江 洪，蒋潇杰

（江苏大学 机械工程学院，江苏 镇江 212013）

随着计算机云计算等新技术的快速普及，无人驾驶技术得到了大力发展。路径规划作为其关键技术之一，众多学者对其进行了理论与技术上的研究。路径规划问题通常可描述为：在布有一定障碍物的环境中，给予车辆起始点以及目标点，在遵循车辆运动学、规划时间最短、路径最优等一系列原则下，获得一个车辆行驶的最优方案［1］。经典的路径规划算法主要有人工势场法、数值规划法、可视图法以及基于随机采样的算法［2］。

人工势场法（APFA）最早由Khatib提出［3］，其通过构建虚拟力场，巧妙地运用目标点引力和障碍物斥力，规划出一条无障碍路线，但此算法容易陷入局部极小值。赵东辉等［4］通过在斥力函数中添加逃逸力解决局部最小值问题，并利用遗传算法得到平滑路径。

随机采样的路径规划算法主要包括Steven.M.LaValle提出的快速随机扩展树算法（rapidlyexploring random tree，RRT）［5－6］。其优点在于无需对地图进行建模，同时考虑了无人驾驶汽车的客观约束［7－8］。然而RRT算法依赖于随机点选择，从而产生的路径不唯一、运算耗时较长。

为提高RRT算法采样时的目标导向性，有学者提出基于目标偏向策略的P概率RRT算法［9］，在采样判断时设定一个参数Pa，在每次扩展前随机得到一个（0，1）内的随机值P并进行判断，当0＜P＜Pa时，随机点随机产生，当Pa＜P＜1时，随机点为目标点，随机树朝目标点生长，使随机树扩展更具目标性。龙建全等［10］提出一种基于路标引导及增长采样区域策略引导算法朝目标点搜索。……