無(wú)人駕駛汽車局部路徑規(guī)劃研究綜述

徐瑞 李軍

摘 ?要：文章針對(duì)近年來(lái)的無(wú)人駕駛汽車路徑規(guī)劃算法進(jìn)行總結(jié)和歸納。首先對(duì)目前主流的環(huán)境建模方法進(jìn)行闡述;其次對(duì)路徑規(guī)劃算法進(jìn)行介紹，通過(guò)分析其優(yōu)缺點(diǎn)，指出融合軌跡規(guī)劃算法具有最好的適用性;最后總結(jié)當(dāng)前研究挑戰(zhàn)并提出了相關(guān)建議。

關(guān)鍵詞：無(wú)人駕駛汽車;環(huán)境建模;路徑規(guī)劃;搜索算法

中圖分類號(hào)：U462 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? 文章編號(hào)：1005-2550（2020）05-0084-06

Abstract： Autonomous vehicle path planning latest algorithms have been investigated in this paper. Firstly， the current mainstream environmental modeling methods are described; Afterwards， corresponding path planning algorithms are introduced， by analyzing their advantages and disadvantages to pointed out that the fusion trajectory planning algorithm has the best applicability. Finally， by summarizing the current research challenges and proposes relevant suggestions.

Key Words： Autonomous Vehicle; Environment Modeling; Path Planning; Search Algorithm

引言

無(wú)人駕駛汽車將先進(jìn)的環(huán)境感知、路徑?jīng)Q策規(guī)劃、車輛控制技術(shù)融合到傳統(tǒng)車輛載體中，旨在提高汽車及道路交通的安全性能。路徑規(guī)劃技術(shù)作為無(wú)人駕駛汽車最為核心的技術(shù)之一，其技術(shù)核心在于：根據(jù)特定的道路環(huán)境模型，定義車輛的起始點(diǎn)和目標(biāo)點(diǎn)，提供方位引導(dǎo)。然后，通過(guò)定量化的性能指標(biāo)及規(guī)則，設(shè)計(jì)出一條相對(duì)安全而又快捷的有效路徑。

路徑規(guī)劃主要包含全局路徑規(guī)劃和局部路徑規(guī)劃。全局路徑規(guī)劃需依賴于全局道路高精度地圖信息，并基于路徑規(guī)劃算法求解出車輛從當(dāng)前位置到目標(biāo)位置的最優(yōu)可行路徑;而局部路徑規(guī)劃屬于全局路徑規(guī)劃的實(shí)時(shí)補(bǔ)償規(guī)劃，其基于多傳感器獲得的外界環(huán)境信息及駕駛?cè)说臓顟B(tài)，對(duì)當(dāng)前道路中出現(xiàn)的障礙物和特殊情況進(jìn)行局部重新規(guī)劃，從而提高軌跡的合理性及安全性。

無(wú)人駕駛路徑規(guī)劃的選擇引導(dǎo)車輛的行駛方向，對(duì)車輛行駛安全起到至關(guān)重要作用，其技術(shù)原理如圖1所示。通過(guò)建立包含障礙區(qū)域與自由區(qū)域的環(huán)境地圖;然后，根據(jù)當(dāng)前環(huán)境信息及相關(guān)成本函數(shù)，判斷出最優(yōu)的路徑搜索算法，從而達(dá)到實(shí)時(shí)精準(zhǔn)的對(duì)多條可行性路徑進(jìn)行搜索。

1 ? ?環(huán)境建模

當(dāng)感知系統(tǒng)傳遞周圍環(huán)境信息后，局部路徑規(guī)劃處理器將信息融合為相應(yīng)的環(huán)境地圖，環(huán)境建模的方法有：柵格法、可視圖法、維諾圖法、拓?fù)浞ǖ?，文中將詳述環(huán)境建模所常用的柵格法、可視圖法的應(yīng)用現(xiàn)狀。

