基于PSO改进蚁群算法的自动驾驶避障优化

最新推荐文章于 2025-12-11 18:33:09 发布

原创最新推荐文章于 2025-12-11 18:33:09 发布 · 754 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#蚁群算法 #粒子群优化 #路径规划 #自动驾驶 #避障

基于改进的蚁群算法的自动驾驶车辆自主避障路径优化分析

1. 引言

自动驾驶车辆的障碍物避让已成为无人驾驶车辆领域的热门话题[1]。为了有效保障自动驾驶车辆行驶状态下人和财产的安全，许多人工智能技术与算法被广泛应用于自动驾驶路径规划的设计中[2]。其中，蚁群算法在路径规划应用中取得了突出成果[3]。

然而，由于相关法规和行业[4, 5]尚未广泛推广自动驾驶车辆的自主避障技术，其原因是相关技术尚未达到成熟且可控的水平。同时，蚁群算法本身存在收敛响应时间差、容易陷入局部最优解等问题。对于自动驾驶车辆自主避障路径规划的实际应用而言，单一算法无法独立且完美地解决这一问题。多种智能算法的结合已成为解决自动驾驶车辆自主避障问题的路径规划发展趋势。因此，下文将重点介绍一种基于粒子群优化解决方案的改进的蚁群算法。

2. 自动驾驶车辆自主避障路径技术路线优化的建立

鉴于自动驾驶车辆的自主避障需求具有强实时响应和高可控性，对路径规划评估要求严格。结合粒子群算法和蚁群算法各自的优势，自动驾驶车辆自主避障路径规划优化设计的技术设计路线如图1所示。

示意图0

自动驾驶车辆自主避障路径的具体技术路线优化

采用粒子群算法，构建时空中的粒子集合：Ω(pi)(xi, yi, zi, tpi)；
建立粒子动态搜索模式，并优化粒子适应度函数；
通过适应度函数动态调整全局信息素（采用循环迭代）；
建立蚁群算法以求解最短路径行为函数（建立信息素更新方法）；
在时空中加入全局信息素干预；
通过全局范围信息素的累积以及路径优化的迭代工作，获得自动驾驶车辆自主避障行为的规划路径。

3. 基于PSO改进的AC自主避障路径优化模型

3.1. 基于PSO的适应度函数模型

粒子群优化是一种基于群体的随机优化算法，一种受群体行为特征启发并用于解决优化问题的技术。每个优化问题的潜在解可被视为n维搜索空间中的一个点，称为“粒子”。所有粒子都有由目标函数确定的适应度值，并且每个粒子都具有一个速度，用于决定其移动方向和距离。然后，粒子在解空间中跟随当前最优粒子进行搜索。

每个粒子可以被视为n维搜索空间中的一个搜索个体。粒子的当前位置是相应优化问题的一个候选解。粒子的飞行过程即为个体的搜索过程。粒子的飞行速度可以根据粒子自身的历史最优位置和群体的历史最优位置进行动态调整。粒子仅有两个属性：速度和位置，速度表示移动的速度，位置表示移动的方向。每个粒子独立搜索得到的最优解称为个体极值，粒子群中最佳的个体极值即为当前的全局最优解。速度和位置不断迭代更新，最终得到满足终止条件的最优解。

a. PSO算法初始化

粒子群优化通过粒子之间的协作与信息共享来获取时空中的最佳位置点，满足自动驾驶车辆自主避障路径规划优化的要求[6,7]。

粒子的速度向量和当前时空位置用公式(1)和(2)表示。

$$
V_{i+1} = c_0 V_i + c_1 (pbest_i - P_i) + c_2 (gbest_i - P_i)
\quad (1)
$$

$$
P_{i+1} = P_i + V_{i+1}
\quad (2)
$$

在公式(1)和(2)中，$V_{i+1}$是粒子的速度，$P_{i+1}$是粒子在时间t的位置，$pbest_i$表示单个粒子的最优位置，$gbest_i$表示整个群体的最优实时位置，$c_0, c_1, c_2$表示粒子群在路径规划过程中的调整系数，$c_0$是0到1之间的随机数，$c_1, c_2$是0到2之间的随机数。$V_i$是$\vec{V}_{i+1}$、$pbest_i - P_i$和$gbest_i - P_i$的向量和，这表明粒子速度的更新受到当前速度、感知模式和群体信息的影响。

b. 适应度函数的内涵

在自动驾驶车辆自主避障路径优化的背景下，粒子群优化的动态响应适应度函数定义如下[8]。

$$
f(p) =
\begin{cases}
(d(p,D) + \sum d(i,S)) / Ob, & 0.9 \leq Ob < 1 \
2(d(p,D) + \sum d(i,S)) / Ob, & 0.7 \leq Ob < 0.9 \
4(d(p,D) + \sum d(i,S)) / Ob, & 0.6 \leq Ob < 0.7 \
8(d(p,D) + \sum d(i,S)) / Ob, & 0 < Ob < 0.6 \
\end{cases}
\quad (3)
$$

