受限区域内的抗Y形高效停车路径规划方法

《Robotics and Autonomous Systems》：An Anti-Y-shaped efficient parking path planning method for restricted areas

　　臧立国|易陆达|袁江超|孙海燕|焦静摘要为降低停车过程对整体交通效率的影响，提升停车安全与流畅性，本文提出一种适用于受限区域的反Y形停车路径规划方法，该方法结合了Reeds–Shepp（RS）曲线与双向混合A*算法。混合A*算法同时在停车起点和终点启动，随后利用RS曲线实时检测并连接已发现的节点，从而减少冗余搜索，提高路径规划效率。此外，为解决传统基于直线和弧线的路径中频繁改变行驶方向的问题，该文为双向混合A*算法设计了成本函数，进而生成平滑的反Y形路径，有效降低转向角度变化，减少倒车频率。同时，本文还提出了分层碰撞检测方法，通过几何变换和膨胀策略，在保证计算效率的同时提升驾驶安全性。仿真与实验结果表明，所规划的路径转向角度波动控制在±30°范围内，与传统混合A*算法相比，平均规划时间减少了67.6%。该方法能够在受限区域内快速生成平滑安全的路径，具有很强的工程应用潜力。引言随着车辆拥有量的不断增加，城市停车场普遍存在停车位密度高且行驶车道受限的情况。有限的空间和大量的障碍物给停车带来了诸多限制[1,2]。传统的路径规划方法难以在路径的稳健性与平滑性之间取得平衡，可能导致停车过程中发生碰撞、转向突然变化等问题。因此，考虑到受限区域停车路径的连续性与安全性，开发适合此类区域的路径规划算法对于提升停车场内的驾驶效率与停车安全性具有重要意义[3,4]。近年来，国内外众多研究者对停车路径规划展开了广泛研究。目前的路径规划方法大致可分为基于图搜索的方法、基于采样的方法以及基于深度学习的方法[5,6]。在基于图搜索的方法中，左等人[7]提出了一种分层路径规划方法，将A*算法与最小二乘策略迭代（LSPI）策略相结合。A*算法可快速搜索出可行路径，再通过LSPI算法进一步迭代以获得局部最优路径，最终得到满足运动学约束的无碰撞平滑路径。曹等人[8]通过引入自适应扩展因子和动态搜索步长策略，改进了Anytime Repairing A*算法，解决了原算法扩展因子偏好低且搜索效率差的缺陷。谢等人[9]通过改进A*算法以考虑链路行驶时间的动态变化，开发出了全局停车路径规划算法，并将其与停车位分配系统相结合，显著提升了停车场的停车效率。此外，任等人[10]基于混合A*算法和变半径Reeds-Shepp（RS）曲线，开发出了停车路径优化算法，通过调整相邻节点间的曲线半径，提升了路径搜索能力与路径平滑性，但其搜索性能仍会受到车辆行驶方向变化的影响。金等人[11]将双向搜索与混合A*算法相结合，减少了需要扩展的节点数量，大幅降低了搜索时间。杨等人[12]提出了一种结合动态窗口方法的改进型A*算法，通过采用分层架构，实现了全局路径规划与局部动态调整的协同优化，从而提升了停车精度与速度。林等人[13]在A*算法中加入了预测规划与冗余转弯点消除策略，通过引入冗余安全空间，过滤掉了不可行的受限路径，得到了更优的行驶路线。秦等人[14]提出了一种方向型混合A*算法，将图搜索与几何曲线相结合，通过计算从全局路径终点到停车路径起点的平滑连接，确保了路径规划的连续性与平滑性。尽管上述基于图搜索的停车路径规划研究能够生成平滑路径，但大多数现有方法仅将RS曲线用于对规划路径的后处理或平滑处理，未能解决受限停车场景中频繁改变方向的問題。本研究不仅将RS曲线作为双向搜索的核心连接模块，还通过定制化的成本函数设计引导反Y形路径的生成，从路径拓扑结构层面从根本上减少了方向变化次数与转向角度波动。在基于采样的方法中，盛等人[15]提出了一种基于人工势场的人适应双向RRT*算法，通过调整连接起点与终点的线段上的采样概率，生成了曲率连续且高效的路径。杨等人[16]提出了一种结合Sobol-RRT*算法与Reeds-Shepp曲线的方法，在四轮转向运动学模型的约束下，得到了最优的停车路径。黄等人[17]为狭窄通道开发了一种自适应双向RRT*算法，通过从候选节点中选择最优父节点，得到了最优且可行的路径。张等人[18]提出了一种自适应聚类准线性搜索路径规划算法，充分利用了采样方法与人工势场（APF）方法的优点，有效减少了所需采样数量与计算成本。