微分约束下无人车运动规划算法综述：RRT与A*搜索方法

本文主要探讨了无人车运动规划算法的关键技术和方法，尤其是在复杂环境下的行驶策略。无人车运动规划问题的核心在于如何设计出有效的路径，既要满足车辆的运动约束，又要适应多样化的运行环境，包括结构化的道路和非结构化的野外路段。 首先，由于无人车的运动受到微分约束，通常采用具有阿克曼转向性质的车辆模型，这种模型具有微分平坦性，使得轨迹生成问题简化。在路径规划上，路径-速度分解法更为常见，这种方法将路径规划和速度规划分开处理，常见的路径生成曲线如回旋线、样条曲线和多项式螺旋线，它们能够提供灵活且易于控制的行驶路径。 文章重点介绍了两种具有重要实用价值的运动规划算法类型：一是基于采样的规划算法，以快速随机扩展树（RRT）为代表，这种方法通过不断扩展并随机采样潜在路径，寻找最短或最优路径，适用于动态环境中的实时决策。二是基于搜索的规划算法，以A*搜索为例，这是一种启发式搜索算法，通过评估节点的启发式函数来指导搜索过程，适用于对复杂环境进行全局优化的场景。 在无人车运动规划中，关键算法的选择取决于实际需求，如实时性、计算效率、路径质量等因素。研究者余卓平、李奕姗和熊璐在文中可能详细讨论了这两种算法的工作原理、优缺点以及在具体应用中的优化策略，同时也可能探讨了如何结合车辆动力学控制、汽车系统动力学与控制等技术，以提高无人车的行驶稳定性和安全性。 文章最后，作者提供了他们的联系信息，表明他们正在进行同济大学智能型新能源汽车协同创新中心的研究工作，并且强调了国家自然科学基金和国家重点研发计划的支持，这显示出无人车运动规划算法研究在中国的学术地位和前沿发展趋势。 总结来说，这篇综述旨在为无人车运动规划领域的研究人员和工程师提供一个全面的理解框架，涵盖了基础理论、方法选择和技术应用，对于推动无人车技术的发展具有重要意义。