0 引言

    隨著城市繁華區(qū)域車輛行駛密度的增加,，行車過程車道上阻礙行車的各類移動、固定障礙物出現(xiàn)頻數(shù)不斷增多,，嚴重影響行車速度,，這是導致區(qū)域交通擁堵的主要因素之一。有關研究表明：駕駛者從觀測,、判斷到駕駛動作的執(zhí)行,，以及車輛控制系統(tǒng)的反應，所需總時間在1.87 s以上,，其中人員生理反應時間約占60%～70%^[1],。因此在一定車速條件下，人工操作避障極易發(fā)生車輛與障礙物之間的碰撞,，導致在車道障礙物較多的交通環(huán)境中難以實現(xiàn)自動駕駛,。利用安裝于車輛前方的超聲波等探測系統(tǒng)進行路障信息采集，由車載電腦作數(shù)字化處理并及時反饋和視頻預警^[2],，將有效保證繁華市區(qū)行車安全和提高行車速度,。

1 避障系統(tǒng)核心算法

1.1 人工勢場法

    車輛行駛速度受行駛目的地、車道障礙物兩方面的因素影響,。在繁華城區(qū)的行駛要求所有車輛能安全,、迅速通過，從而對交通環(huán)境影響程度達到最小,。人工勢場法原理表明,，動態(tài)物體在設定的空間按預期目的地運動時，存在兩種物理勢場的影響,，即預期目的地吸引力和運動過程沿途障礙物的排斥力,。運用多目標優(yōu)化處理的方法,，合理解決上述吸引和排斥的矛盾，能獲得安全高效的運動方案^[3],。

1.2 A^*搜尋算法

    A^*搜尋算法是一種探測性的算法,，其是一種在平面圖形中求出最低成本的算法。規(guī)劃合理的行車路徑,，減少擁堵,，降低運營成本是A^*搜尋算法應用的重要領域之一。A^*算法基本思想是通過劃分網(wǎng)格,，計算起點到當前點的距離G和目標點到當前點的距離H的和,，通過比較大小，把可能通過的點儲存進open列表,，而不會考慮的點則儲存進closed列表,。 

1.3 粒子群算法(ACO)

    粒子群算法（PSO）是一種群智能算法，其基本思想是模擬鳥群覓食的行為,，通過鳥類之間的集體協(xié)作使群體飛行路線最優(yōu)的算法^[4],。在粒子群算法中，用無質(zhì)量無體積的粒子作個體,，并且為每個粒子規(guī)定一定的運動規(guī)則,，從而使整個群體表現(xiàn)出一定的復雜特性。PSO概念簡明,，無需復雜的調(diào)整,、收斂速度快，收斂準確,、設置參數(shù)少,、實現(xiàn)簡單，且其數(shù)學基礎相對薄弱,，沒有系統(tǒng)的數(shù)學基礎,。

1.4 矩陣實驗室（MATLAB）

    MATLAB是適用于數(shù)值計算、數(shù)據(jù)分析及可視化,、算法開發(fā)等場合的高級技術計算語言,，具有矩陣運算、繪制函數(shù),、數(shù)據(jù)圖像等功能,，本研究即在交互式環(huán)境中對算法進行編程，進行特定算法計算,，實現(xiàn)動態(tài)仿真和數(shù)據(jù)輸出,。

2 路徑規(guī)劃算法原理

2.1 人工勢場法原理

2.1.1 人工勢場法函數(shù)

    經(jīng)典勢能函數(shù)將運動物體（汽車）作為一個運動質(zhì)點置于虛擬人工勢場之中：運動終點與汽車相互作用產(chǎn)生的引力場用式(1)表示，障礙物與汽車相互作用產(chǎn)生的斥力場用式(2)表示^[5-10],，即：

    輸入初始條件,、汽車信息等參數(shù),，實時采集并更新車道環(huán)境參數(shù)，建立動態(tài)勢場分布,，在虛擬力的作用下完成路徑規(guī)劃,。

2.1.2 人工勢場法程序設計及仿真結果

    基于人工市場法在MATLAB環(huán)境進行設計。

    初始條件為：起始點為(10.5,，10.5),，終點(1.5，1.5),。系統(tǒng)參數(shù)為：引力的增益系數(shù)k=20,；斥力增益系數(shù)m=20；障礙影響距離P=1,；障礙個數(shù)n=8；步長a=0.5,；l=0.4,；循環(huán)迭代次數(shù)j=200。

