基于局部占据栅格网络与改进DWA的无人车动态拥挤环境自适应导航控制设计.docxVIP

PAGE2

基于局部占据栅格网络与改进DWA的无人车动态拥挤环境自适应导航控制设计

摘要

随着无人驾驶技术在仓储物流、园区配送等场景的广泛应用，动态拥挤环境下的局部路径规划与避障问题成为制约系统性能的关键瓶颈。传统动态窗口法（DWA）在处理高速动态障碍物时往往因缺乏时序预测能力而导致避障失败或路径震荡。本课题旨在设计一种融合局部占据栅格时序特征提取网络与改进动态窗口法的自适应导航控制系统，以提升无人车在复杂动态场景下的安全性与通行效率。

论文首先分析了动态拥挤环境下无人车导航的现实需求与技术痛点，确立了以时序预测辅助局部规划的设计目标。其次，深入研究了卷积神经网络与动态窗口法的核心原理，完成了技术选型与可行性论证。在需求分析阶段，明确了系统的功能指标与非功能约束，构建了系统用例模型。随后，设计了分层系统架构，包含感知预测层、决策规划层与控制执行层，并详细阐述了局部占据栅格网络的特征提取机制与改进DWA评价函数的设计逻辑。

系统实现基于ROS平台与PyTorch深度学习框架，完成了从传感器数据处理到运动控制指令输出的全流程开发。测试环节通过Gazebo仿真环境搭建了多障碍物动态场景，对比实验结果表明，本设计提出的改进算法在动态避障成功率上较传统DWA提升了约15%，路径平滑度显著改善。本课题的创新点在于构建了端到端的时序栅格特征提取网络，并据此动态调整评价函数权重，有效解决了传