简介：这是一份面向自动驾驶科研人员与算法工程师的英文PDF论文，聚焦动态道路环境下的车辆轨迹规划难题。研究提出基于时空风险势场的混合规划方法，通过并行处理候选轨迹生成与风险评估，结合交互多模型预测周围车辆车道概率，并引入人工势函数量化碰撞风险，最终由优化算法选取兼顾安全、舒适与效率的最优路径。资源为单篇期刊论文，文件格式为PDF，压缩包大小8.57MB，完整保留了IEEE论文原文、图表及参考文献，适合从事轨迹规划、交通安全或智能车辆控制的研究者直接精读与复现实验。目前已有107人学习下载，内容覆盖静态障碍物规避、密集车流超车及突发加塞等典型场景的仿真验证，可为复杂交通环境下的轨迹决策提供方法论参考与算法对比依据。
1. 项目概述
1.1 这个项目解决什么问题
自动驾驶的车端规划算法里，轨迹规划是最贴近“驾驶决策”的一层。它要吃上游感知、预测的结果，再输出一条可执行的、带时间戳的轨迹给控制模块。我做了这几年规划算法，最大的感受是：很多轨迹规划算法在静态场景里表现都还行，一旦进入动态场景，就暴露出预测与规划割裂的问题。
这个项目取名“基于时空风险场的自动驾驶车辆预测轨迹规划研究”，核心就是把“预测”和“规划”放进同一个框架里，用时空风险场作为统一表达，让规划器不仅知道现在哪里不能去，还能知道未来几秒哪里大概率会变得危险。标题里我特意标了“可复现”，因为这类研究论文最大的坑就是复现不出来，所以我从代码结构、参数配置到仿真场景都做了整理，有问题可以直接联系我。
1.2 项目的技术范围与适用对象
这个项目涉及的技术链大致是：高精地图处理、障碍物动态预测、时空风险场建模、采样式轨迹生成、多目标代价优化。如果拆开看，每一块都是独立的研究方向，但合在一起才是完整的规划系统。项目我在CARLA仿真环境里做的，同时也用了一套自己采集的城区道路数据做离线验证。
适合参考这个项目的读者，我大概分三类：
- 刚入门自动驾驶规划算法，想快速理解整套规划链路怎么运转的工程师；
- 做决策规划但被“预测不准导致规划震荡”问题困扰的同行；
- 准备做轨迹规划方向课题，需要一套可跑通、可扩展的实验框架的硕博生。
2. 整体思路与方案选型
2.1 为什么选“风险场”而不是“离散采样避障”
传统规划算法处理动态障碍物，主流做法有两种：一种是基于采样的方法，比如RRT*，在构型空间里随机撒点搜索；另一种是基于优化的方法，比如MPC，把避障写成约束加入优化问题。
这两种方法我都在实际项目里用过，它们各有一个让我头疼的地方。采样法在高维空间里搜索效率低，而且对动态障碍物的处理往往是“快照式”的——当前帧把空间标一下，下一帧重新算，预测信息很难连续融入。优化法的问题是约束越多越容易不可行，尤其是在密集车流里，可能与预测轨迹存在耦合的约束让求解器频繁陷入无解。
后来我调整思路，把障碍物的威胁从“硬约束”变成“软代价”，这就是时空风险场的核心理念。风险场本质上是一个连续函数，每个时空位置(x, y, t)都对应一个风险值，规划器不再问“这个点能不能去”，而是问“这条路线上累计的风险值能否接受”。这种连续化表达的好处很直接：预测的不确定性可以被概率化地融入风险值，优化问题也更好解，不会因为环境小幅变化就突然无解。
2.2 预测与规划耦合的架构设计
做系统架构的时候，我对比过两种方案。
方案A是预测模块独立输出若干条候选轨迹，规划模块把候选轨迹当作动态障碍物处理。这种方案工程上最简单，预测和规划可以各自独立开发调试，但问题是预测轨迹一旦不准，规划就抓瞎，而且预测的置信度信息很难传递到规划层。
方案B是预测模块输出的不只是轨迹，而是随时间变化的风险分布场，规划在这个场里做优化。这就是我最终采用的方案。预测模块对每个周边障碍物输出未来8秒的轨迹分布，包括均值轨迹和各时间戳的不确定性协方差，然后在每个栅格点上计算障碍物可能出现的概率，乘以风险强度系数，得到动态风险分量。
两个方案的对比我整理成了表格：