1.1 ? 柵格法

柵格法作為目前最成熟的軌跡規(guī)劃算法，由W.E.Howden于1968年率先提出[1]，其原理是將外界環(huán)境圖像信息進(jìn)行單元分割，并利用等尺寸二值信息的矩形柵格來(lái)表征。而柵格的尺寸是影響規(guī)劃算法魯棒性的重要指標(biāo)，柵格越小環(huán)境分辨率越高。相對(duì)而言，存儲(chǔ)空間占用率會(huì)增大，路徑規(guī)劃決策效率將會(huì)收到干擾;若柵格越大，便會(huì)降低在高密度多目標(biāo)等復(fù)雜場(chǎng)景中的路徑識(shí)別能力。

文獻(xiàn)[2]針對(duì)傳感器測(cè)量的不確定性問(wèn)題，將概率推理思想用于柵格地圖的建立，采用不同的算法驗(yàn)證發(fā)現(xiàn)，原始的貝葉斯推理算法和Dempster融合算法在實(shí)時(shí)更新柵格地圖和運(yùn)動(dòng)目標(biāo)檢測(cè)性能表現(xiàn)更優(yōu)。文獻(xiàn)[3]提出針對(duì)全局環(huán)境的完全遍歷柵格法靜態(tài)環(huán)境建模和針對(duì)局部環(huán)境的邊走邊測(cè)的柵格法動(dòng)態(tài)環(huán)境建模，并利用實(shí)時(shí)更新的信息對(duì)模型進(jìn)行辨識(shí)，以提高模型的準(zhǔn)確性。文獻(xiàn)[4]首先對(duì)柵格地圖進(jìn)行編號(hào)，方便快速獲取障礙物位置，然后建立柵格關(guān)聯(lián)矩陣對(duì)候選柵格進(jìn)行概率計(jì)算，并利用柵格方向向量進(jìn)行走向引導(dǎo)，有效提高路徑識(shí)別能力，提升規(guī)劃效率。

1.2 ? 可視圖法

可視圖環(huán)境建模法，是將外界環(huán)境中的障礙物轉(zhuǎn)換為凸多邊形物體，將障礙物位置的頂點(diǎn)、本車當(dāng)前位置、目標(biāo)點(diǎn)這些節(jié)點(diǎn)用直線連接，若兩點(diǎn)連接的線段不與任何障礙物多邊形相交，則稱兩點(diǎn)“可視”，該線段稱為可視線[5]?；诖嗽順?gòu)建路線圖的方法，稱為可視圖法。但是應(yīng)對(duì)于復(fù)雜場(chǎng)景時(shí)，運(yùn)算效率不佳。

基于此，文獻(xiàn)[5]基于A*路徑搜索算法來(lái)構(gòu)建可視圖，并建立可視圖節(jié)點(diǎn)判斷機(jī)制，僅需構(gòu)建與最優(yōu)路徑匹配度較高的可視邊，從而提高了算法的運(yùn)行效率。文獻(xiàn)[6]將路徑規(guī)劃中的障礙物進(jìn)行規(guī)則化篩選，排除相關(guān)度較低的障礙物，并通過(guò)簡(jiǎn)化可視圖的邊數(shù)，減少候選參考路徑的數(shù)量，從而提高算法的運(yùn)算效率和可靠性。針對(duì)于復(fù)雜場(chǎng)景中的多目標(biāo)障礙工況，文獻(xiàn)[7]提出了一種基于小型障礙物進(jìn)行分組、重新組合的路徑規(guī)劃方法，對(duì)并行處理的運(yùn)行環(huán)境進(jìn)行劃分，如圖2所示，大大地縮短算法的計(jì)算量，提高運(yùn)算效率。文獻(xiàn)[8]采用可視圖法生成多邊形規(guī)則體，并通過(guò)最優(yōu)控制算法來(lái)合并多邊形作為中間目標(biāo)，從而減少規(guī)劃目標(biāo)受到局部極小值影響。

