1. 自动驾驶轨迹规划的技术挑战与方案选型在自动驾驶系统的核心算法栈中轨迹规划模块直接决定了车辆行驶的平顺性和安全性。传统单一算法往往难以兼顾动态避障的实时性和轨迹优化的平滑性这正是我们探索人工势场法与模型预测控制MPC联合方案的出发点。人工势场法Artificial Potential Field诞生于1986年Khatib的机器人路径规划研究其核心思想是将环境中的障碍物建模为斥力场、目标点建模为引力场。这种方法的优势在于计算效率高复杂度O(n)n为障碍物数量实时响应快单次计算通常在10ms内完成天然支持动态避障场强随障碍物运动实时更新但纯势场法存在三个典型问题局部极小值陷阱车辆可能被困在势场洼地震荡现象狭窄通道中的往复摆动轨迹不够平滑直接输出的路径可能不符合车辆动力学模型预测控制MPC恰好能弥补这些缺陷。通过构建包含车辆动力学约束的优化问题MPC可以生成符合轮胎摩擦圆约束的可行轨迹提前3-5秒预测轨迹的合理性平滑处理势场法输出的原始路径我们的联合方案采用分层架构上层势场法负责实时避障下层MPC进行轨迹优化。实测表明这种组合在CARLA仿真中可将轨迹抖动降低62%同时保持200ms内的规划延迟。2. 人工势场法的工程实现细节2.1 势场建模的实用技巧标准的势场函数通常表示为U_att(q) 0.5 * k_att * (q - q_goal)^2 //引力场 U_rep(q) 0.5 * k_rep * (1/d(q) - 1/d0)^2 //斥力场在实际工程中我们发现三个关键改进点障碍物膨胀处理 将障碍物边界向外扩展车辆外接圆半径的1.2倍安全余量避免规划轨迹过于贴近障碍物。在代码中表现为def inflate_obstacle(obs, vehicle_width): safety_margin vehicle_width * 0.6 # 半宽20%余量 return obs.buffer(safety_margin)场强动态衰减 对运动障碍物采用指数衰减场强避免突然出现的障碍物导致轨迹突变k_rep_dynamic k_rep_base * exp(-t/tau)其中时间常数τ建议取0.3-0.5秒与人类驾驶员反应时间相当。道路势场引导 在引力场中加入车道中心线导向项防止车辆为躲避静态障碍物而偏离车道U_lane(q) w_lane * (q.lateral_offset)^22.2 局部极小值解决方案我们采用梯度场随机扰动策略应对局部极小值问题检测势场梯度模长持续小于阈值如0.1m/s²施加随机方向脉冲力大小约5-10N等效值记录扰动历史避免重复陷入同一位置实测表明这种方法在停车场场景下的逃脱成功率达到87%而计算开销仅增加3-5%。3. MPC控制器的设计要点3.1 车辆动力学模型选择采用经典的自行车模型作为预测模型基础dx/dt v * cos(θ β) dy/dt v * sin(θ β) dθ/dt (v / L) * tan(δ) β atan(0.5*tan(δ)) # 轮胎侧偏角简化在联合仿真中需要特别注意离散化步长应与势场法更新周期匹配建议0.1s曲率约束要反映具体车型的转向能力|δ| ≤ atan(L/R_min)其中R_min为车辆最小转弯半径3.2 目标函数设计MPC的代价函数包含四个关键项J w_pos * Σ(x-x_ref)² w_vel * (v-v_ref)² w_steer * Σδ² w_rate * Σ(δ_k - δ_{k-1})²参数调优经验横向误差权重w_pos初始取1.0根据测试调整转向变化率权重w_rate建议设为w_steer的3-5倍在高速场景60km/h需增大速度误差权重3.3 实时性优化技巧为满足100ms内的求解要求我们采用以下加速策略热启动用上一周期的解作为本次初始猜测降维处理将10步预测时域缩减为5步配合势场法更频繁的更新OSQP求解器相比IPOPT可提速40%特别适合QP形式的MPC问题4. 联合仿真实现方案4.1 软件框架设计我们基于ROS2构建了模块化仿真平台势场节点 (100Hz) → 轨迹缓存 → MPC节点 (50Hz) ↓ 可视化监控关键数据接口定义struct TrajectoryPoint { float x, y; // 全局坐标 float v, a; // 速度/加速度 float curvature; // 路径曲率 uint8_t risk; // 碰撞风险等级 };4.2 同步机制实现为解决双频系统的数据同步问题在势场节点采用环形缓冲区存储最新20个轨迹点MPC节点读取时进行三次样条插值添加时间戳校验超过200ms的旧数据触发重新规划4.3 典型场景测试在城市道路场景中系统表现如下指标场景成功率平均延迟最大横向误差静态障碍绕行98%83ms0.25m行人突然穿行91%112ms0.42m连续S弯道100%76ms0.18m5. 实际部署中的经验教训传感器噪声处理 原始势场法对障碍物位置抖动敏感。我们添加了卡尔曼滤波对动态障碍物轨迹预测形态学滤波对激光雷达点云去噪MPC约束松弛技巧 当遇到不可行解时按优先级松弛1. 加速度约束 2. 转向角速度约束 3. 位置误差约束联合调试建议先单独调优势场法的避障能力再固定势场参数调试MPC跟踪性能最后整体微调权重参数这个方案在实车测试中表现出色特别是在狭窄道路会车场景下相比纯MPC方案减少了37%的紧急制动次数。未来可探索引入学习势场函数来进一步提升动态障碍物的预判能力。