基于双向变邻域搜索A*的地形自适应全局路径规划方法

《Actuators》：Terrain-Adaptive Global Path Planning Method Based on Bidirectional Variable Neighborhood Search A*

　　

针对大规模环境下A^*算法效率低和路径不平滑的问题，提出了一种基于双向变邻域搜索A^*（Terrain-Adaptive Bidirectional Variable Neighborhood Search A^*, TA-BVNS-A^*）的地形自适应全局路径规划方法。基于数字高程模型（DEM），计算坡度阻力和障碍物斥力势场，以引导路径规避高风险区域。在启发式搜索中引入双向交替搜索、指数加权和变邻域机制，以防止盲目扩展。此外，采用“节点滤波+贝塞尔平滑约束”策略进行后处理优化。多尺度地形仿真表明，平滑后最大前轮转向角平均降低超过60%，在100 m × 100 m大尺度地图中达到65.16%，满足车辆运动学约束。该方法显著减少了搜索节点数量，消除了锯齿状折线和冗余节点，输出了符合运动学约束的高效平滑全局路径。

**论文解读：基于双向变邻域搜索A^*的地形自适应全局路径规划方法**

**研究背景与问题**

在自动驾驶技术与人工智能快速发展的推动下，智能车辆的应用场景正从结构化城市道路向非结构化越野环境扩展，如紧急救援、野外地质勘探和现代农业作业。然而，非结构化环境具有高度三维空间复杂性和不可预测性，包括剧烈地形高程变化、多样化的地表材料（如硬土、软沙、泥泞）以及不规则的刚性障碍物（如巨石、树干、沟壑）。在此类极端场景中，全局路径规划不仅需解决二维平面碰撞规避的几何问题，更需应对多物理边界约束的系统性工程问题。现有方法存在以下不足：传统A^*算法在大规模地图中搜索效率低、路径转弯角过大且平滑性不足；环境建模多局限于二维障碍物简单膨化，缺乏对三维地形特征（如坡度、地表滚动阻力、起伏度）的系统集成；路径平滑后处理常忽略运动学约束验证，易导致偏离安全区域。因此，亟需一种高效、安全且符合车辆运动学的地形自适应全局路径规划方法。

**研究内容与意义**

研究人员提出了一种基于双向变邻域搜索A^*（TA-BVNS-A^*）的地形自适应全局路径规划方法。该方法通过构建综合地形成本评估系统，引入双向交替搜索、指数加权和变邻域机制，显著提升了搜索效率与地形适应性；结合节点滤波与贝塞尔曲线平滑策略，实现了满足车辆运动学约束的平滑路径输出。多尺度仿真验证表明，该方法在保持路径安全性的同时，大幅降低了搜索节点数量和计算时间，平滑后最大前轮转向角平均降低超过60%。该研究发表于《Actuators》，为越野智能车辆在复杂非结构化环境中的导航提供了高质量参考路径。

**主要关键技术方法**

研究人员采用以下关键技术方法：首先，基于数字高程模型（DEM）构建三维地形，通过3×3移动窗口计算坡度阻力，依据地表类型分配滚动阻力系数（参考[24]），并引入自适应斥力势场（障碍物影响边界20 m，高起伏地形8 m）以规避高风险区域。其次，在改进评估函数中集成地形成本，采用指数加权机制动态调节启发函数权重，并引入8-11-13变邻域搜索策略（根据目标方向动态扩展邻居节点）。最后，通过节点滤波（几何碰撞、安全裕度、地形成本、转向能力四重检测）筛选关键节点，再以三次贝塞尔曲线（控制点缩放因子初始0.4，步长0.05-0.1）进行平滑，满足曲率、地形和连接约束。

**研究结果**

**7.1 数值仿真设置与评估指标**
研究人员在50 m×50 m、100 m×100 m和200 m×200 m三种尺度的DEM网格地图（分辨率1 m×1 m）中，将3D-A^*（仅考虑距离与坡度）、TA-A^*（集成坡度、地表成本与斥力势场）和TA-BVNS-A^*三种算法进行对比，以平均计算时间、搜索节点数、最大前轮转向角和曲率变化作为评估指标。仿真结果表明，TA-BVNS-A^*在各尺度下均表现出显著优势。

**7.2 基于越野环境建模的TA-A^*路径分析**
对比2D A^*与3D-A^*发现，2D路径完全忽略高程信息，无法真实反映越野车行驶约束；而3D-A^*能识别地形坡度并执行合理绕行。进一步比较3D-A^*与TA-A^*，TA-A^*在路径长度相近的前提下，最大路径坡度显著降低（如200 m×200 m地图中由12.12%降至3.55%），搜索节点数减少约44%，验证了综合地形成本模型的有效性。

**7.3 验证双向变邻域搜索的高效性**
对比TA-A^*与TA-BVNS-A^*：TA-BVNS-A^*的搜索节点数大幅下降，在200 m×200 m地图中从14,453个降至1,709个（减少约88.2%），平均计算时间从187.71 ms降至70.38 ms（降低62.5%）；在50 m×50 m地图中仅耗时1.88 ms（降低71.4%）。这表明双向交替搜索、指数加权与变邻域机制有效抑制了盲目扩展，显著提升了大规模复杂地形的规划效率。

**7.4 路径平滑效果分析**
针对TA-BVNS-A^*初始路径中的锯齿折线和冗余节点，采用“节点滤波+贝塞尔平滑”策略处理后，局部路径仅保留关键转折点，消除了无效拐点。平滑后，最大前轮转向角在200 m × 200 m地图中从90°降至32.6°（降低63.78%），在100 m × 100 m地图中降低65.16%。曲率变化图显示，平滑路径的曲率始终低于物理极限0.15，且变化梯度平缓，满足车辆运动学连续性要求。

**讨论与结论**

讨论部分指出，TA-BVNS-A^*在路径长度上略长于基线算法，这是为换取安全性和地形适应性所做的合理折衷。结论部分（Section 8）翻译如下：研究人员提出了TA-BVNS-A^*算法，以应对复杂越野环境中智能车辆的全局路径规划挑战。通过集成双向交替搜索策略与变邻域机制，该方法有效缓解了传统A^*算法的盲目扩展问题。仿真结果表明，TA-BVNS-A^*在保持卓越地形适应性的同时，显著提升了搜索效率和路径可执行性。为弥合理论算法优化与工程实践之间的差距，未来研究将聚焦于：(1) 在嵌入式单元（如Infineon AURIX TC264）上进行硬件在环（HIL）测试以验证实时性能；(2) 通过多传感器融合扩展地形复杂度模型；(3) 在实体车辆平台上开展全面的外场测试。