当前位置：首页>自动驾驶>非结构化场景自动驾驶轨迹规划的挑战、核心方法与破解之道

非结构化场景自动驾驶轨迹规划的挑战、核心方法与破解之道

2026-07-24 04:34:01

深度解读 IEEE T-IV 综述：非结构化场景自动驾驶轨迹规划的挑战、核心方法与破解之道

文献来源：IEEE Transactions on Intelligent Vehicles (VOL. 9, NO. 9, SEPTEMBER 2024)

本篇综述发表于智能车与自动驾驶领域顶级期刊IEEE Transactions on Intelligent Vehicles，由来自Department of Automation, Tsinghua University与College of Mechanical and Vehicle Engineering, Hunan University的研究团队联合完成。

📌论文作者列表：Yuqing Guo, Zelin Guo, Yazhou Wang*, Danya Yao, Bai Li, and Li Li*（* 为通讯作者：Yazhou Wang, Li Li）

🏫主要科研机构：

Department of Automation, Tsinghua University, Beijing, China
College of Mechanical and Vehicle Engineering, Hunan University, Changsha, China

一、核心关键问题拆解：非结构化场景的技术瓶颈

在结构化场景（如高速公路、城市主干道）中，自动驾驶车辆可以依赖清晰的车道线建立Frenet 坐标系（将车辆位置解耦为沿着车道的纵向 $s$ 与横向偏离 $d$），进而把轨迹规划简化为“路径-速度解耦”问题。然而，在港口、矿区、地下停车场、物流园区等非结构化场景中，这种范式彻底失效，主要面临以下三大核心难题：

1. 参考线（Reference Line）缺失与失效问题

•问题本质：非结构化场景缺乏车道线。即使人工绘制离线全局参考线，遇到临时堆放货物、密集停车或障碍物阻挡时，车辆必须大幅度偏离初始线。一旦横向偏移过大，基于 Frenet 坐标系的投影和坐标变换就会出现多值映射或奇异点（Singularity），导致规划器失效。•导致结果：算法无法再使用传统的横纵向解耦思路，必须在原始二维/三维笛卡尔空间中直接搜索和优化。

2. 低速运动学/动力学约束与折返点（Cusp）问题

•问题本质：受限于狭窄物理空间，车辆无法通过一次连续转向完成目标动作，往往需要多次“前进-倒车”混合换向（Maneuver）。在换向瞬间，车辆速度降为零且方向改变，路径上产生折返点（Cusp/Jerk Point）。•导致结果：几何路径规划与时间/速度解耦的方法无法处理折返处的非连续动力学，必须将车辆的非完整性约束（Non-holonomic constraints，如前轮转角限制、阿克曼转向模型）显式引入到时空轨迹规划中。

3. 不规则障碍物带来的非凸避障与多同伦类（Homotopy Classes）

•问题本质：非结构化场景障碍物分布密集且形状不规则。车辆绕过障碍物左侧还是右侧，对应着完全不同的**拓扑通道（同伦类）**。•导致结果：避障约束在数学上属于极度复杂的**非凸约束（Non-convex Constraints）**。数值优化方法如果直接从随机初值出发，极易陷入局部极小值（如撞向障碍物死角），或者因为搜索空间巨大导致计算超时。

二、现有方法解析：四大类规划器优缺点对比

论文将轨迹规划统一抽象为**最优控制问题（Optimal Control Problem, OCP）**，从优化求解视角对四大类主流方法进行了深度的提炼与对比：

1. 基于搜索的方法 (Search-Based Planners)

典型算法：Hybrid A*、State Lattice、Kinodynamic RRT*、CL-RRT

求解机制：将连续的控制量或状态空间离散化，建立状态转移图，利用启发式函数（如 A* 的 $h(n)$）或随机采样在树/图结构上寻找可行解。

优点：完备性强（Resolution/Probabilistic Completeness），能有效穿越狭窄通道，天然擅长探索并确定可行的同伦类（Homotopy Class）。

缺点：生成的轨迹受限于离散分辨率，往往不够平滑，曲率不连续；且在多维复杂状态空间下易面临“维度灾难”，难以直接满足精准控制需求。

2. 基于数值优化的方法 (Optimization-Based Planners)

典型算法：H-OBCA、SLiFS、CFS (Convex Feasible Set)、TEB (Timed Elastic Band)

求解机制：将轨迹建模为决策变量，通过二次规划（QP）、非线性规划（NLP）或序列凸规划（SCP）求解数学最优化问题。

优点：能够严格显式地整合高阶动力学约束（如加速度、加加加速度 Jerk、曲率变化率），输出的轨迹非常平滑，舒适性高。

缺点：极度依赖高质量的**初始解（Initial Guess）**；若初始解选择不佳，数值优化非常容易陷入局部极小（Local Minima）或直接导致求解器不收敛（Fail）。

3. 基于曲线拟合的方法 (Curves-Based Planners)

典型算法：Polynomial Curves、B-Spline、Bezier Curves、Reeds-Shepp (RS) Curves

求解机制：利用代数曲线或几何参数曲线拼接航向点，直接计算连续轨迹。

优点：计算极为迅速，解析表达式简单，天然具备良好的高阶连续性。

缺点：难以显式且精确地表达复杂环境中的避障约束，单独使用时多用于局部的连接线生成或参数化拟合。

4. 基于深度学习的方法 (Learning-Based Planners)

