または
300350） （天津中德应用技术大学汽车与轨道交通学院，天津 RRT* 【摘要】针对传统 算法在路径探索过程中存在的效率低、随机采样点质量差和路径质量不佳等问题，提出一种结合改进人工势场与自适应步长双向扩展机制的方法。通过自适应引力系数和双重斥力，优化路径引导与避障；采用动态步长调整策略和双向树协同搜索机制，减少冗余节点并加速收敛；利用贪婪算法去除冗余点，保证路径的平滑性和连续性；引RRT* 入基于环境密度的自适应目标偏置策略，增强目标导向性和探索效率。试验结果表明：在复杂环境中，相较于传统...
智能车辆路径规划的核心任务是结合道路环境与障碍物约束，为自车求解一条无碰撞、满足车辆运动特A*[性的最优行驶路径。常见的路径规划算法包括 1]、Dijkstra[ RRT RRT 2]、人工势场法[3]、 等。其中， 类算法具 * 2019ZD20）基金项目：天津市教委科研计划项目（ 。 8 年 第 期
有渐进最优性和良好扩展性，但其在搜索效率与路径质量方面仍存在一定局限性。 针对传统 类算法的不足，在优化采样方法方面，陈国军等[4]通过调整随机采样方法，提高了扑翼飞行器的采样效率，但该方法在障碍物密集区域仍易产生 Janjos 4 冗余点； 等[5]使用 次样条插值优化路径平滑度，但计算复杂度较高；周秦源等 结合自适应目标导向策略、区域采样备选策略和贪婪剪枝策略，显著提高了路径搜索成功率，但路径平滑方面仍有待提升。 在提升计算与搜索效率方面，鲁宇明等...
图 1： Initialize tree T with q start // 初始化起点树T，将起点q start设为根节点 2： = 1 to Maxiterations for i do // Maxiterations 主循环迭代上限为 3： q rand = Randomsample( M); // 在地图M中随机采样得到随机点q rand 4： q near = Nearestneighbor( T , q rand ); // 在树T查找距离q...
3 3.1 Artificial Potential Field ，为解决传统的人工势场（ APF） 法中，固定引力可能会使车辆与目标点较远时移动过慢，接近目标点时移动过快，从而难以精确停靠在目标点的问题，本文引入自适应引力系数k( x) ，可根据车辆与目标点的距离动态调整，从而实现更合理的路径规划： ( x,x goal ) d k( x) = 1） - （ k max· e d scale 式中： k max为最大吸引力系数， x goal分别为当前、点和目x标点的位置坐标， d (...
MATLAB 为了验证本文算法性能，使用 进行仿真ABF-RRT* APF-RRT* 测试，并与无路径平滑策略的 、 、Rrt-connect 4 和 进行对比。本文构建 种不同障100 cm， 11碍物拥挤程度的试验环境，长、宽均为 如图 1 2 3所示。其中，环境 和环境 中障碍物较为复杂，环境 4 为 型，环境 为简单通道型。 种场景的起始点坐标100,100） 均为（ 目标点坐标均为（ 。
d） 4 11 4 在初始条件下，对 种算法进行性能评估，在不同15 环境中各自执行 次测试，每种算法的最大迭代次数3 000 12 为 次，结果如图 所示，本文算法的收敛曲线变13 1化趋势如图 所示，各算法的仿真数据如表 所示。在15 ABF-RRT* 次测试中，...