2 ? ?路徑搜索算法

路徑搜索作為路徑規(guī)劃的主要步驟，負(fù)責(zé)在建立好的環(huán)境模型中計(jì)算最優(yōu)的軌跡方案。目前研究較為廣泛局部路徑規(guī)劃算法主要包括：人工勢(shì)場(chǎng)法、A*算法、快速搜索隨機(jī)數(shù)法、蟻群算法。

2.1 ? 人工勢(shì)場(chǎng)法

人工勢(shì)場(chǎng)法是將無(wú)人駕駛車輛的運(yùn)動(dòng)簡(jiǎn)化為在受力場(chǎng)中的運(yùn)動(dòng)，如圖3所示，由于受斥力的作用，可規(guī)避周圍的障礙物。此外，在引力的激勵(lì)下向目的位置移動(dòng)，從而構(gòu)成的合力控制的運(yùn)動(dòng)方向[9]。該種算法無(wú)須對(duì)全局進(jìn)行搜索，且魯棒性較強(qiáng)，被廣泛應(yīng)用于路徑規(guī)劃中。但是，當(dāng)斥力大于引力時(shí)，方向矢量會(huì)無(wú)法進(jìn)行判別，導(dǎo)致無(wú)法到達(dá)目的地;當(dāng)斥力和引力相等，即合力為零時(shí)，無(wú)人駕駛車輛無(wú)法繼續(xù)前進(jìn)，即陷入局部最小點(diǎn)。

為解決斥力與引力之間的沖突問(wèn)題，文獻(xiàn)[10]引入調(diào)節(jié)因子來(lái)計(jì)算無(wú)人駕駛汽車與目標(biāo)位置的相對(duì)距離，并建立的斥力勢(shì)場(chǎng)函數(shù)來(lái)緩解引力和斥力沖突。此外，針對(duì)于車輛被困在局部最小值問(wèn)題，提出了APF-FC融合算法，有效地解決了傳統(tǒng)人工勢(shì)場(chǎng)法的相關(guān)缺陷。文獻(xiàn)[11]通過(guò)建立障礙物和車輛約束的目標(biāo)函數(shù)，并采用高斯組合隸屬函數(shù)調(diào)節(jié)系數(shù)修正路徑曲率，從而避免汽車陷入局部最小點(diǎn)。文獻(xiàn)[12]將人工勢(shì)場(chǎng)法和最優(yōu)控制結(jié)合，提出一種模型預(yù)測(cè)路徑規(guī)劃控制器，利用車輛動(dòng)力學(xué)規(guī)劃最優(yōu)路徑的同時(shí)，對(duì)不同的障礙物和道路結(jié)構(gòu)進(jìn)行分布處理。文獻(xiàn)[13]采用人工勢(shì)場(chǎng)法對(duì)障礙物和道路邊界建立勢(shì)場(chǎng)函數(shù)，對(duì)可行區(qū)域進(jìn)行網(wǎng)格劃分并分配電阻值，然后根據(jù)起點(diǎn)和終點(diǎn)之間各節(jié)點(diǎn)的局部最大電流方向，選擇無(wú)碰撞路徑。

2.2 ? A*算法

A*算法作為一種啟發(fā)式的搜索算法，主要通過(guò)建立節(jié)點(diǎn)估價(jià)函數(shù)來(lái)決定搜索方向，估價(jià)函數(shù)f（i）表達(dá)式[14]為：

f（i）=g（i）+h（i） ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

g（i）表示從起始節(jié)點(diǎn)到i節(jié)點(diǎn)的實(shí)際代價(jià)，主要決定搜索范圍，搜索節(jié)點(diǎn)增多，效率越低。h（i）表示從i節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的估計(jì)代價(jià)，當(dāng)估價(jià)代價(jià)與實(shí)際代價(jià)相近時(shí)，節(jié)點(diǎn)數(shù)將會(huì)減少，搜索效率便會(huì)提高。

