment acquisition system structure

2.2 局部道路环境信息获取

2.2.1 基于激光雷达的可行驶区域检测

局部环境信息获取的第一部分主要通过激光雷达的检测获取到以划分出可行驶区域及不可行驶区域[29-30]。整个核心检测流程描述见图7。

2.2.2 基于摄像头的车道区域和障碍物检测

图7 激光雷达环境检测流程Fig.7 Lidar environmental detection process

局部环境信息获取的第二部分主要基于车载摄像头的检测，进一步检测当前道路可行驶车道区域和周围环境是否有障碍物的存在，动态的更新障碍物信息以保证路径可行性，分别采用OpenCv和YOLO方法进行车道区域和障碍物信息的实时检测[31]。

以实际场景下的图片对象作为测试对象，识别出当前道路可行驶区域，通过不同信息熵值设置以及分类标准，分类判别出行驶过程中的目标信息，包括车辆car；周围环境物体stuff 等，检测效果示意图见图8。根据是否阻碍原行驶路径，判断是否将对象信息加入到障碍物列表中。进一步为后续更新道路障碍物信息和道路通行状态提供数据支持。

图8 基于摄像头检测的效果图Fig.8 Effect map based on camera detection

2.3 基于融合感知的实时动态更新策略

基于融合感知获取的全局与局部交通信息进行路径规划的动态状态的更新，完成算法的动态规划策略设计。首先设定1个搜索迭代周期T 。

1）输入阶段。主要输入基于融合感知获取的环境地图信息和起点，终点。运行的环境地图主要为经过栅格处理过后的电子地图，根据感知检测结果，将整个地图环境分为障碍物区域和可行驶区域。

2）接近检测阶段。当到达设定的迭代检测周期T 后，该阶段会检测当前车辆所在位置点和终点的距离，根据融合感知获取的环境信息，然后执行RDMA*算法计算综合代价值，并与原规划路径匹配度的判断，若与原规划路径一致，则继续行驶；若与原规划路径不一致，则更新路径。若未到达周期T则进行下一阶段。

3）转换阶段。当感知设备主动检测到障碍物时，标记当前车辆点为SwitchS，同时将SwitchS 作为新的起点，结合目标点信息运行RDMA*算法规划路径；若全局环境变化不影响原路径规划结果或者局部环境无检测到障碍物，则进行下一阶段。

4）结合阶段。当RDMA*算法检索到最优的节点，并加入了Close 表后，由双向搜索至该最优节点得出的正反向各段路径相结合，即为最终最新的路径规划结果。

实时动态处理策略Input: T Output: Pathnew，Fmin 1.xcurrent →xgoal 2.λfree1，λobs1 ←UpdateStatesT 3.λfree2，λobs2 ←UpdateObs(xobs)4.Fmin ←UpdateRDMA*Path(λfreenew，λobsnew，xgoal)5.return Pathnew，Fmin

其中：T 为迭代更新周期；Pathnew为路径规划结果；xcurrent表示当前车辆位置状态信息；xgoal表示目标点状态信息；λfree表示环境可行驶区域信息；λobs表示检测的障碍物或不可通行信息；UpdateStatesT 表示基于周期T 的更新操作；UpdateObs 表示当检测到障碍物时的更新操作；Fmin表示代价值最小。

3 算例分析

在保证安全性和可行性的实验前提下，本文以广州市某大学校园区域为背景构建无人驾驶出行测试任务，通过卫星观测的俯视图，进一步构建了该校园范围内的平面电子地图，定义栅格坐标系，见图9。

图9 五山校区平面电子地图Fig.9 Plane electronic map of Wushan Campus

无人驾驶车辆以“五山地铁站A 口”为出发点S ，“逸夫人文馆”为终点E ，进行路径规划案例实验，整个实验区域范围的面积约为1.75 km2，测试时间为15∶00—16∶00，校园区域内人流较少的时间段。分为静态环境和动态环境分别设定不同算法进行实验对比分析。静态环境即指道路环境及状态从始至终未出现影响路径规划结果的事件；动态环境即指道路环境及状态行驶过程中出现了影响路径规划结果的事件。在车辆行驶过程中，实时使用相当于栅格大小40×40 的搜索范围大小进行迭代搜索，搜索的周期为T =10 s。计算流程如下。

1）根据外部感知设备获取的初始环境信息构建初始电子地图，见图10，S 为起点，E 为终点。以“△”表示初始环境中的障碍物信息。

图10 障碍物信息电子地图Fig.10 Obstacle information electronic map

2）根据RDMA*算法进行路径规划。①生成空的正，反Open 表、Close 表，首先将起点S 和终点E放入对应Open 表中；②以双向起点进行搜索，将可行驶的点信息加入对应Open表中，结合2点综合代价计算出代价最小值点U ，将它从对应Open 表中移入Close 表，作为当前节点；③通过扩展后继节点判断当U 为最优节点时，以U 为父节点再次遍历直到正，反Close表中出现交集，找到最优路径。

