2025《无人地面车辆局部路径规划研究现状文献综述》2100字.docVIP

PAGE2

PAGE2

无人地面车辆局部路径规划研究现状文献综述

近年来基于深度学习或深度强化学习的局部路径规划方法在无人地面车辆技术研究中得到了广泛的发展，它们通常根据原始感官输入数据直接或间接的映射到控制命令输出，控制车辆行驶速度和方向。根据对环境数据的感知模式，又可以将其分为基于单模态的和多模态的局部路径规划方法。

一般来说，单模态的局部路径规划方法较多是基于深度学习的。Bojarski等人[52]提出利用卷积神经网络直接从原始图像中学习转角命令，具体来讲，他们在车辆前方安装左中右三个摄像机收集道路的RGB图像数据集，并记录人类驾驶的转向命令，其中来自左右两个摄像机采集的图像的转向标签会经过专门的调整，目的是使车辆能够从意外漂移中恢复正常驾驶方向。模型在训练时根据单个图像预测控制命令，然后与人类转向标签比较并通过反向传播算法调整网络权重。Loquercio等人[53]提出一种新的无人机局部路径规划方法，其根据安置在最前方的单个RGB相机同时预测速度和转向命令。其训练数据集包含两部分，一是直接利用公开城市道路车辆驾驶数据集Udacity[54]，其包含车辆第一视角的图像以及人类司机的转向指令；二是研究者采集的碰撞数据集，其包含第一视角的图像以及是否发生碰撞的标签。在训练时，每次随机从两部分数据集采样数据，经过一个专门设计的网络模型分别预测转角和碰撞概率，然后计算各自与对应标签的误差并结合起来对模型进行训练。其中碰撞概率是从0到1之间的某个连续值，被用于调节行驶速度，在遇到障碍物时减速或停止。值得注意的是虽然在Loquercio等人[53]的论文中是在无人机平台进行实验，然而其训练数据集均是在大约1.5米高度采集的，因此也同样适合无人地面车辆。Codevilla等人[55]提出将模仿专家行为条件性的设置在高级命令的输入上，原始图像数据作为网络输入，导航命令充当选择开关决定模型的不同子模块进行输出预测，监督信号是专家在不同命令下的驾驶行为。该方法使得车辆在局部路径规划的基础上可以根据导航命令做出响应，在遇到路口时可以向指定的方向行驶。Mueller等人[56]并没有直接从原始图像输入预测底层控制策略，而是提出通过将原始图像转为语义分割图然后预测无人地面车辆一段时间内应该通过的路径点，并采用PID控制器来控制车辆的移动。它结合了模块化架构和深度学习方法，以促进仿真到真实场景的迁移。然而，值得注意的是，这类监督训练的方法需要足够的人工标注或专家演示，人工策略标注费时费力，即便是采集人类的经验进行标注，在高度动态的大规模复杂环境中，训练出的模型往往也是过拟合于数据集中固定的、离散的、有限的动作状态，所学的策略可能不足以满足在一个动态和复杂多变的现实世界环境中灵活避障的要求，尤其是场景出现数据集中不包括的数据时策略可能会失效。与上述方法不同的是，Fan等人[57][58]提出了一种基于深度强化学习框架进行局部路径规划的代表性工作。其在利用Stage[49]搭建的室内仿真环境中通过二维激光雷达感知周围环境并利用深度强化学下算法进行训练。虽然该方法可以在现实环境中产生避障策略，但需要SLAM建图或超宽带定位系统收集的位置信息不断辅助。一方面，这种方法是基于激光雷达输入，因此不会遭遇因仿真和真实环境之间的差距而带来的泛化问题。另一方面，由于二维激光雷达数据的稀疏性，它只能感知一定高度的信息，无法处理含有任意高度和形状障碍物的复杂环境。

基于多模态感知的方法是近年来研究的热点[59][60][61][62][63]。尤其在非结构化的复杂场景下通过传感器数据融合可以更好的感知周围环境进而提高系统的泛化性和鲁棒性。Sobh等人[59]在上述条件模仿学习[55]的基础上提出了一种同时利用图像和激光雷达数据多模融合深度学习框架，其讨论了将原始图像转为语义分割图，激光雷达数据处理成极坐标网格映射能够使系统获得最好的性能表现。Liu等人[60]利用Dropout[64]相关理论提出了一种专门的传感器Dropout技术，通过多模态传感器融合健壮地学习策略，并用深度强化学习算法进行训练，最终使策略对传感器的局部失效具有较好的鲁棒性。Xiao等人[62]在上述条件模仿学习[55]的基础上提出利用原始RGB图像和深度图像组成的多模态数据学习端到端自动驾驶系统，并讨论了多模态数据的多种不同融合方式对系统带来的性能影响。不幸的是，以上所有方法都只是在模拟环境中进行训练和测试，没有一种方法在更具挑战性的现实世界中得到验证。

参考文献

BojarskiM,DelTestaD,DworakowskiD,etal.Endtoendlearningforself-drivingcars[J].arXivpreprintarX