A*算法的估價(jià)函數(shù)決定open list中各節(jié)點(diǎn)的次序，將會(huì)自動(dòng)選擇代價(jià)最小的節(jié)點(diǎn)作為下一個(gè)擴(kuò)展節(jié)點(diǎn)，用open list記錄所有的被考慮的最小代價(jià)節(jié)點(diǎn)。但是，考慮到在搜索路徑時(shí)訪問(wèn)節(jié)點(diǎn)的更新頻率較快，當(dāng)遇到較復(fù)雜場(chǎng)景時(shí)，會(huì)加大計(jì)算量，嚴(yán)重消耗內(nèi)存，影響搜索效率。針對(duì)此問(wèn)題，文獻(xiàn)[15]基于A*算法提出了一種跳點(diǎn)搜索方法，從而減少在環(huán)境地圖中的擴(kuò)展節(jié)點(diǎn)，提高搜索效率。文獻(xiàn)[16]通過(guò)優(yōu)化分割A(yù)*算法規(guī)劃的路徑中的步長(zhǎng)，將當(dāng)前位置的各節(jié)點(diǎn)相連接，并剔除沒(méi)有交集的冗余點(diǎn)，從而縮短了路徑長(zhǎng)度，減小了轉(zhuǎn)折角度。文獻(xiàn)[17]以電動(dòng)車能耗為平臺(tái)，建立車輛總能耗的實(shí)際代價(jià)函數(shù)和估計(jì)代價(jià)函數(shù)，并綜合考慮電動(dòng)車剩余電量和充電樁位置，尋找可達(dá)目的地能耗最小的路徑。文獻(xiàn)[18]通過(guò)計(jì)算碰撞前的計(jì)算估價(jià)函數(shù)值來(lái)優(yōu)化A*算法，根據(jù)起點(diǎn)和目標(biāo)點(diǎn)間的直線斜率進(jìn)行算法切換，縮減了目標(biāo)位置的距離和算法的運(yùn)算時(shí)間。文獻(xiàn)[19]提出了矩形展開(kāi)算法（REA*），以無(wú)障礙矩形為單位探索地圖，將矩形的邊界用作搜索節(jié)點(diǎn)，剔除矩形內(nèi)不必要的點(diǎn)，相應(yīng)訪問(wèn)的節(jié)點(diǎn)比A*少，優(yōu)化了運(yùn)算效率。

2.3 ? 快速搜索隨機(jī)樹(shù)算法

快速搜索隨機(jī)樹(shù)（Rapidly exploring Random Tree，RRT）算法，是基于增量采樣的樹(shù)結(jié)構(gòu)算法，以起始點(diǎn)為隨機(jī)樹(shù)的根節(jié)點(diǎn)，向四周環(huán)境搜索隨機(jī)節(jié)點(diǎn)，當(dāng)葉子節(jié)點(diǎn)包含了目標(biāo)點(diǎn)或進(jìn)入了目標(biāo)區(qū)域，便求解出一條由從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)路徑[20]。此算法省略了環(huán)境建模，搜索范圍全、速度快;但在搜索時(shí)，均勻分配的隨機(jī)采樣點(diǎn)利用率低，且搜索缺乏導(dǎo)向性，規(guī)劃路徑的耗費(fèi)時(shí)間長(zhǎng)且不規(guī)則。