    基于人工勢場法設計的路徑規(guī)劃如圖1,，障礙物為實心圓圈,，空心圓圈代表障礙物的大小是障礙物半徑和障礙物的斥力之和，因此路徑會進入障礙物范圍,；將信息數(shù)據(jù)輸入式(1),、式(2)運算行車終點引力和障礙斥力總和，獲得安全避障行駛的相關數(shù)據(jù),。

2.2 A^*搜尋算法（a星算法）

    路徑優(yōu)化的第一步是把地圖簡化成容易控制的搜索形式,，即通過劃分網(wǎng)格，把本文的地圖劃分為10×10的小網(wǎng)格,。

2.2.1 A^*算法的相關參數(shù)

    (1)Open列表和Closed列表

    ①一個記錄下所有被考慮來尋找最短路徑方塊的列表,，被稱為OPEN列表。

    ②一個記錄下所有不會再考慮來尋找最短路徑方塊的列表,，其中包括起點和邊界,，被稱為Closed列表。

    (2)路徑增量

    G值是從開始點到當前點所在的方塊的移動量,，即規(guī)定從開始點到相鄰方塊的移動量為1,，其值會隨著距離開始點越來越遠而增大。

    H值是從當前點靠目標點的移動量的估計值,，在算法中常被稱為探視,，而估計值越接近真實值，最終的路線會更加精確,。如果估計值停止作用,，則規(guī)劃的路徑很大概率不是最短,，通常使用的是“曼哈頓距離方法”，其僅僅是計算出當前點距離目標點剩下的方塊總數(shù),，除去障礙物的總數(shù),。

2.2.2 A^*搜尋算法的規(guī)劃流程

    (1)將地圖劃分為n×n的網(wǎng)格；

    (2)計算G+H的和F,；

    (3)將方塊提價到open列表中,，本列表中有最小的F值，將此值稱為S,。

    (4)將S從open列表中移除,，添加到closed列表中；

    (5)對于與S相鄰的四周方塊T可進行如下運算：

    ①如果T在closed列表中,，刪除,，不考慮；

    ②如果T不在open列表中,，計算其和值并添加進open列表中,；

    ③如果T在open列表中，當使用當前生成的路徑到達T時,，檢查F值是否更小,，如果是，更新和值F并前進^[11-12],。

2.2.3 A^*星算法程序設計及仿真結果

    基于A^*星搜索算法在MATLAB中進行路徑仿真,，結果如圖2，其中障礙物的布置同人工勢場法,，邊界的限定為^[1,，11]。

    如圖2,，其中黑色粗線條代表從起點到終點的直線距離,，之后用于比較規(guī)劃路徑距離的長短，細線條為A^*算法的實際路徑,。

2.3 粒子群算法（PSO算法）

2.3.1 粒子群算法參數(shù)的選取

    粒子群算法主要確定如下各項參數(shù)^[13-14]：

    (1)粒子數(shù)目：粒子數(shù)越大,，則粒子的搜索的空間范圍越大，但相應的搜索所需時間也越大,。一般的粒子數(shù)取20～40,，由于本文的問題比較特殊，本文的粒子數(shù)目取200,。

    (2)粒子長度：大小決定于具體問題,。

    (3)粒子范圍：大小取決于具體優(yōu)化問題，且粒子的每一維度可設置不同的取值范圍,。

    (4)粒子最大速率：大小決定了粒子在一次運行中可以移動的最大距離,，如果不限定粒子的極限速率,，粒子可能會在一次運行中超出搜索空間，而粒子最大速率的設定取決于粒子范圍的最大寬度,。

    (5)學習因子（加速常數(shù)）：固定常數(shù),，一般取2。當沒有慣性權重時,，引入收斂因子,，其取值也不一定取2，C₁+C₂=4.1時,，收斂因子取0.729,。部分實驗研究表明兩個因子相等且都等于0.2時效果更好，部分實驗也表明C₁大于C₂且其和小于4時效果更好,。

    (6)算法終止條件：最大的迭代次數(shù)和在一定的誤差范圍內(nèi)都可作為終止條件,。

    (7)適應度函數(shù)：目標函數(shù)或目標函數(shù)的變換。

2.3.2 粒子群算法的具體步驟

    算法的流程可以描述如下：

    (1)初始化一群粒子（種群規(guī)模為M）,，其中包括隨機位置X和隨機速度V,；通常是在范圍內(nèi)隨機產(chǎn)生。設定學習因子C₁,、C₂，最大迭代次數(shù)G_max,。

