面向智能车的DFNN-RRT最优运动规划方法研究

来源：中国血液净化杂志2025年第10期北京时间：

作者：石钧仁, 唐英杰, 朴昌浩, 葛帅帅

单位：1. 重庆邮电大学自动化学院, 重庆 400065;2. 重庆理工大学车辆工程学院, 重庆 400054"],"fundList_en":["National Key R & D Program of China (2022YFE0101000); Chongqing Postdoctoral Research Special Funding Project (2022CQBSHTB2010)

摘要：基于采样的快速扩展随机树(Rapidly-exploring Random Tree， RRT)算法在面向智能车复杂障碍环境中进行运动规划时，普遍存在采样冗余、规划效率低及路径质量欠佳等问题。鉴于此，提出一种将深度学习与RRT算法相结合的DFNN-RRT最优运动规划方法。通过自动点云编码器实现复杂障碍物场景的拓扑特征提取与高维数据编码，将预处理后的环境点云数据嵌入到障碍物空间表征；将障碍空间特征与智能车起始位姿、目标位姿等状态空间变量进行多模态融合，构建时空联合输入表征以驱动规划网络训练。在前向传播过程中，网络通过渐进式优化生成具有目标导向性的知情采样样本；以规划点时间间隔为成本函数核心参数，量化路径生长过程的动态代价。同时构建后验预测状态与目标状态间的加权均方误差损失函数，通过梯度优化实现模型高效收敛。试验结果表明：损失率阈值为0.3时，全局最优解概率最高；5 Hz规划频率下，系统耗时最短；采样规模与计算耗时呈显著正相关。在相同环境配置下，DFNN-RRT在保持RRT算法概率完备性的同时，路径质量指标显著优化：相较于基准RRT算法，计算耗时、单位路径长度、路径曲率及采样密度分别优化38.5%，7.8%、42.85%和52.5%；横向对比偏置RRT、双向RRT时效提升27.1%和12.2%。通过仿真与实车测试验证，该方法在复杂障碍物场景下可稳定输出平滑轨迹，证明该方法具有时效性与可靠性优势。

关键词：汽车工程,运动规划,深度学习,智能车,自动点云编码器

基金资助：国家重点研发计划项目(2022YFE0101000);重庆市博士后项目(2022CQBSHTB2010)