文獻(xiàn)[21]針對(duì)人機(jī)交互時(shí)連續(xù)曲率的路徑問(wèn)題，提出一種基于RRT*算法的代價(jià)函數(shù)來(lái)調(diào)整路徑曲率的方法，去除路徑冗余點(diǎn)，從而獲得連續(xù)路徑，并實(shí)時(shí)更新路徑以防環(huán)境突變，避免了重復(fù)計(jì)算。文獻(xiàn)[22]提出了基于駕駛員視覺(jué)行為的快速搜索隨機(jī)樹(shù)算法（DV-RRT），根據(jù)駕駛員視覺(jué)的近點(diǎn)和遠(yuǎn)點(diǎn)，在高斯分布引導(dǎo)采樣過(guò)程中考慮節(jié)點(diǎn)間距離、轉(zhuǎn)角的度量函數(shù)及b樣條的連續(xù)曲率平滑度，通過(guò)實(shí)車試驗(yàn)，如圖4所示，驗(yàn)證了實(shí)時(shí)性、穩(wěn)定性和舒適性的要求。文獻(xiàn)[23]通過(guò)高斯分布函數(shù)建立隨機(jī)采樣區(qū)域，使其分散在期望路徑周圍，并采用啟發(fā)式搜索來(lái)增加調(diào)節(jié)因子，對(duì)采樣點(diǎn)施加導(dǎo)向，使其向目標(biāo)點(diǎn)靠近，從而改善了算法的泛化性。文獻(xiàn)[24]提出一種基于神經(jīng)網(wǎng)絡(luò)的最優(yōu)的RRT算法（NoD-RRT）來(lái)解決具有非線性動(dòng)力約束的路徑規(guī)劃問(wèn)題，并根據(jù)隨機(jī)搜索樹(shù)重構(gòu)方法，實(shí)現(xiàn)了狀態(tài)空間的近似最優(yōu)解。

2.4 ? 蟻群算法

蟻群算法（Ant Colony Algorithm，ACA）是根據(jù)螞蟻群體的覓食行為的一種正反饋智能優(yōu)化算法[25]，將規(guī)劃問(wèn)題的可行路徑用螞蟻的行走路徑表示，螞蟻通過(guò)感知環(huán)境的信息素濃度，會(huì)以較大的概率優(yōu)先選擇信息素濃度較高的路徑，并釋放一定量的信息素，整個(gè)螞蟻群會(huì)在正反饋的作用下集中到最佳的路徑上，此時(shí)對(duì)應(yīng)的便是路徑規(guī)劃問(wèn)題的最優(yōu)解。蟻群算法在搜索過(guò)程采用并行計(jì)算方式，但算法的計(jì)算能力較差限制了它在求解最短路徑問(wèn)題上的應(yīng)用。

基于此，文獻(xiàn)[26]提出螞蟻回退策略來(lái)避免算法陷入局部最優(yōu)點(diǎn)，通過(guò)改進(jìn)啟發(fā)式搜索信息和釋放的信息素，來(lái)判斷兩者優(yōu)先級(jí)和節(jié)點(diǎn)信息，根據(jù)臨時(shí)規(guī)避或重新尋路策略來(lái)解決沖突和避碰問(wèn)題。文獻(xiàn)[27]通過(guò)設(shè)計(jì)搜索的區(qū)域信息素初始值，引入自適應(yīng)調(diào)節(jié)因子，對(duì)優(yōu)質(zhì)螞蟻和劣質(zhì)螞蟻所經(jīng)路徑的信息素進(jìn)行判別，同時(shí)增加避障因子，改進(jìn)轉(zhuǎn)移概率，避免盲目搜索，提高算法的全局性和搜索效率。文獻(xiàn)[28]通過(guò)非均勻分配初始信息素，引入帶有方向的選擇策略，減少搜索的盲目性，并采用信息素覆蓋和更新規(guī)則，對(duì)蒸發(fā)系數(shù)進(jìn)行分割和調(diào)整，有效地提高算法的收斂速度和搜索能力。文獻(xiàn)[29]通過(guò)改進(jìn)的激勵(lì)函數(shù)和信息素更新策略，調(diào)節(jié)螞蟻對(duì)目標(biāo)節(jié)點(diǎn)的感知時(shí)分泌的信息素濃度，有效引導(dǎo)螞蟻移動(dòng)，減少搜索時(shí)間。