    (2)評價每個粒子的適應度,；

    (3)對每個粒子的適應值和其經(jīng)過的歷史最好位置Pbest作對比，如果較好,，則選擇其作為當前最優(yōu)位置,，即更新個體極值。

    (4)對每個粒子的適應值和種群經(jīng)過的歷史最好位置Gbest作對比,，如果較好,，則選擇其作為當前最優(yōu)位置，即更新全局極值,。

    (5)根據(jù)式(1),、式(2)對粒子位置和速度進行更新，產(chǎn)生新的種群,。

    (6)如果迭代次數(shù)達到終止條件,，則停止迭代，算法終止,；未達到約束條件時轉到步驟(2),，且粒子數(shù)加1。

    根據(jù)上述步驟得出如圖3所示流程圖^[15-16],。

2.3.3 仿真結果

    基于PSO算法在MATLAB中進行路徑仿真,，結果如圖4,，其中障礙物的布置同人工勢場法，邊界的限定為^[1,，11],。

3 3種算法的特性對比

    通過tic和t=toc得出算法運行時間，通過對坐標進行統(tǒng)計運算計算出距離的大小,，結果如表1,。

    從表中可得出如下結論：

    (1)地圖相同的前提下，粒子群算法由于需要進行多次迭代,，因此所用的時間相對于其他兩種算法很大,，而由其得到的路徑非最短路徑。

    (2)地圖相同的前提下,，A^*搜索算法僅進行其局部范圍的最優(yōu)規(guī)劃,，因此得出的路徑不是最短，而其時間相對于粒子群算法也小很多,。

    (3)人工勢場法在路徑長短和時間上最優(yōu),。

4 粒子群算法的改進    

    由于粒子群算法是群智能算法的一種，相對于其他兩種算法雖然存在一定缺陷,，但也是未來智能行業(yè)的一大支點,，因此作為一種智能算法，提升空間很大,。本文通過一種改進方法來提升粒子群算法的仿真時間,，同時優(yōu)化其路徑。

    通過對其各個程序的調(diào)用發(fā)現(xiàn),，仿真時間與粒子群算法自身處理程序有關,，仿真時間占所有時間的15%，仿真時間主要是在調(diào)用算法的過程中,，因此需要對算法參數(shù)進行改進,。

    采用中期隨機的慣性權重，把w分為分段函數(shù)的判斷形式進行粒子全局尋優(yōu),，彌補了傳統(tǒng)的后期隨機的慣性權重的缺陷,。提出在搜索中期采用（0.2，0.8）均勻分布的隨機慣性權重,，使用中期隨機的慣性權重,。

    當it<0.2·MaxIt時，慣性權重取值：

式中,，MaxIt為最大迭代次數(shù),，It為當前迭代次數(shù)，w_max=0.9為最大慣性權重，w_min=0.4為最小慣性權重,。

    中期隨機的慣性權重具有一定優(yōu)勢,，當前期搜索不到最優(yōu)解時，在搜索中期時不至于陷入局部最優(yōu),，因此減弱粒子群算法對迭代次數(shù)的依賴,，弱化了最大迭代次數(shù)對算法的過度依賴。當最大迭代次數(shù)過大或過小時,，對算法的早熟收斂和最優(yōu)解的準確度的影響減弱,。改善粒子群慣性權重的選擇方式，減少搜索中期出現(xiàn)的過早收斂或者陷入早熟的陷阱中,。因此中期隨機即保證了隨機搜索的能力,，又保證了收斂速度。

    決定粒子群算法的參數(shù)還有學習因子C₁,、C₂,，粒子群在搜索過程中，需要前段速度大,，防止其過早成熟而陷入局部收斂,，因此C₁取大值，C₂取小值,。在搜索后期,，由于其逐漸向全局最優(yōu)靠近，因此需要弱化其全局搜索的能力,，增強局部搜索的能力,，從而減少仿真時間，因此C₁取小值,，C₂取大值。

