Practical Search Techniques in Path Planning for Auto D.pdf

在自动驾驶路径规划中，实用搜索技术是至关重要的。本文由Dmitri Dolgov、Sebastian Thrun、Michael Montemerlo和James Diebel等人撰写，详细介绍了在未知环境中为自动驾驶车辆生成平滑路径的实用算法。该算法在2007年的DARPA城市挑战赛中得到了实验验证，其中机器人需自主导航停车场。 该路径规划算法包含两个主要步骤。第一步应用了A*搜索算法的一个变种，但针对车辆的3D运动状态空间进行优化，并且修改了状态更新规则。这确保了在A*算法的离散节点中连续状态的车辆能够满足动力学可行性，从而生成可行路径。A*算法是一种广泛应用的图搜索算法，通过评估启发式函数来寻找从起点到目标的最优路径。 第二步是通过数值非线性优化进一步提升路径质量。这一过程寻找局部甚至是全局最优解，以确保路径更加平滑和高效。这一优化过程可以处理如避开障碍物、执行U型转弯等复杂路径规划任务。 在DARPA城市挑战赛中，斯坦福赛车队的机器人Junior使用了该路径规划算法，展示了在复杂环境中如停车场导航和处理道路堵塞时的无故障性能。规划路径的完整重规划时间通常在50至300毫秒之间，体现了算法的高效性。 相关工作方面，路径规划在自动驾驶领域已经有很多研究。传统的路径规划方法包括基于图的搜索算法（如A*）、基于模型预测控制的优化方法和基于概率的随机搜索策略。然而，在未知环境中的在线规划，尤其是在动态障碍物存在的条件下，这些方法往往需要适应性和实时性。因此，结合离散搜索和连续优化的技术在解决此类问题上具有显著优势。 此外，还有其他一些相关技术，如RRT（快速探索随机树）和PRM（概率道路图）等，它们在不确定性环境中生成近似最优路径。而本文提出的算法则通过融合A*的效率与非线性优化的精度，实现了更优的路径规划性能。 这篇论文提出的实用搜索技术在自动驾驶路径规划中发挥了关键作用，不仅解决了车辆在未知环境中的动态避障问题，还保证了路径的平滑和高效。这种方法对于未来自动驾驶系统的开发和优化具有重要指导意义，可以应用于各种复杂的道路环境，提高自动驾驶的安全性和可靠性。