2.5 ? 多種算法融合

面對(duì)復(fù)雜的交通狀況和無(wú)人駕駛汽車多源異構(gòu)的需求，通過(guò)對(duì)比各算法的特點(diǎn)，單一的軌跡規(guī)劃算法難以滿足目前的安全和速率需求。因此，各算法之間的融合能有效提高規(guī)劃能力和運(yùn)算速率。

文獻(xiàn)[30]將模糊決策樹(shù)算法與人工勢(shì)場(chǎng)法進(jìn)行融合，首先通過(guò)引入環(huán)境矩陣改進(jìn)勢(shì)場(chǎng)法，并利用勢(shì)場(chǎng)法提供的權(quán)值，然后應(yīng)用模糊決策樹(shù)算法來(lái)尋求局部最優(yōu)值。文獻(xiàn)[31]提出了一種基于A*算法和勢(shì)場(chǎng)法相結(jié)合的路徑規(guī)劃方法，利用模糊邏輯控制器對(duì)地形進(jìn)行特征描述，根據(jù)A*算法確定的全局路徑，并使用勢(shì)場(chǎng)法作為局部規(guī)劃器進(jìn)行反饋修正，從而保證在動(dòng)態(tài)粗糙地形下的魯棒性和靈活性。文獻(xiàn)[32]將模糊圖像處理算法、細(xì)菌算法、遺傳算法和A*算法四種算法進(jìn)行融合，首先利用模糊圖像處理算法對(duì)圖像邊緣進(jìn)行檢測(cè);然后根據(jù)細(xì)菌算法規(guī)則對(duì)隸屬函數(shù)和模糊規(guī)則進(jìn)行優(yōu)化，最后通過(guò)改進(jìn)的遺傳算法和A*算法生成最優(yōu)路徑，該方法具有良好的邊緣檢測(cè)，安全性高。

2.6 ? 算法對(duì)比分析

本文采用加權(quán)分析法對(duì)各種路徑規(guī)劃算法的性能指標(biāo)（規(guī)劃效率、簡(jiǎn)便性、泛化能力、路徑效果、搜索能力）進(jìn)行分析：

其中，E表示算法的綜合評(píng)價(jià);Le表示算法規(guī)劃效率等級(jí);Lc表示算法簡(jiǎn)便性等級(jí);Lg表示算法泛化性等級(jí);Lr表示算法路徑效果等級(jí);Ls表示算法搜索能力等級(jí);λ表示各個(gè)指標(biāo)的權(quán)重值，均為20%。

如表1所示，依據(jù)綜合分析評(píng)價(jià)結(jié)果，融合算法綜合評(píng)分為90分，搜索能力強(qiáng)，規(guī)劃路徑效果好，在針對(duì)于復(fù)雜場(chǎng)景，擁有較好的算法泛化能力，并有利于提高軌跡規(guī)劃的魯棒性。

3 ? ?結(jié)論

本文重點(diǎn)分析了目前主流的路徑規(guī)劃算法，并具體分析了不同算法之間優(yōu)劣性，得出結(jié)論：融合算法雖較為繁瑣，但憑借其良好的魯棒性及泛化能力，已經(jīng)成為目前路徑規(guī)劃中的最重要的研究方法。此外，目前的研究仍然面臨著嚴(yán)峻的挑戰(zhàn)，主要包括易陷入局部最小值、路徑的連續(xù)曲率問(wèn)題、收斂速度慢、未考慮系統(tǒng)的振動(dòng)和噪聲影響，及復(fù)雜環(huán)境中的導(dǎo)航問(wèn)題等等。