    其分段公式如下：

其中,，x=Itπ/MaxIt,。當1≤It≤0.47MaxIt時，C₁>C₂,；當0.47MaxIt≤It≤MaxIt時,，C₁<C₂。

    通過對慣性權重和學習因子參數(shù)進行改進,，仿真時間為119.62 s,，規(guī)劃路徑長度為12.55 m，在提升仿真時間和路徑上有一定的效果,。通過雙重參數(shù)的調(diào)節(jié),，保證局部搜索和全局搜索能力的均衡，也保證自身認知和社會認知的均衡化。相比于傳統(tǒng)固定參數(shù)和僅僅改變一種參數(shù)的結果,，本仿真效果有很大的改善,。

    本文通過求Shubert函數(shù)的最小值對以上理論進行驗證對比，選擇Shubert函數(shù)的原因是由于其具有很多局部最優(yōu)解,，這里把多元多峰函數(shù)變成單元多峰函數(shù)進行其最小值的求解,，通過此函數(shù)得出最小值的驗證更能證明改進后的粒子群算法的效果，其具體數(shù)據(jù)如表2所示,。從表中可看出,，經(jīng)過兩種參數(shù)改進后的粒子群算法在收斂到極小值時的收斂速度更快、更準確,。

5 結論

    自動規(guī)劃路徑的核心是選取最優(yōu)算法,，在復雜地圖中，智能算法不一定比普通搜索算法強,，而是要通過具體的地圖進行判斷,。當然智能算法是人類科技發(fā)展的方向，通過對其各項參數(shù)進行改進后得出的路徑長度有了很大的提高,，其路徑通過不斷迭代得出的結果非常理想,。其他智能算法，如遺傳算法^[17],、蟻群算法^[18]等也各具特性,。

參考文獻

[1] 吳初娜.駕駛人應激反應能力評估研究[D].西安：長安大學，2011：30-40.

[2] 胡愛軍,，王朝暉.汽車主動安全技術[J].機械設計與制造,，2010，48(7)：97-99.

[3] 季榮濤,，周獻中,，王慧平，等.基于Lyapunov法和勢場法的對峙跟蹤研究[J].火力與指揮控制,，2016,，54(4)：66-69.

[4] 許源.結合粒子群算法和改進人工勢場法的移動機器人混合路徑規(guī)劃[D].杭州：浙江大學，2013.

[5] 錢森,，訾斌.多起重協(xié)作吊裝避障路徑規(guī)劃研究[J].機械設計與制造,，2015(10)：260-263.

[6] 祝雪芬，涂剛毅.基于軌跡安全性評價的免疫遺傳路徑規(guī)劃算法[J].計算機應用研究,，2013,，30(2)：354-356.

[7] 何海洋.工業(yè)機器人無碰軌跡規(guī)劃算法研究[D].廣州：華南理工大學，2014.

[8] 楊龍祥.基于反應式的人工勢場發(fā)機器人路徑規(guī)劃[D].成都：西華大學,，2014.

[9] 張煌輝.基于動態(tài)人工勢場的路徑規(guī)劃研究與應用[D].長沙：長沙理工大學,，2010.

[10] 劉秀松.車輛避障駕駛控制方法研究[J].計算機工程與應用,，2012，48(2)：230-234.

[11] 鄧順平,，張艷軍,，劉會平.一種基于威脅勢場的A星路徑規(guī)劃算法[J].科技視界，2014,，4(3)：6,，22.

[12] 郭強.基于改進的A星算法和B樣條函數(shù)的仿生機器魚路徑規(guī)劃研究[D].天津：天津大學，2012.

[13] 張萬緒,，張向蘭,，李瑩.基于改進粒子群算法的智能機器人路徑規(guī)劃[J].計算機應用，2014,，34(2)：510-513.

[14] 吳斌.車輛路徑問題的粒子群算法研究與應用[D].杭州：浙江工業(yè)大學,，2008.

[15] 劉關俊.基于粒子群算法的移動機器人路徑規(guī)劃研究[D].長沙：中南大學，2007.

[16] 王亞春.移動機器人路徑規(guī)劃算法研究[D].天津：天津理工大學,，2015.

[17] 禹建麗,，成元洋之,Valeri.Kroumov.無人駕駛農(nóng)用運輸車路徑規(guī)劃研究[J].拖拉機與農(nóng)用運輸車，2002,，29(4)：22-24.

[18] 卜新蘋,，蘇虎，鄒偉,，等.基于復雜環(huán)境非均勻建模的蟻群路徑規(guī)劃[J].機器人,，2016，38(3)：276-284.