摘 要

在智能车自动驾驶技术的研究中，路径规划是研究的重点。研究得到合适的路径规划方案是实现自动驾驶的前提。同时，由于在复杂环境中想要实现精确合理的路径规划，需要获取智能车的位姿信息以及周围环境信息，这就可以使用SLAM技术，即同时定位与地图构建技术。因此在自动驾驶领域对智能车SLAM的研究也至关重要。

首先对智能车SLAM展开研究。主要是研究探讨适合智能车SLAM的算法，比如扩展卡尔曼滤波算法和粒子滤波算法等。滤波算法的研究重点在于算法的原理和实现方法，同时比对不同算法的特点，在此基础上研究得到合适的滤波算法来进行智能车的SLAM。通过对算法优劣的对比，提出使用混合了扩展卡尔曼滤波和粒子滤波的FastSLAM算法较为合适的结论。

之后对路径规划算法进行研究。路径规划方法可分为全局和局部路径规划方法，分别对这二者展开研究，主要研究适用于这两种方法的具体算法。如针对全局路径规划算法，对Dijkstra算法和A*算法进行细致地研究；针对局部路径规划算法，对人工势场法和动态窗口法进行细致地研究。最终提出合适的路径规划方案。

关键词：SLAM；扩展卡尔曼滤波；FastSLAM；路径规划算法

Abstract

In the research of smart car autopilot technology, path planning is the emphasis of research. Studying to get the proper path planning scheme is the premise to achieve automatic driving. At the same time, it is necessary to acquire the pose information and the surrounding environment information of the smart car in order to achieve accurate and reasonable path planning in a complex environment. This can use SLAM (Simultaneous Localization and Mapping) technology. Therefore, the research on smart car SLAM in the field of automatic driving is also very important.

First of all, researching the smart car SLAM. The main research is to explore the algorithms which suitable for smart car SLAM, such as extended Kalman filter algorithm and particle filter algorithm. The research of filter algorithm focuses on the principle and implementation method of the algorithm. At the same time, it compares the characteristics of different algorithms. Based on this, it studies the appropriate filtering algorithm to implement SLAM for smart cars. Through the comparison of the advantages and disadvantages of the algorithm, it is proposed that the FastSLAM algorithm using the extended Kalman filter algorithm and particle filter algorithm is more appropriate.

After that, studying the path planning algorithm. Path planning can be divided into global path planning and local path planning. Studying the two methods separately, focusing on the specific algorithms that apply to these two methods. For example, for the global path planning algorithm, Dijkstra's algorithm and A* algorithm are studied in detail. For the local path planning algorithm, the artificial potential field method and the dynamic window method are carefully studied. Finally, a suitable path planning scheme is proposed.

Key Words：SLAM; Extended Kalman Flter; FastSLAM; path planning algorithm

目 录

第1章 绪论 1

1.1 背景、目的和意义 1

1.2 国内外研究现状分析 1

1.3 课题研究内容及预期目标 2

1.4 论文的主要内容 2

第2章 SLAM简介及环境地图构建和系统建模 4

2.1 SLAM简介 4

2.2 环境地图构建 4

2.3 系统建模 6

2.3.1 坐标系模型 6

2.3.2 运动模型 7

2.3.3 观测模型 8

2.3.4 环境地图模型 9

2.3.5 坐标变换 11

2.4 本章小结 14

第3章 基于扩展卡尔曼滤波的SLAM研究 15

3.1 扩展卡尔曼滤波原理 15

3.2 EKF SLAM基本原理及系统建模 18

3.3 EKF SLAM实现过程 19

3.4 本章小结 22

第4章 FastSLAM算法研究 23

4.1粒子滤波算法原理 23

4.2 FastSLAM算法原理 25

4.3 FastSLAM算法实现 26

4.4 本章小结 29

第5章 路径规划算法分析 30

5.1 路径规划概述 30

5.2 全局路径规划 30

5.2.1 Dijkstra算法 31

5.2.2 BFS算法和A*算法 32

5.2.3 算法对比 34

5.3 局部路径规划 35

5.3.1 人工势场法 35

5.3.2 动态窗口法 40

5.3.3 算法对比 43

5.4 路径规划算法混合 44

5.5 本章小结 46

第6章 路径规划算法仿真分析 47

6.1 Dijkstra算法仿真分析 47

6.2 A*算法仿真分析 49

6.3 人工势场法仿真分析 51

6.4 动态窗口法仿真分析 53

6.5 本章小结 54

第7章 总结与展望 55

参考文献 57

致 谢 58

第1章 绪论

1.1 背景、目的和意义

近年来，伴随着人工智能技术的蓬勃发展，自动驾驶技术发展迅猛。自动驾驶技术具有能够提高行车安全性，节能以及降低驾驶员的疲劳程度等优点，因而成为研究的热门而受到人们的广泛关注，从而具有广阔的发展前景。为了使自动驾驶技术能更快更好地发展，并且走向成熟，对自动驾驶技术的研究需要不断深入。

智能车在实际的行驶过程中经常会遇到未知且复杂的行驶环境。对于自动驾驶技术而言，能够在各种复杂的环境条件下进行路径规划是实现自动驾驶的前提。然而在未知且复杂的行驶环境中由于环境信息的不足，智能车也就无法较好地完成路径规划任务。为解决这一问可以使用同时定位与地图构建（SLAM，全称为Simultaneous Localization and Mapping）技术。SLAM表示在部分已知或完全未知的行驶环境中，智能车在行驶过程中利用自身携带的传感器，对周围环境进行观测并完成对自身的精确定位，同时根据观测信息构建环境地图。研究得到完善的SLAM方法是解决智能车自主定位及进行路径规划的基础。SLAM方法在自动驾驶领域中的应用提高了智能车对复杂未知环境的适应能力，使其成为了自动驾驶领域研究的热点。目前在对SLAM的研究中，仍有不少问题亟待解决，例如研究适合应用于SLAM问题的相应算法。研究得到适合自动驾驶汽车的SLAM方案，对自动驾驶技术的实现而言具有重要意义。

使用了合适的SLAM方案，有了周围环境信息和定位信息后，想要实现自动驾驶，需要进行的一项重要任务就是路径规划。智能车路径规划是自动驾驶技术中的不可或缺的一部分，能够进行路径规划得到合理的行驶路径是智能车进行自动驾驶的前提。因此需对智能车的路径规划进行深入的研究，以此来提高智能车的导航能力和智能控制能力，使得自动驾驶技术不断发展并逐渐走向成熟。