洪 顺

（华南理工大学机械与汽车工程学院，广东 广州 510640）

前言

路径规划是智能车辆自主行驶的方向，具有影响智能车辆行驶平顺性和安全性，研究智能车辆的路径规划算法尤其重要。路径规划[1]，即为了满足一定性能通过搜索策略，规划出一条从起始点到目标终点的最优化路径。目前常用的路径规划算法有A*算法、蚁群算法、RRT算法等[2-3]，蚁群算法虽然求得的路径相对较短，但其耗时较多，不利于智能车辆的路径规划[4-5]。王海梅等人对Dijkstra算法进行优化，结合数据结构和路径搜索策略，具有启发函数性质的A*算法，两种算法的融合证明有较好的效果[6]。RRT算法[7]适用于多自由度路径规划问题，但随机分布特点会引起算法计算时间较长、路径规划非最优等不足。A*算法[8-9]发源于Dijkstra算法，具有启发性的路径搜索算法，其算法的核心在于从当前目标点搜索下一最小代价函数值，作为下一目标起点，循环往复以达到最优路径规划的目的。基于A*算法最优规划，计算效率高且较容易规划出最优路径，本文提出采用基于改进扩展搜索领域的、基于优化搜索算法的A*算法，通过Matlab/Simulink建模，搭建仿真模型，模拟室外特定区域，以验证该算法的实用性和有效性，达到智能车辆路径行驶要求。

1 传统 A＊算法

传统A*算法是一种通过启发函数来搜索路径，每次确定当前起点，重新计算代价函数，循环搜索下一目标点的路径搜索算法。启发函数常用以下公式描述：

上述公式（1）中，f（n）为路径搜索总的代价函数估计值，g（n）为实际移动代价值，h（n）为目标点到终点的估算成本，其值是估算来的。……