面向无人驾驶车辆的局部路径规划研究

徐华全，叶德超，谢振东，董志国，于洁涵

（1.广东工业大学，广州 510000；2.广州市公共交通集团有限公司，广州 510000）

近年来，云计算、大数据、人工智能等新兴技术迅速发展，并与传统产业加速融合，极大地促进了无人车技术的研究。路径规划作为无人驾驶领域的研究热点之一，根据出行的需求，通过路径规划算法在起点和终点之间规划一条最优的路径，缩短行车距离、减少出行时间，可以有效地提高人们的出行效率。环境感知是实现无人车路径规划的另一个关键技术，为无人车识别交通信息、检测障碍物、实时避障提供了必要的技术支撑，准确的环境感知信息是无人车安全和稳定的基础前提。

路径规划是当车辆在具有交通信号灯、行人、车辆等障碍物的道路上行驶时，规划从起点到目标点的无碰撞的最优路径。一般路径规划可以分为局部路径规划和全局路径规划，两者常合并使用。局部路径规划是指车辆在行驶过程中实时感知行驶环境从而实现动态避障。常见的局部路径规划算法包括人工势场法、神经网络法、模拟退火法等。全局路径规划又称为静态规划算法，是指基于全局地图、基于约束条件从起点到目标点构建的成本最低、效率最高的行车路径规划。常见的全局路径规划算法包括Dijkstra算法、RRT算法、蚁群算法等。

目标检测技术可实现视频图像信息的识别与定位，及时反馈到控制中心进行路径决策，实时、准确的目标检测是无人车实现路径规划的前提。车路协同模式是常见的一种实现环境感知的方式，车辆通过搭载传感器设备和利用路旁的物联网设备，获得交通信号灯、道路拥堵情况、车辆行驶速度等实时的行车数据。车机协同模式是通过无人机搭载的视觉传感器等图像识别设备，感知车辆在道路上行驶的环境信息，反馈到车载图像处理器，并利用模式识别、图像检测等技术判断障碍物的存在。本文所采用的是基于无人机智能系统的车机协同模式，可以充分地发挥无人在空中的灵活性优势，避免车路协同模式下可能出现的因路旁设备出现故障或被认为损坏导致的识别不准问题。

1 无人智能系统模型

无人机与无人车协同的车机模式是针对单车智能存在的问题而改进的。在车机协同模式下，为获得城市交通实时、准确的路况信息，把无人车系统和无人机系统相结合，通过协同云平台实现任务派发，为无人车提供全面、准确的环境感知信息，实现路径规划。

无人智能系统结构如图1所示。该无人智能系统主要由无人车子平台、无人机子平台、协同平台、数据传输系统组成。

图1 无人智能系统模型

1.1 无人车子平台

无人车子平台由图像处理模块、无线通信模块、视觉传感器等组成。通过无人机对行驶信息进行检测，通过高清图传向协同联动平台上传图片视频资料。当识别到道路的障碍物信息或道路异常（地面积水、塌陷、施工路障等）时，云平台向无人车和出行信息平台上报情况，无人车接收到信息后作出绕行任务。

1.2 无人机子平台

无人机子平台搭载了视频采集设备、无线图像发射机、电池等装置、无线通信设备和数据传输传输模块。主要任务是获取无人车的行驶环境信息，并实现数据传输。

1.3 协同平台

协同平台主要负责进一步的数据处理与共享，是集图像数据接收、图像信息处理、路径规划发布等多种功能于一体的综合控制中心。其核心任务是根据视频图像数据，实现任务派发。

1.4 数据传输系统

数据传输系统主要通过5G-V2X网络，实现车与机、车与路侧设备之间的通信，将车辆速度、方向、加速度等信息经过处理后上传至路侧基站或向周边车辆发布，为车辆的辅助驾驶提供支撑。

2 无人智能系统软件设计

依据V2X应用开发采用层次化、模块化设计的原则，将应用软件与硬件平台独立开来，开发完成具有较高的可测试性、可扩展性和可移植性的V2X通信协议。整体软件可划分为I/O层、应用服务层和应用层。每层软件划分为多个相互独立的模块，耦合性低。

I/O层主要负责设备与外部设备的通信功能，实现设备所有数据的输入输出，包括GPS模块、无线通信模块和控制器域网（CAN）通信等。

应用服务层主要负责对输入数据的整合、处理，并分发至应用层，同时为应用层提供数据发送的接口，对应用层输出的各安全预警进行统一调度和仲裁，输出最紧急的预警信息。

应用层主要负责常见的安全应用和第三方应用，实现影响车辆安全的危险判别和输出。

在以上3层软件中，各层相互独立、结合度低。只有I/O层与硬件平台相关联，通过预先设定不同的接口，置换该层的软件即可，在不同的硬件平台之间移植变得容易。同时，安全应用程序之间相互独立，应用程序的扩展容易。

3 无人智能系统关键技术研究

3.1 基于YOLOv3的交通目标检测算法

基于YOLOv2算法，YOLOv3引入了残差模型Darknet-53，优化后的网络卷积层数为53个。同时，YOLOv3引入了FPN架构，从不同的尺度提取目标特征，在保持着不错的计算速度的同时，检测的精度也得到了提高。作为全新的end-to-end，基于回归的深度学习目标检测算法，与其他深度学习算法有以下区别。

1）R-CNN、Faster-RCNN也是目前广泛应用的目标检测方法，YOLO系列算法的突出优势在于其检测速度上可以满足实时性的要求。在城市道路中行驶的车辆，需要实时检测路况的信息，对实时性的要求非常高，因此，YOLO算法在图像处理上具有明显优势。

