基于类人认知与权重自适应的越野自动驾驶运动规划

由于复杂多变的地形，在越野环境中驾驶对自动驾驶车辆而言是一项挑战。为确保稳定高效的行驶，车辆需要考虑并权衡起伏、粗糙度和障碍物等环境因素，以生成能够适应不断变化场景的最优轨迹。然而，传统的运动规划器通常使用固定的代价函数进行轨迹优化，使其难以适应具有挑战性的不规则地形和罕见场景中不同的驾驶策略。为了解决这些问题，我们提出了一种基于类人认知和代价评估的越野驾驶自适应运动规划器。首先，我们构建了一个描述越野地形不同特征的多层地图，包括地形高程、粗糙度、障碍物和人工势场图。随后，我们采用 CNN-LSTM 网络学习人类驾驶员在各种越野场景下规划的轨迹。然后，基于不同环境中类人生成的轨迹，我们设计了一个基于基元的轨迹规划器，旨在模仿人类轨迹和代价权重选择，生成与越野车辆动力学一致的轨迹。最后，我们计算最优代价权重，并选择和扩展行为基元以生成具有高度适应性、稳定性和高效性的轨迹。我们通过在具有复杂地形和变化道路条件的沙漠越野环境中进行实验，验证了所提方法的有效性。实验结果表明，所提类人运动规划器对不同越野条件具有出色的适应性。它在多样且具挑战性的场景中表现出实时运行能力、更高的稳定性以及更具类人特性的规划能力。