典型算法：Reinforcement Learning (RL)、Imitation Learning (IL)、Parallel Learning

求解机制：通过神经网络拟合从感知输入到控制输出/轨迹坐标的映射。

优点：在线推理速度极快（毫秒级），能够学到人类驾驶员在复杂环境下的博弈策略与拟人化行为。

缺点：黑盒模型缺乏可解释性，难以给出 100% 的安全硬约束保证；对分布外（OOD）场景的泛化能力有限。

三、破局之道：两阶段（Two-Stage）最佳实践与关键技术细节

综合对比单种方法的优缺点后，论文重点总结并倡导了目前工业界与学术界公认最有效的解决方案——“两阶段（Two-Stage）规划范式”（即“粗搜索/粗规划 + 细优化”）：

⚙️ 两阶段轨迹规划标准流程 (Two-Stage Architecture)

Stage 1：粗轨迹生成 (Coarse Trajectory Generation)•核心任务：确定可行通道（同伦类），处理复杂的非凸避障空间，产生无碰撞的初始猜想（Initial Guess）。•常用处理方法：使用 Hybrid A*、RS 曲线或**关键变量优化（Optimization on Critical Variables）**，牺牲部分动力学高阶连续性以换取高计算效率与拓扑探索能力。

↓

Stage 2：基于梯度的精细优化 (Gradient-Based Refinement)•核心任务：在 Stage 1 提供的初值附近，将非凸约束凸化，平滑轨迹并精准满足车辆高阶动力学。•常用处理方法：构建**凸安全走廊（Safe Corridor）**，结合 **序列凸规划（SCP）** 与 **$L_1$ 范数惩罚项** 快速迭代修正，输出直接可供控制层跟踪的优质轨迹。

🔧 论文提炼的关键技术处理细节最佳实践：

1. 碰撞检测（Collision Checking）处理：

•网格法 vs 几何法：在一般分辨率场景下，推荐使用**占用网格图（Occupancy Gridmap）**，其碰撞检测时间复杂度与障碍物数量无关（$O(1)$）；而在极狭窄停车等高精度场景下，推荐使用 **OBB（Oriented Bounding Box，定向包围盒）** 或多圆（Multi-circle）模型拟合车身。

2. 避障约束凸化（Constraint Convexification）处理：

• 现有的处理方案包括对偶理论（Dual Potential, 如 OBCA）与**凸可行集（CFS / Safe Corridor）**。论文强调 CFS 方法避免了引入大量的对偶变量，使得决策变量数目大幅减少，优化求解速度可提升数倍。

3. 非线性运动学的高效求解处理：

• 采用序列凸规划（SCP）时，论文推荐使用 **$L_1$ 范数松弛与惩罚**。相比于传统的 $L_2$ 范数或硬约束，$L_1$ 范数能有效保持 Hessian 矩阵的**带状稀疏性（Band-Sparsity）**，使单次迭代计算复杂度从 $O(N_w^3)$ 降至线性复杂度 $O(N_w)$，极大地提高了实时性。

四、落地生态：开源规划代码库与 10,000+ 测试基准

为了填补行业内缺乏专属于非结构化场景轨迹规划通用开源框架的空白，团队开发并开源了代码库 **LBADTP**（支持 C++、MATLAB 和 Python）：

模块化架构：
清晰解耦为环境与车辆模型（Object）、规划求解（Algorithm）以及多端可视化（Visualization）。
基准数据集：
内置了10,000 个随机生成的复杂非结构化场景测试集，以及真实的 TPCAP 自动泊车大赛样例。
开源地址：
https://github.com/gyq18/AutonomousDrivingTrajectoryPlanning

五、未来五大前沿研究趋势

高阶系统轻量化计算：
针对铰接式卡车（Tractor-trailer）、重型特种车辆等高维度、非线性系统的实时规划技术。
特种工程场景约束表达：
如矿山溜坡 Restraint、越野路面马路牙子爬坡胎角约束等复杂非凸约束的数学表达。
感知/预测不确定性感知（Uncertainty Awareness）：
结合概率占据网格与机会约束（Chance Constraints），平衡安全性与通行效率。
自动驾驶专属定制求解器：
利用轨迹规划矩阵的稀疏带状特征，开发比通用 CPOI/IPOPT 更轻量、更高效的求解器。
学习与优化的深度融合（Parallel Learning）：
利用离线深度学习快速预测/“回忆”高质量初值，在线结合梯度优化，实现毫秒级平滑避障。

本文基于 IEEE Transactions on Intelligent Vehicles 2024 论文内容深度提炼，欢迎学术交流与转发！

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

非结构化场景自动驾驶轨迹规划的挑战、核心方法与破解之道

最新文章

热门文章

随机文章

非结构化场景自动驾驶轨迹规划的挑战、核心方法与破解之道

“车内无司机”:香港自动驾驶迈入新阶段

欢迎3D目标检测与自动驾驶学者进群交流学习

最新文章

热门文章

随机文章