為實(shí)現(xiàn)安全、魯棒的自主車輛路徑規(guī)劃，提出以下幾點(diǎn)建議：在未來(lái)的研究中，應(yīng)考慮車輛的動(dòng)力學(xué)和可能影響規(guī)劃的系統(tǒng)性或非系統(tǒng)性錯(cuò)誤;注意系統(tǒng)振動(dòng)和噪聲對(duì)可靠性和執(zhí)行方法產(chǎn)生影響;此外，環(huán)境感知的設(shè)備，如雷達(dá)，傳感器和攝像頭的局限性也需要加以考慮;最后，為了使無(wú)人駕駛車輛能夠快速?zèng)Q策，應(yīng)先考慮各算法的優(yōu)點(diǎn)和局限性，采用各種算法融合方法，也需考慮算法的計(jì)算復(fù)雜度，減少執(zhí)行時(shí)間。

參考文獻(xiàn)：

[1]Wang C Y， Banitaan S. A Partitioning-Based Approach for Robot Path Planning Problems[C]//2018 18th International Conference on Control， Automation and Systems （ICCAS）. IEEE， 2018： 178-182.

[2]周俊靜，段建民. 基于柵格地圖的智能車輛運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 系統(tǒng)工程與電子技術(shù)，2015，37（02）： 436-442.

[3]劉曉磊，蔣林，金祖飛，郭晨. 非結(jié)構(gòu)化環(huán)境中基于柵格法環(huán)境建模的移動(dòng)機(jī)器人路徑規(guī)劃[J]. 機(jī)床與液壓，2016，44（17）： 1-7.

[4]程向紅，祁藝. 基于柵格法的室內(nèi)指示路徑規(guī)劃算法[J]. 中國(guó)慣性技術(shù)學(xué)報(bào)，2018，26（02）： 236-240.

[5]呂太之，趙春霞，夏平平. 基于同步可視圖構(gòu)造和A*算法的全局路徑規(guī)劃[J].南京理工大學(xué)學(xué)報(bào)： 自然科學(xué)版，2017，41（3）： 313-321.

[6]張琦，馬家辰，馬立勇. 基于簡(jiǎn)化可視圖的環(huán)境建模方法[J]. 東北大學(xué)學(xué)報(bào) （自然科學(xué)版），2013， 34（10）： 1383-1386.

[7]Toan T Q， Sorokin A A， Trang V T H. Using modification of visibility-graph in solving the problem of finding shortest path for robot[C]//2017 International Siberian Conference on Control and Communications （SIBCON）. IEEE， 2017： 1-6.

[8]Ma Y， Zheng G， Perruquetti W. Cooperative path planning for mobile robots based on visibility graph[C]// Control Conference. IEEE， 2013： 4915-4920.

[9]安林芳，陳濤，成艾國(guó)等. 基于人工勢(shì)場(chǎng)算法的智能車輛路徑規(guī)劃仿真[J]. 汽車工程，2017， 39（12）： 1451-1456.

[10]Gu X， Han M， Zhang W， et al. Intelligent Vehicle Path Planning Based on Improved Artificial Potential Field Algorithm[C] //2019 International Conference on High Performance Big Data and Intelligent Systems （HPBD&IS）. IEEE， 2019： 104-109.

[11]修彩靖，陳慧. 基于改進(jìn)人工勢(shì)場(chǎng)法的無(wú)人駕駛車輛局部路徑規(guī)劃的研究[J]. 汽車工程，2013 （9）： 808-811.

[12]Rasekhipour Y， Khajepour A， Chen S K， et al. A potential field-based model predictive path-planning controller for autonomous road vehicles [J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 18（5）： 1255-1267.

[13]Huang Y， Ding H， Zhang Y， et al. A Motion Planning and Tracking Framework for Autonomous Vehicles Based on Artificial Potential Field-Elaborated Resistance Network （APFE-RN） Approach [J]. IEEE Transactions on Industrial Electronics， 2019.

[14]譚雁英，李洋，周軍等. 復(fù)雜環(huán)境下基于A*算法的無(wú)人機(jī)路徑再規(guī)劃[J]. 系統(tǒng)工程與電子技術(shù)， 2017，39（6）： 1268-1273.