3）根据实时动态更新策略，首先按照初始路径规划开始行驶，以T 为周期进行动态检测，以当前位置为坐标原点进行环境检测，若环境状态出现变化，即时更新道路相关参数，将新的障碍物信息追加到障碍物数据库中，以时间作为不同次数据的标签，转步骤5）；若环境无变化则转步骤4）。

4）当根据感知设备主动检测到环境中出现影响路径规划的结果的状况或障碍物时，更新全局和局部环境信息，将新的障碍物信息追加到障碍物数据库中，更新整个地图环境信息，并再以当前时间作为标签存储。转步骤5）；若交通环境的变化不影响路径规划结果或无检测到障碍物，则按照原始规划路径继续行驶，重复步骤3）～4）。

5）基于检测时的点作为起点朝着目标点，根据更新的环境信息应用RDMA*算法再次进行路径规划，并且使车辆按照更新规划路径行驶。重复步骤2）～4）。

6）通过调节周期T 的大小，做到近实时的周围环境检测及路径规划。重复步骤1）～5），直到到达目标点为止。

以包含初始起点S 在内的10×10大小的区域为例，不可通行及障碍物区域的坐标信息见表3。

表3 初始10×10 区域障碍物数据信息表Tab.3 Initial 10×10 area obstacle data information table

通过Matlab 软件基于RDMA*算法实现第1 个周期T 内的路径规划的，以包含初始起点S 在内的10×10大小范围的路径规划结果为例，见图11，其中以“△”表示障碍物位置；以“○”表示规划行驶路径。

图11 初始10×10区域源码路径规划示例图Fig.11 Example diagram of initial 10×10 regional source code path planning

本算例RDMA*算法的检测周期T 设置为10 s，不断进行迭代搜索与计算。在静态环境下，仅基于道路距离作为评价因素的传统A*路径规划得到的路径见图12；基于考虑综合代价的RDMA*算法最终得到的路径规划图见图13。图中“△”表示基于环境感知得到的不可行区域及障碍物信息；“○”表示最终规划的路径。传统路径规划以基础A*算法为代表，基于传统A*路径规划算法获得路径段的总距离长度g 为2.1 km，该路段交通平均拥堵系数i 为4；道路平均平整度j 为8。如式（12）计算得总代价为5.764，任务实际完成时间为138.88 s。

图12 传统A*路径规划算法下五山区域OD 路径规划图Fig.12 OD path planning map of Wushan area under traditional A*path planning algorithm

基于RDMA*算法获得路径段的路径总距离长度g 为2.5 km，该路段交通拥堵平均系数i 为2；道路平均平整度j 为3。综合代价值如式（13）计算得为3.893，任务实际完成时间为117.00 s。

图13 RDMA*算法下五山区域OD路径规划图Fig.13 OD path planning diagram of Wushan area under RDMA*algorithm

实验结果证明，相较于单纯以距离为标准的传统路径规划，在初始静态环境下，基于RDMA*算法下多影响因素评估选择的路径有更好的实际效果，如图14～16所示综合代价值相比减少了32.46%，实际任务完成耗时相比减少15.75%，见表4。

图14 静态状况下路径规划代价值对比图Fig.14 Comparison chart of path planning cost under static conditions

图15 传统A*路径规划的时间-代价值关系图Fig.15 Time-generation value relationship diagram of traditional A*path planning

图16 RDMA*路径规划的时间-代价值关系图Fig.16 Time-generation value relationship diagram of RDMA*path planning

表4 A*算法与RDMA*算法运算速率与评价结果对比表Tab.4 A * algorithm and RDMA * algorithm operation rate and evaluation result comparison table

