無人駕駛（三）——汽車路徑規劃概述
無人駕駛系統中普遍運用汽車路徑規劃，本篇主要講講，什麼是路徑規劃。
路徑規劃是指在一定的環境模型基礎上，給定無人駕駛汽車起始點和目標點後，按照性能指標規划出一條無碰撞、能安全到達目標點的有效路徑。
路徑規劃主要包含兩個步驟：建立包含障礙區域與自由區域的環境地圖，以及在環境地圖中選擇合適的路徑搜索演算法，快速實時地搜索可行駛路徑。路徑規劃結果對車輛行駛起著導航作用。它引導車輛從當前位置行駛到達目標位置。
環境地圖表示方法
根據不同的表示形式，環境地圖表示方法主要分為度量地圖表示法，拓撲地圖表示法等。
- 度量地圖表示法
度量地圖表示法採用坐標系中的格柵是否被障礙物佔據的方式來描述環境特徵，分為幾何表示法和空間分解法。幾何表示法利用包括點、線、多邊形在內的幾何元素來表示環境信息。
相比於其他環境地圖表示方式，幾何特徵地圖更為緊湊，有利於位置估計和目標識別；缺點是環境幾何特徵提取困難。幾何特徵地圖適合於在環境已知的室內環境提取一些簡單的幾何特徵，而室外環境下的幾何特徵較難提取。常用的幾何地圖有Voronoi圖、概率路圖等。
2. 空間分解法
空間分解法是把環境分解為類似於格柵的局部單元，根據他們是否被障礙物佔據來進行狀態描述。如果格柵單元被障礙物佔據，則為障礙格柵；反之，則為自由格柵。空間分解法通常採用基於格柵大小的均勻分解法和遞階分解法。
均勻分解法中的格柵大小均勻分布，佔據格柵用數值表示。均勻分解法能夠快速直觀地融合感測器信息；但是，均勻分解法採用相同大小格柵會導致存儲空間巨大，大規模環境下路徑規劃計算複雜度高。
為了克服均勻分解法中存儲空間巨大的問題，遞階分解法把環境空間分解為大小不同的矩形區域，從而減少模型所佔用的內存空間。
均勻格柵地圖是度量地圖路徑規劃中最常用的。它把環境分解為一系列離散的格柵節點。所有格柵節點大小統一，均勻分布。格柵用值佔據方式來表示障礙物信息。例如使用最簡單的二值表示方法，1表示障礙格柵，不可通行；0表示自由格柵。
當用均勻格柵地圖表示環境信息後，格柵節點之間只有建立一定的連接關係才能保證能從起點搜索到目標點的有效路徑。
拓撲地圖表示法
拓撲地圖模型選用節點表示道路上的特定位置，並用節點與節點間的關係來表示道路間聯繫。這種地圖表示方法具有結構簡單、存儲方便、全局連貫性好、規劃效率高、魯棒性強等特點，適合於大規模環境下的道路規劃，但它包含信息量少，需藉助其他感測器來對道路環境做進一步描述。
路徑規劃演算法
目前路徑規劃方法分類大致如下：
比較常用的路徑規劃演算法為基於採樣的路徑規劃演算法以及基於搜索的路徑規劃演算法。
- 基於採樣的路徑規劃演算法
基於採樣的路徑規劃演算法很早便開始用於車輛的路徑規劃中，比較常見的基於採樣的規劃演算法有概率圖演算法（Probabilistic Road Map， PRM）和快速隨機擴展樹演算法（Rapidly-exploring Random Tree，RRT）。
概率圖演算法是在規劃空間內隨機選取N個節點，之後連接各節點，並去除於障礙物接觸的連線，由此得到一個可行路徑。顯然，當採樣點太少，或者分布不合理時，PRM演算法是不完備的，但可以增加採樣點使該演算法達到完備，所以PRM是概率完備但不是最優的。快速隨機擴展樹最初主要用於解決含有運動學約束的路徑規劃問題。由於RRT在狀態空間中採用隨機採樣確定擴展節點，不需要預處理，搜索速度快。因此這種演算法作為一種快速搜索演算法在路徑規劃問題中獲得廣泛應用
2. 基於搜索的路徑規劃演算法
基於搜索的路徑規劃演算法通過搜索表示環境信息的環境地圖來獲得最終的路徑。比較有代表性的演算法有Dijkstra演算法和A演算法。
Dijkstra演算法是典型的廣度優先搜索演算法。它是一個按路徑長度遞增的次序產生的最短路徑的方法，是求解最短路徑的經典演算法之一。Dijkstra演算法是一種貪心演算法，它在每一步都選擇局部最優解，以產生一個最優解。這也會導致該演算法的時間複雜度較高，在圖規模較大時，該演算法的計算速度慢，很難滿足路徑規劃實時性的要求。
A*演算法是經典的啟發式搜索演算法，它是由Dijkstra演算法改進而來的。其最顯著的特點就是在搜索過程中增加了啟發函數，通過給定啟發函數來減少搜索節點，從而提高路徑搜索效率。研究表明，A*演算法搜索得到的路徑能夠同時滿足實時性和最優性要求。
結語
現實環境遠比這要複雜，良好的規劃必須建立對周邊環境的深刻理解，另外還需要建立大量的數學方程，以及需要考慮障礙物、車道線、路徑曲率、曲率變化率以及車輛速度、加速度等多種因素的影響。
推薦閱讀：
