李诗玄

摘 要：为了进一步提高自主驾驶汽车真实动态环境下快速、准确的自主避障能力，提出了一种基于粒子群参数优化（PSO）的改进蚁群算法（AC）模型实现了对自动驾驶汽车在自动避障时规划路径的全局快速优化分析。首先，建立了自驾车辆的自主避障路径规划模型;其次，利用PSO中粒子间的协作和信息共享模式搜索全局信息;再次，利用全局信息更新策略优化AC的路径搜索能力;最后，采用PSO和AC融合算法求解出最佳的避障路径。仿真结果表明，粒子群算法对蚁群算法模型进行了改进，从而实现了对自驾车辆自主避障路径的快速、准确的实时动态规划。

关键词：自主驾驶汽车;路径规划;蚁群算法;粒子群优化;自主避障

Abstract：In order to further improve the accurate response and fast response ability of autonomous obstacle avoidance in real dynamic environment， an improved AC （ant colony algorithm） model based on PSO （Particle Swarm Optimization） is proposed to realize the global and fast optimization analysis of autonomous obstacle avoidance path planning for self-driving vehicles. Firstly， an autonomous obstacle avoidance path planning model for self-driving vehicles is established; secondly， the global pheromone is searched by using the cooperation and information sharing mode between particles in PSO; thirdly， the global pheromone updating strategy is used to optimize the path searching ability of AC; finally， an innovative way of integrating PSO and AC is used to obtain the optimal path of autonomous obstacle avoidance for self-driving vehicles. The simulation results show that the AC model is improved by PSO to realize the fast and accurate planning of autonomous obstacle avoidance path for self-driving vehicles.

Key words： self-driving vehicle; path planning; ant colony algorithm; particle swarm optimization; autonomous obstacle avoidance

自動驾驶车辆的自主避障已经成为无人驾驶车辆领域的热门话题[1]。为了有效保护自动驾驶车辆行驶状态下的人身和财产安全，许多研究者将人工智能技术和算法应用于自驾车辆的自主避碰和动态路径规划问题之中[2]。其中，蚁群算法在路径规划的应用方面效果尤为突出[3]。

然而，在现实生活中，自动驾驶车辆的自主避障技术尚未得到相关立法和工程技术行业的广泛推广[4]，其主要原因是相关技术尚未达到成熟和可控的水平。蚁群算法是由意大利学者Dorigo、Maniezzo等人于20世纪90年代首先提出来的。他们发现蚁群在觅食过程中，个体蚂蚁的行为相对简单，但是蚂蚁群体行为却具有一定的智能性。在觅食时，多样性使蚂蚁不会走进死胡同而无限循环，是一种创新能力;正反馈使优良信息保存下来，是一种学习强化能力。……