[15]趙曉，王錚，黃程侃，等. 基于改進(jìn)A*算法的移動(dòng)機(jī)器人路徑規(guī)劃[J].機(jī)器人，2018，40（06）： 903-910.

[16]孫煒，呂云峰，唐宏偉等. 基于一種改進(jìn)A*算法的移動(dòng)機(jī)器人路徑規(guī)劃[J]. 湖南大學(xué)學(xué)報(bào)： 自然科學(xué)版，2017，44（4）： 94-101.

[17]顧青，豆風(fēng)鉛，馬飛. 基于改進(jìn) A* 算法的電動(dòng)車能耗最優(yōu)路徑規(guī)劃[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015， 46（12）： 316-322.

[18]Guruji A K， Agarwal H， Parsediya D K. Time-efficient A* algorithm for robot path planning [J]. Procedia Technology， 2016， 23： 144-149.

[19]Zhang A， Li C， Bi W. Rectangle expansion A? pathfinding for grid maps[J]. Chinese Journal of Aeronautics， 2016， 29（5）： 1385-1396.

[20]杜明博，梅濤，陳佳佳，趙盼，梁華為，黃如林，陶翔. 復(fù)雜環(huán)境下基于RRT的智能車輛運(yùn)動(dòng)規(guī)劃算法[J]. 機(jī)器人，2015，37（04）：443-450.

[21]Lan X， Di Cairano S. Continuous curvature path planning for semi-autonomous vehicle maneuvers using RRT[C]//2015 European Control Conference （ECC）. IEEE， 2015： 2360-2365.

[22]Du M， Mei T， Liang H， et al. Drivers visual behavior-guided RRT motion planner for autonomous on-road driving[J]. Sensors， 2016， 16（1）： 102.

[23]宋曉琳，周南，黃正瑜，曹昊天. 改進(jìn)RRT在汽車避障局部路徑規(guī)劃中的應(yīng)用[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，44（04）：30-37.

[24]Li Y， Cui R， Li Z， et al. Neural network approximation based near-optimal motion planning with kinodynamic constraints using RRT[J]. IEEE Transactions on Industrial Electronics， 2018， 65（11）： 8718-8729.

[25]許凱波，魯海燕，黃洋等.基于雙層蟻群算法和動(dòng)態(tài)環(huán)境的機(jī)器人路徑規(guī)劃方法[J]. 電子學(xué)報(bào)， 2019，47（10）： 2166-2176.

[26]郭保青，郝樹(shù)運(yùn)，朱力強(qiáng)等. 基于改進(jìn)蟻群算法的多AGV泊車路徑規(guī)劃[J]. 交通運(yùn)輸系統(tǒng)工程與信息，2018，18（06）：55-62.

[27]江明，王飛，葛愿等.基于改進(jìn)蟻群算法的移動(dòng)機(jī)器人路徑規(guī)劃研究[J].儀器儀表學(xué)報(bào)，2019（2）： 13.

[28]Zhao J， Cheng D， Hao C. An improved ant colony algorithm for solving the path planning problem of the omnidirectional mobile vehicle [J]. Mathematical Problems in Engineering， 2016： 452.

[29]Wang Y， Lu X， Zuo Z. Autonomous vehicles path planning with enhanced ant colony optimization[C]//2019 Chinese Control Conference （CCC）. IEEE， 2019： 6633-6638.

[30]Iswanto I， Wahyunggoro O， Cahyadi A I. Path planning based on fuzzy decision trees and potential field [J]. International Journal of Electrical and Computer Engineering， 2016， 6（1）： 212.

[31]Raja R， Dutta A. Path planning in dynamic environment for a rover using A? and potential field method[C]//2017 18th International Conference on Advanced Robotics （ICAR）. IEEE， 2017： 578-582.

[32]Al-Jarrah R， Al-Jarrah M， Roth H. A novel edge detection algorithm for mobile robot path planning [J]. Journal of Robotics， 2018.