上述基于采样的停车路径规划方法在常规停车场环境中表现出较强的适应性及采样策略优化能力，但在受限环境中往往存在规划效率低、难以快速识别可行路径的缺点。在基于深度学习的方法中，吴等人[19]提出了一种基于深度学习的细粒度交通预测算法，通过提取车辆的时空特征，提升了路径规划精度，并实现了路径的自适应调整。杜等人[20]提出了一种深度分布式强化学习算法，通过运用分布式强化学习算法及基于启发式知识的奖励函数，实现了在受限环境中的安全避障。崔等人[21]基于启发式深度强化学习，提出了一种针对多辆无人配送车辆的带运动约束的无碰撞路径规划方法，通过结合A*搜索算法与深度Q网络（DQN），避免了无效探索，提高了训练效率，得到了无碰撞的规划路径。Khalid等人[22]提出了一种基于深度强化学习的算法，通过大量样本训练，实现了在动态环境中的快速停车路径调整。这些研究利用实时数据与在线学习，实现了动态环境下的自适应路径调整，但也面临着计算复杂度高、需要大量训练数据等挑战。综上所述，现有的停车路径规划研究主要聚焦于路径的全局可行性与连续性、局部实时调整，或是利用深度学习提升路径的适应性。然而，这些方法大多是为受限环境设计的，从而导致路径复杂、计算时间长，且停车时频繁进行转向操作。为解决这些问题，本文提出了一种反Y形高效停车路径规划方法，将该方法将RS曲线与双向混合A*算法相结合。该方法通过优化搜索策略与路径结构，能够在受限区域内以较低的计算成本生成平滑安全的停车路径，提升了停车场的整体效率与空间利用率。本研究的主要贡献如下：1）双向搜索与连接机制：混合A*算法同时从起点与终点启动，同时利用RS曲线实时检测并连接双向搜索节点，无需等待双向搜索节点的重叠，且生成的连接曲线满足车辆运动学约束，有效减少了无效冗余节点的扩展，提升了规划效率。2）反Y形路径结构：为减少受限区域停车时的频繁方向切换，该文为双向混合A*算法设计了成本函数。与传统主要关注路径长度的成本函数不同，所提出的成本函数明确体现了反Y形路径的几何特征，从而降低了转向幅度，减少了方向变化次数，使得停车操作更加平稳高效。3）分层碰撞检测模型：本文提出了一种基于几何膨胀与分层评估的分层碰撞检测方法，能够以较低的计算成本快速确定车辆与障碍物之间的安全距离，保障受限环境中的停车安全。本文的其余部分结构如下：第二节进行相关原理分析；第三节构建该方法的研究框架，并设计各部分的算法；第四节建立车辆模型与标准化停车场场景，对规划时间与转向角度进行仿真分析；第五节通过真实车辆实验验证仿真结果；最后，第六节对全文进行总结。混合A*算法的采样策略A*算法是一种高效的启发式图搜索算法，通过在已知地图上合理设计启发式成本函数，引导搜索方向朝向目标[23]。图1展示了A*算法的采样策略。与在离散网格空间中的传统A*算法相比，混合A*算法通过将车辆运动学约束纳入节点扩展过程，将搜索范围扩展到连续状态空间，从而能够生成可行路径。反Y形停车路径规划方法的原理考虑到停车场环境中的受限区域与高车辆密度，本文提出了一种结合RS曲线的双向混合A*算法。在该方法中，混合A*算法同时从起点与终点向彼此方向开始搜索。在搜索过程中，算法会持续检查来自相反搜索方向的节点是否可以通过RS曲线直接连接，其连通性是通过验证来确定的。车辆模型与仿真场景的建立1）车辆轮廓模型的建立。在停车路径规划中，车辆轮廓是反映车辆与周围交通关系的基础，也是车辆碰撞检测的边界。通过将车辆轮廓简化为矩形或多边形等规则几何图形的叠加，可以减少路径规划算法的计算量，提升路径规划效率。简化的车辆轮廓实验设备与场景ROS汽车是基于机器人操作系统（ROS）开发的智能移动平台，其核心是通过ROS框架整合传感器、控制器与算法，实现自主导航、环境感知、任务执行等功能。ROS汽车的轮廓参数如图17与表7所示。ROS汽车采用阿克曼转向模型，最大外轮转向角可达0.4363弧度，对应最大值结论本研究提出了一种反Y形高效停车路径规划方法，该方法将RS曲线与双向混合A*算法相结合，用于处理受限停车区域，能够生成安全、平滑且高效的停车路径，提升停车场的整体交通效率。通过采用双向搜索与实时节点连接策略，该方案提升了受限区域内的规划效率。同时，通过成本函数的设计……CRediT作者贡献声明臧立国：写作——审阅与编辑、方法论、概念设计。易陆达：写作——初稿撰写、验证、数据整理。袁江超：监督、调研、资金获取。孙海燕：验证、方法论。焦静：写作——审阅与编辑、方法论。