智能车局部路径规划方法研究+文献综述(3)
人工势场法的最大的优势在于实时避障，具有良好的实时性。通常，它能够产生平滑的路径，而且该方法构造简单，易于理解，在局部路径规划问题上得到了广泛的运用。然而由于U型障碍物的存在，往往会使它陷入局部最小点，即引力和斥力的合力为0，移动机器人将会停止运动，产生死锁现象。
1.3.2 模糊逻辑算法
模糊逻辑算法是根据在人类驾驶员的实际驾驶操作过程中观察研究得出的局部路径规划方法。事实上驾驶员避开障碍物的动作并没有对环境信息进行精确的计算，而是依据模糊的信息通过查表的方法得到规划结果并控制车辆运动。模糊逻辑算法利用模糊控制思想来解决避障问题，根据所给的动态环境设计一个模糊控制器，然后确定模糊控制器的输入变量、输出变量和各自语言值，接着构建一组模糊控制的原则，利用这些原则进行模糊推理，将模糊推理所得的模糊量进行去模糊化处理使其变得清晰，再通过线性变换成为能进行实际控制的控制量。模糊逻辑算法的优点在于易做到边跟踪边规划，能较好的满足实时性要求，而且计算量较小，花费代价较低。同时它克服了人工势场法容易陷入局部最小点的问题，在处理未知环境下的局部规划问题时，它显示出无比的优越性；另一方面模糊控制原则是通过人类驾驶的经验预先制定的，而人类经验存在不完备的缺陷，会导致实际控制量出现误差。模糊逻辑算法存在着无法学习的缺点，而且灵活性较差。
1.3.3 矢量场直方图法
为了弥补人工势场法的问题，矢量场直方图法（VFH）使用二文笛卡尔网格直方图作为世界模型，它根据车载系列传感器的采样范围内的数据不断更新。严格意义上说，它是人工势场法的一种变异，区别于后者用障碍物和目标位置产生势能，主要利用机器人自身装载的传感器分别测出当前位置与障碍物和目标位置的距离，从而产生虚拟势能进行导航。该方法可用于复杂未知环境的路径规划，它产生的路径更加平滑，并且可以同时处理宽和窄的开口，但是它不可避免地忽略了车辆转弯时通常沿圆弧移动而不是沿直线的事实。
1.3.4 速度空间寻优法
速度空间寻优法[9] 采取车辆动力学来考虑，通过速度空间优化线路的方法选择适当的角速度与线速度。曲率--速率法[10] （CVM）将局部避障问题归结为速度空间约束优化之一，通过以下三个条件来选择速度指令：1）满足所有的约束；2）使目标函数最大化；3）权衡速度、安全性和目标指向性三个指标。但是，有时它引导车头朝向障碍物，直到车辆越来越接近障碍物。CVM的优点在于产生的轨迹更加平滑，且得到的规划路径更加安全。CVM按照移动机器人自身的半径大小对障碍物进行膨胀处理，进而把笛卡尔空间转化为构形空间，并根据障碍物的几何中心和半径来计算最大与最小切曲率；在未知的环境中，如果缺乏对障碍物的先验知识，机器人只能通过传感器获得障碍物部分边界的信息，而这些信息通常具有不完备性，导致空间转换和曲率计算都很难实现；CVM倾向于使用离障碍物较远的曲率产生方向与速度的指令，从而忽视了离障碍物较近、长度较短的弧线，而实际上最优的路径可能就是这其中之一。有人把CVM进行变形并提出一种新的方法，叫做巷道--曲率法[11](LCM)，在一定程度上继承了CVM的优点，并且针对其不足之处做出相应改进。它将CVM和一种叫做巷道法的定向方法相结合，该方法根据障碍物的分布位置把周围环境分成若干的巷道。与VFH选择前进方向的方式不同，VFH通常在较大角度范围内选取无碰撞的通道，而LCM通常选择较宽的通道，因而能够为CVM选择更安全路径方向。LCM同样存在不足之处，它通过考虑车辆动力学产生安全无碰撞的运动，然而车辆不能识别无碰撞足够距离的空白空间用于传感器的视野变换。但是它并不能很及时地发现通路，在实验中表现为经常突然发生转动。Fernandez在前者的基础上提出了扇区--曲率法 (BCM)[12]。BCM采用双层结构，首先把环境构建成若干个扇区，通过最大化目标函数计算选取其中的最优扇区，然后利用CVM来计算最优扇区所对应的角速度和线速度从而控制车辆安全无碰地到达目标位置。