1. 自动驾驶中的局部规划算法概述
在自动驾驶系统中,路径规划通常分为全局规划和局部规划两个层次。全局规划负责从起点到终点的整体路线生成,而局部规划则处理实时环境中的动态避障和轨迹优化。当车辆遇到突然出现的行人、其他车辆或道路施工等意外情况时,局部规划算法需要在毫秒级时间内重新计算安全可行的路径。
目前主流的局部规划算法包括TEB(Timed Elastic Band)、DWA(Dynamic Window Approach)和EGOplanner等。这些算法各有特点,适用于不同的自动驾驶场景。TEB算法通过弹性带模型优化时空轨迹,DWA采用动态窗口法在速度空间进行搜索,而EGOplanner则是一种基于梯度优化的高效规划器。它们都需要处理几个核心问题:如何平衡路径的最优性与安全性?如何在不同动态环境下保持稳定性?以及如何满足车辆的运动学约束?
提示:选择局部规划算法时,必须考虑车辆的运动学模型。轮式车辆与履带式车辆的算法参数设置会有显著差异。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. TEB算法原理与自动驾驶应用
2.1 TEB的核心工作机制
TEB算法将车辆轨迹视为一条由连续位姿点组成的"弹性带",每个位姿点包含位置坐标和时间戳。算法通过优化以下目标函数来调整这条带子:
- 路径长度最短(效率)
- 与障碍物距离最大(安全)
- 满足车辆运动学约束(可行性)
- 加速度/加加速度平滑(舒适性)
在自动驾驶中,TEB特别适合处理以下场景:
- 狭窄空间中的多障碍物避让(如停车场)
- 需要精确时间控制的场景(如通过绿灯路口)
- 非结构化道路上的动态避障
2.2 实际调参经验分享
在实车调试TEB算法时,有几个关键参数需要特别注意:
-
障碍物权重(obstacle_weight):
- 城市道路建议值:50-100
- 高速公路建议值:30-50
- 调整原则:环境越复杂,权重应越高
-
时间最优权重(time_optimal_weight):
yaml复制optimization: time_optimal_weight: 0.5 # 典型初始值这个参数控制算法对行驶时间的重视程度。实测表明,超过1.0可能导致轨迹抖动。
-
最大速度约束:
