城市环境自动驾驶车辆实时运动规划：缩比原型研究

先进自动驾驶车辆承诺为城市出行带来更安全、高效的未来。尽管业界投入巨大，尚无完全自动系统进入消费市场。关键瓶颈在于缺乏稳健的实时运动规划引擎，以安全穿越复杂城市街道。

项目目标

本研究旨在设计并实现可靠的实时运动规划系统，降低自动驾驶汽车事故率。系统包含车道保持、避障、动态车辆避让、自适应巡航控制和基础事故规避。

硬件架构

我们构建缩比“自车”(EGO)车辆，使用 Adafruit 3 层圆形机器人底盘套件（双直流电机）、树莓派 3 B+、RPLIDAR-A1 激光雷达、两个 HC-SR04 超声波传感器和 Anker PowerCore 13000 移动电源。

树莓派作为处理中枢，通过 GPIO 接收 LIDAR 和超声波原始数据，经 DRV8833 电机驱动板输出电机指令。

软件栈

所有软件运行于 Raspbian。Python 3 为主语言，利用官方 LIDAR SDK 和 VNC Viewer 远程监控。SSH 实现无线命令行访问。

方法论

1. 阶段 1 – 硬件搭建：组装 EGO 车辆、安装操作系统、驱动和连接工具。
2. 阶段 2 – 控制开发：利用传感器融合实现车道保持、避障、动态车辆避让、自适应巡航控制模块。
3. 阶段 3 – 验证：在缩比城市模拟场地进行可靠性测试，迭代优化算法，将所有模块集成为单一运动规划栈。

关键算法

避障基于 LIDAR 数据分前向和后向扇区；前向扇区出现障碍物时，系统经超声波检查对向车道再决定停车或变道。自适应巡航控制以 ±5% 或 ±1% 当前速度调整以维持安全跟车距离。

结果与改进

初始测试显示：

• 车道保持成功保持车辆居中。
• 避障可靠在静态障碍物前停车。
• 动态车辆避让可在对向车道清晰时变道。
• 自适应巡航维持距离但存在速度抖动。

通过移除第二块树莓派、降低底盘高度缓解重心过高导致的翻车风险。增加超声波增强侧车道检测，更平滑的速度调整例程改善巡航稳定性。

未来工作

后续将探索基于机器学习的路径规划、实时交通信号集成、V2X 通信多车协同。基于距离-时间预测模型增强自适应巡航算法也在计划中。

结论

通过传感器融合、模块化控制逻辑和迭代测试，我们产出一个在受控城市环境安全运行的原型实时运动规划系统。虽未达量产就绪，但架构为 L4 自动驾驶奠定坚实基础。

致谢

感谢 Dr. Lisa Fiorentini 指导、家人坚定支持、同行建设性反馈。

参考文献

1. Aqib, “What is Raspberry pi? Getting Started with Raspberry Pi 3,” Electronics Hobbyists, 18‑Jan‑2019. 链接.
2. Adafruit Industries, “Mini 3‑Layer Round Robot Chassis Kit – 2WD with DC Motors,” 2020. 链接.
3. Adafruit Industries, “Adafruit DRV8833 DC/Stepper Motor Driver Breakout Board,” 2020. 链接.
4. T. Huang, “RPLIDAR‑A1 360° Laser Range Scanner,” SLAMTEC, 2020. 链接.
5. “PowerCore 13000,” Anker, 2020. 链接.
6. “Welcome to lidar’s documentation! ¶,” LIDAR documentation, 2020. 链接.
7. “RealVNC,” VNC® Connect, 2020. 链接.
8. Adafruit Industries, “HC‑SR04 Ultrasonic Sonar Distance Sensor 2 × 10 kΩ resistors,” 2020. 链接.