改进RRT算法提升汽车避障路径规划效率与稳定性

本文主要探讨了如何改进传统的快速搜索随机树算法（Rapidly-exploring Random Trees, RRT）在汽车避障局部路径规划中的应用。RRT算法因其搜索速度快和所需时间短而受到青睐，但它存在随机性大以及约束不足的问题。针对这些问题，作者宋晓琳、周南、黄正瑜和曹昊天提出了新的改进策略。 首先，他们构建了直道和弯道的期望路径模型，通过这个模型来更精确地模拟汽车行驶的实际环境。在这个模型中，他们采用了高斯分布来描述随机采样点的生成，这是因为高斯分布在许多自然现象中具有很好的数学描述性，可以更好地反映道路的真实随机性和复杂性。 其次，引入了启发式搜索机制，这是一种在搜索过程中利用领域知识或经验来指导搜索方向的方法，旨在减少搜索空间的盲目性，提高路径规划的质量。这使得算法在规划路径时更加智能，能够更快地找到满足汽车避障要求的最优路径。 通过与原RRT算法的仿真对比，结果显示，改进后的算法在路径规划的质量上有了显著提升，规划时间也得到了大幅缩短，这对于实时的路径规划至关重要。为了验证算法的实际效果，他们在Prescan软件中搭建了包含直道和弯道的仿真场景，让车辆按照改进后的RRT规划路径行驶。仿真结果显示，新算法规划出的路径具有良好的跟随性，车辆的侧向加速度保持在车辆稳定性要求范围内，这意味着这种方法在实际驾驶环境中是可行且实用的。 这篇文章的核心贡献在于提出了一种结合高斯分布和启发式搜索机制的改进RRT算法，成功地解决了汽车避障局部路径规划中的问题，为自动驾驶和智能交通系统提供了有效的路径规划策略。