最后基于偏差最小化对原始轨迹进行平滑处理，生成1条符合实际驾驶的最终曲线，见图17。浅灰色是单纯由路径节点连接而成折线图，黑色是经过平滑优化后的路径曲线轨迹图。

图17 平滑曲线轨迹Fig.17 Smooth curve track

7）动态环境下特殊事件的处理。针对实时交通道路环境的动态变化，模拟动态环境下某路段由于出现特殊事件，造成道路的无法通行的状况，数据上体现即为路段通行代价值趋于无穷大，事故阻碍路段见图18中方框部分。在此情况下，基于实时融合感知检测。当车辆行驶至S1点时，主动检测发现前方原始规划路径的出现障碍物，根据实时动态更新策略立即进行新一次算法迭代，即重新以此时所在的S1点为新的起点，根据新的道路环境信息动态地规划新的路径。得到如图18 中“○”所示的新的规划路径，放弃如图18 中“X”所示的原始路径规划点。新路径总距离长度g 仍为2.5 km，平均交通拥堵系数i为3及平均平整度系数j为5，计算得综合代价值为5.236，任务到达目标点耗时为134.57 s。在该动态环境状况下，与改进的A*动态路径规划算法进行实验对比。采用改进A*动态路径规划算法的无人驾驶车辆，当自身感知系统检测到障碍物后，只有当行驶至临近障碍物的区域时，即当到达事故点S2时，才会根据现有的道路交通环境信息再重新以障碍物点为起点进行到目标点的路径规划，从规划结果看，这种方式的动态规划将会造成从事故点S2折返回S1点间的不必要损失。数据上即造成2倍于S1点至事故点之间行驶代价值的损失。S1 与S2 距离g 为0.2 km；该路段交通平均拥堵系数i 为2；道路平均平整度j 为3。改进A*动态路径规划方法与RDMA*动态规划方法相比，计算得到综合代价值损失为0.623，见式（14）。改进A*动态路径规划完成任务耗时为146.00 s。

图18 特殊事件实时路径规划图Fig.18 Special event real-time path planning diagram

发生事故后，基于改进A*动态路径规划算法得到的时间-代价值关系图见图19。见图20 为应用RDMA*算法所得到的时间-代价值关系图，在134.57 s的行程中，RDMA*算法进行了14次迭代搜索。如图21所示，在遇到特殊事件状况下，RDMA*算法动态规划的路径结果与改进A*动态路径规划的结果相比，代价值相比减少了10.63%，耗时相比减少了7.83%（见表5）。论证RDMA*算法能够应对复杂的事故场景，即时规划1条当前最优的路径，节省了整体任务耗时。

图19 特殊事件下传改进A*动态路径规划的时间-代价图Fig.19 Time-cost graph of traditional static path planning under special events

图20 特殊事件下RDMA*动态路径规划的时间-代价图Fig.20 Time-cost plot of dynamic path planning under special events

图21 特殊事件下代价值对比图Fig.21 Comparison chart of next generation value of special events

表5 动态状况下改进的A*动态路径规划与RDMA*动态路径规划运算速率与评价结果对比表Tab.5 Comparison table of calculation speed and evaluation result of traditional A *and RDMA * under dynamic conditions

从实验结果可以看出，RDMA*算法通过考虑距离因素，交通拥堵因素，道路平整度因素以及其他影响因素的综合代价规划的路径结果，相较于单纯以考虑距离因素的路径规划结果，具有更高的出行效率，消耗更低的时间成本，同时在无人驾驶车辆可行驶方向以及行驶轨迹方面进行了平滑优化；在动态环境下，与现有改进的A*动态路径规划结果相比较，RDMA*算法中的动态迭代更新策略能结合当前的车辆信息，全局和局部道路交通信息，动态规划出一条当前最优的路径，能够更灵活且高效的解决交通环境动态变化对路径规划结果造成的影响。由于条件限制，未来将会在更大范围的路网以及更复杂的道路环境上进行实验验证。

4 结束语

针对无人驾驶所处的复杂道路环境，为了规划更合理及高效的最优路径，在A*算法模型的基础上，论述了交通相关因素对于用户出行路径选择的重要性，然后加入了与交通评价相关的交通拥堵系数，道路平滑度系数以及其他交通影响因素2项影响因子，结合双向搜索模式设计了改进代价函数的RDMA*路径规划算法，使其能更全面及合理的为无人驾驶车辆提供1条最优路径。然后对于传统的无人驾驶路径规划往往只根据静态的道路状况进行路径的规划，忽视了实时变换的动态道路情况以及可能出现的突发性事件对路径规划造成的影响，在融合感知技术获取道路全局和局部环境信息的基础上，设计了RDMA*算法实时动态更新策略实现近实时的动态路径规划，综合考虑全局和局部的关系来解决道路环境动态变化可能对路径规划结果造成影响的问题。最后通过某校园区域出行案例模拟，基于理想的道路环境信息获取，利用RDMA*方法完成了1 次完整的路径规划任务，并在静态状况与动态状况下分别与传统A*路径规划方法和改进A*动态路径规划方法进行了比较。论证了本文方法改进了无人驾驶路径规划的合理性，提高了任务效率，同等环境下能以更短时间完成了出行任务，能适应复杂的交通环境。为无人驾驶提供了一种新的动态路径规划方法。未来随着无人驾驶车辆和5G 传输技术的不断发展，可进一步拓展相关路径规划应用范围，进一步提高交通数据检测的精度，范围和即时性。