在公式(3)中，在时间$t$，$(x_p, y_p, z_p)$表示粒子的位置，$(x_S, y_S, z_S)$是起点坐标，$(x_D, y_D, z_D)$是终点坐标。

$$
d(p,D) = \sqrt{(x_p - x_d)^2 + (y_p - y_d)^2 + (z_p - z_d)^2}
$$

表示粒子$p$从当前位置到终点的估计值。$\sum d(i,S)$表示从起点到当前位置的距离之和，

$$
\sum d(i,S) = \sqrt{(x_i - x_{i+1})^2 + (y_i - y_{i+1})^2 + (z_i - z_{i+1})^2}
$$

$Ob$表示预测障碍物信息量。当$0.9 \leq Ob < 1$时，$Ob$为清晰；当$0.7 \leq Ob < 0.9$时，$Ob$为一般清晰；当$0 < Ob < 0.6$时，$Ob$为较模糊。

3.2. 蚁群算法中全局信息素更新的构建

蚁群算法的基本原理来源于自然界蚂蚁觅食的最短路径原理。当蚂蚁在寻找食物源时，可以在其经过的路径上释放信息素（蚂蚁特有的分泌物），使得一定范围内的其他蚂蚁能够感知并影响其后续行为。当越来越多的蚂蚁通过某些路径时，它们留下的信息素也越来越多，导致信息素强度增加。因此，蚂蚁选择该路径的概率更高，从而进一步增强了该路径的信息素强度。这种选择过程被称为蚂蚁的自催化行为。蚂蚁行走的路径用来表示待优化问题的可行解，整个蚁群的所有路径构成待优化问题的解空间。路径较短的蚂蚁会释放更多的信息素。随着时间推移，较短路径上积累的信息素浓度逐渐增加，选择该路径的蚂蚁数量也随之增加。

a. 蚁群算法的初始化

蚂蚁之间的信息传递是通过称为信息素的物质实现的。通常，蚁群算法在路径规划更新过程中，信息素的积累过程受路径规划中更新过程的信息量影响[9,10]。

蚁群算法在路径优化过程中的信息更新方法如公式(4)所示。

$$
\tau_{ij}(t+1) = (1 - \rho_a)\tau_{ij}(t) + \Delta \tau_{ij}
\quad (4)
$$

在公式(4)中，$\Delta \tau_{ij}$表示循环中路径$ij$上的信息量；$\rho_a$表示信息的挥发程度，取值范围为0到1；$\Delta \tau_{ij}$表示蚂蚁k在本次循环中留在路径$ij$上的信息增量；$C_f$表示蚂蚁k在本次循环中留在路径ij上的信息量的增量相关系数。

4. 仿真与分析

为了验证基于粒子群优化的改进蚁群算法的自动驾驶车辆自主避障路径优化问题的可行性，从规划路径自身的优化程度和路径规划的时效性两个维度进行仿真和验证。

4.1. 规划路径仿真

根据路径规划针对自动驾驶车辆自主避障的需求，从规划路径的相对优化程度进行对比，如图2所示。

示意图1

如图2所示，由于PSO+AC的复杂性高于蚁群算法，在初始阶段在路径规划优化方面（迭代次数 < 50），PSO+AC的路径规划优化相对增长率低于蚁群算法。
随着迭代过程的深入，PSO+AC的路径优化程度具有明显优势。同时，在90到130次迭代之间，采用蚁群算法的路径规划曾一度陷入局部最优解，间接导致蚁群算法的路径规划相对程度下降。

4.2. 路径规划时效性仿真

根据路径规划需求针对自动驾驶车辆自主避障的路径规划要求，对规划路径的时效性进行了比较，如图3所示。

示意图2

如图3所示，蚁群算法在整个最短路径优化过程中频繁波动。相比之下，PSO+AC算法的波动趋于稳定。原因在于：在路径规划的初期，采用粒子群优化来驱动蚁群算法的全局信息素动态更新策略。同时，在$T \approx 751\,\text{ms}$时，PSO+AC方法接近最短路径比例达到94.5%并保持该状态。在$T \approx 792\,\text{ms}$时，AC方法接近最短路径的比例达到77.0%并保持该状态。