2）YOLO算法可直接将一幅图像作为卷积模型的输入，回归目标类别和检测位置，实现end-to-end的目标检测。R-CNN等算法为了实现目标的检测位置，首先需要判断框架中是否存在目标，通过线性回归等方法调整检测的位置和大小。

3.1.1 基于YOLOv3的障碍物检测实验与结果分析

传统的检测模型逐渐被替代，而基于深度学习的目标检测模型广泛应用到了城市智能交通领域。面对数据量大、实时性高、环境复杂的交通环境，需要运算速度快、识别精度高的检测模型来完成分类和定位任务，为车辆的路径规划提供基础条件。

该实验是在Pycharm环境下进行，基于Darknet、Python、numpy和opencv等。数据集拥有超过330 K张的图像，其中的220K张带有图像标注，数据集包含了150万个目标，行人、汽车、交通信号灯等80个目标类别，如图2所示。

图2 测试集中部分图片的目标检测结果

从测试集的检测结果可见，YOLOv3网络模型对路况信息的检测效果基本满足要求，在实验中仅对少数的一些较远的目标类存在漏检。据上述分析可知，无人机平台在处理图像信息时，YOLO算法可以较好地标定障碍物信息，引导无人车更安全地躲避障碍物。同时YOLO系列的算法也在不断地优化，应用到无人车的环境感知效果会越来越好。

3.2 基于改进人工势场法的无人车路径规划

3.2.1 人工势场模型

无人车在人工势场法中，受目标点对车辆的引力场作用和障碍物对车辆的斥力场作用，两者的合力为车辆行驶的路径方向。假设在一个二维运动空间中，存在一辆小车和一个目标点，并且小车的当前位置和目标点坐标分别为Lc（xc，yc）、Lg（xg，yg），那么目标点相对于车辆当前位置的引力场函数为

式中：λ是引力场系数。

对引力场函数求梯度，即求引力场对距离的导数。所得的结果即为无人车受到的引力

此时，在无人车的行驶过程中存在障碍物Lo（xo，yo），则定义障碍物对车辆当前所处位置的斥力场函数为

式中：η为斥力场系数，D（Lc，Lo）为无人车到障碍物的距离，Do为斥力势场的作用范围，只有在斥力作用范围内的无人车才会受到斥力作用。

对斥力函数求梯度，即求斥力场对障碍物距离的导数。所得的结果即为无人车受到的斥力

综上所述，无人车在运动空间中受到的合力为

3.2.2 改进人工势场模型

当障碍物存在于接近目标点的区域时，由于Lc-Lg较小，引力Faat非常小，障碍物斥力越来越大，无人驾驶汽车因此无法到达目标点。因此，通过引入无人车与目标位置的距离到斥力函数，减少无人车在目标点位置时受到的斥力影响，改进后的斥力函数

在人工势场法中，由于Lc-Lg过大，受到的引力Faat大，使得斥力相对较小，导致无人车与障碍物发生碰撞。可在距离目标点较远的位置减少无人车收到的引力作用，具体改进后的引力函数为

式中：l为设定的距离，当无人车到目标点的距离大于该值时，可以有效降低车辆受到的引力。

3.2.3 改进人工势场实验仿真

根据3.1.1中YOLOv3的目标检测方法，能够识别障碍物位置信息。通过图像预处理，将障碍物质点化，将障碍物的位置信息变换为对应的二维空间坐标并存储，供路径规划的模拟。

实验在MATLAB进行，主要的步骤包括构建空间坐标系、初始化参数、障碍物信息、引力常数和斥力常数等；通过改进后的引力和斥力场函数进行引力、斥力及合力的计算。为了验证改进后的效果，将改进前的算法于改进后的算法进行比较。实现结果如图3所示。

如图3（a）所示，车辆行驶至距离目标点较近的位置，受到障碍物的影响，此时由于斥力作用较大，导致无人车发生振荡，无法到达目标点；在图3（b）中，由于车辆的位置距离目标点较远，受到的引力较大，与障碍物发生了碰撞。图3（c）和图3（d）是改进后的仿真效果，可以看出改进后的算法可以有效地解决传统人工势场法存在的问题，无人车可以顺利避障和目标可达。

图3 传统人工势场法与改进后的效果对比

图4 传统人工势场法下路径规划路线

图5 改进人工势场法下路径规划路线

将无人机采集到的某一帧图像的障碍物位置信息导入，模拟在该环境下无人车的路径规划。在MATLAB上处理器为i77500U CPU@2.70GHz，改进后的算法在面对障碍物时表现要更优，路径更平滑，体验更好。改进后的人工势场法处理障碍物的能力更强，路径更短，路径平滑度更高，如图4、图5所示。相关数据对比见表2。

表2 人工势场算法实验数据

4 结论

本文提出的面向无人智能系统的车机模式是对无人车单车智能模式的补充，综合考虑目标检测和路径规划2项无人车重要技术，提出了基于YOLOv3算法和改进人工势场法相结合的无人车局部路径规划方案。实验结果表明：VOLOv3算法对城市交通中常见标志物的检测具有很好的实时性和精确性；改进后的人工势场法显著提高了无人车路径平滑度，有效地规划出车辆的行驶路径。随着YOLO系列算法的不断发展，可以更好地应用于障碍物检测中，但无人车在实际复杂环境下的避障能力有待后续进一步研究。