智能驾驶算法学习笔记-1—规划的混合A*

随风1

对于A*算法能够完成在二维地图网格中生成衔接始末位置的粗略路径，但是该算法并没有充分的考虑车辆的运动学模型，因此生成的路径几乎都无法被车辆直接跟踪执行。虽然A*算法所生成的路径仅用于决策（确定车辆绕行障碍物的拓扑方案），但更符合运动学规律的初始解无疑有利于加快轨迹规划环节的NLP求解过程。混合A*算法是经典A*算法的一种重要的改进版本，它致力于生成更符合车辆运动学规律的路径。混合A*（Hybrid A*）是一种启发式搜索算法，用于在连续空间中找到最短路径。它结合了传统的离散A*算法和连续空间路径规划方法，以在高维连续空间中进行路径搜索。


混合A*的基本原理如下：

离散化地图：首先，将连续空间地图离散化为一个网格图。每个网格单元代表一个离散的状态，可以是可行驶或不可行驶的。

构建离散A*：使用离散化的地图构建一个离散A图搜索。离散A算法使用启发式函数（如曼哈顿距离）来估计每个网格单元到目标的代价。它通过扩展网格单元来搜索最短路径。

连续空间路径规划：在离散A*搜索中，当遇到离散路径的转折点时，将转折点映射回连续空间。然后，使用连续空间路径规划方法（如样条曲线）来生成两个连续空间转折点之间的路径。

重复步骤2和3：重复执行步骤2和3，直到找到从起始点到目标点的最短路径。

混合A的优点是它可以在高维连续空间中进行路径搜索，而不需要对整个连续空间进行搜索。它通过离散化地图和连续空间路径规划的结合，可以在较短的时间内找到最短路径。然而，混合A的缺点是它需要对连续空间进行采样和路径规划，这可能会导致路径的近似性。



接下来我们用MATLAB对于整个混合A*的过程做一个仿真：
load parkingLotCostVal.mat % costValmap = binaryOccupancyMap(costVal);validator = validatorOccupancyMap;validator.Map = map;planner = plannerHybridAStar(validator,'MinTurningRadius',4,'MotionPrimitiveLength',5.5);startPose = [6 10 pi/4]; % [meters, meters, radians]goalPose = [90 46 -pi];refpath = plan(planner,startPose,goalPose);show(planner)



再详细的细节以及算法原理就需要诸位自行参悟了！

自动驾驶系统学习——操作系统；

智能驾驶系统学习——基础概念篇笔记；

智能驾驶系统学习——基础模块概述；

引用 Refreences
本文由不架构的汽车电子电气原创，作者：Feynman-Yang。文中部分图片、封面图片来自网络截图，如因版权等有疑问，请于本文刊发30日内联系。©不架构的汽车电子电气微信公众账号 保留所有权利作者：92年，一个北方的汉子，汽车电子电气系统的工程师，一个带有三分浪漫主义，七分实用主义的90后，希望在这结识更多的朋友和伙伴，在这个领域遇到更多的高手和专家。