杨 彬，宋学伟，高振海

（吉林大学，汽车仿真与控制国家重点实验室，长春 130022）

前言

对于无人驾驶车辆而言，在工作空间中寻找出一条从初始状态到目标状态的无碰撞轨迹是车辆自主行进的重要环节［1］。近年来，国内外专家学者针对轨迹规划问题进行了广泛研究［2-3］。然而，受到车辆状态、环境感知、定位技术的限制，很难找到一种计算效率高、实时性好、满足汽车运动约束的轨迹规划方法对车辆的可通行路径进行规划和预测。

在各类轨迹规划算法中，图解法［4-5］通常能够较好地解决复杂工作空间中的避障轨迹规划问题，但其生成的轨迹通常不满足车辆的运动约束，且计算效率受占位格密度和搜索空间维度的制约，很难用于车辆行驶过程的在线轨迹规划。采样法［6-7］在复杂的搜索空间中进行大量采样，能够快速寻找出工作空间中的可通行路径。然而，由于采样点不可能覆盖全部规划空间，采样法寻找最优或次优路径的能力较差；随机性强，相同搜索空间中可能会得到完全不同的结果。插值法［8-9］能够在可行性、舒适性、车辆动力学的约束下对路径进行描述，但容易忽视轨迹规划过程中交通环境变化的问题，应对动态的障碍物干扰的能力较差，常用于轨迹的平滑和优化环节中。

状态格（State Lattice）是一种基于图和采样的路径规划方法，在无人驾驶车辆的避障规划问题上得到了大量应用，并在DARPA 城市挑战赛中展现出较好的效果［10］。文献［11］中通过离线表格生成初始化轨迹，并在线根据行为规划层输出的目标位置对离线轨迹进行优化，但具有大分辨率和大分支因子的状态格集合会导致计算效率低下。……