| 对比维度 | 方案A（独立预测+规划） | 方案B（时空风险场） |
|---|---|---|
| 模块解耦程度 | 高，各自独立开发 | 中，预测需输出风险和不确定性 |
| 对预测误差的鲁棒性 | 低，预测偏差直接导致避障失效 | 高，概率化表达天然容忍不确定性 |
| 求解稳定性 | 受硬约束影响大，容易无解 | 软代价设计，求解更平滑 |
| 可解释性 | 中等，能解释是哪个障碍物触发避让 | 较好，风险溯源可通过场强可视化 |
我最终选方案B不是因为它更“高级”，而是从工程稳定性的角度出发，风险场能让规划轨迹不会因为预测模块的单帧抖动出现剧烈跳变，这对下游控制模块非常友好。
3. 环境搭建与可复现框架
3.1 CARLA仿真环境配置
这个项目的仿真验证是在CARLA 0.9.13上做的。选这个版本主要是稳定性好，而且Python API已经比较完善了，不需要写C++节点就能完成大部分场景搭建。我的配置是Ubuntu 20.04、RTX 3060显卡、32GB内存，跑起来比较流畅。
CARLA安装没什么特殊的，从官方GitHub克隆源码编译，或者直接用Docker镜像。我用的是编译安装，因为要改一些传感器参数。启动的时候注意加-quality-level=Low，这个参数很重要，我一开始用Epic画质跑仿真，GPU占用直接拉满，规划周期动不动就超过100ms，数据根本采不了。
建图这块我用的是CARLA自带的Town03，这个地图有比较丰富的多车道、交叉口和各种曲率的路段，适合做轨迹规划的测试。我用OpenDRIVE格式的高精地图做了车道中心线提取和车道拓扑关系构建，这样规划器才能知道哪些车道可达、哪里允许变道。
3.2 关键依赖与参数配置
项目核心代码依赖如下：
- Python 3.8 / ROS Noetic（规划节点用ROS做通信）
- numpy / scipy（数值计算）
- shapely（几何运算，用于车道级碰撞检测）
- casadi（轻量级非线性优化求解器）
- CARLA 0.9.13 Python API
几个关键参数我在配置文件里都做了注释，这里列一下比较核心的：
| 参数名 | 数值 | 含义与调试经验 |
|---|---|---|
PLAN_HORIZON | 8.0秒 | 规划时域，太短变道决策来不及，太长远障碍物预测不可靠 |
DT | 0.1秒 | 离散时间步长，与控制周期对齐 |
RISK_DECAY_RATE | 0.8 | 动态风险的时间衰减系数，控制历史风险信息的影响 |
SAFE_DISTANCE | 1.5米 | 静态障碍物的AABB膨胀距离 |
LANE_CHANGE_BIAS | 0.6 | 变道倾向权重，值越大轨迹越偏好向目标车道偏移 |
CANDIDATE_NUM | 21条 | 每个周期生成的候选轨迹数量 |
这些参数不是一次调出来的。比如PLAN_HORIZON，我最早设的是5秒，结果在高速场景下变道轨迹曲率变化太剧烈，后来慢慢加长到8秒才稳定。这种参数在论文里通常不会提，但实际调起来非常花时间。
4. 时空风险场的构建方法
4.1 静态风险场建模
静态风险场的输入是高精地图的障碍物图层和道路边界，不需要考虑时间维度。我用的建模方法是分段高斯膨胀。每个静态障碍物占据的栅格，在空间中向外扩散风险，扩散强度和距离的关系用高斯函数近似表达：
$$Risk_{static}(x, y) = \sum_{obs} A_{obs} \cdot \exp\left(-\frac{d^2(x,y)}{2\sigma_{obs}^2}\right)$$
这里$d(x, y)$是一个栅格到障碍物边界的最短距离，$\sigma_{obs}$控制扩散范围，$A_{obs}$是强度峰值。道路上常见的护栏、路缘、静止车辆都属于这一类。这个公式实现起来不复杂，但有个细节容易踩坑——栅格分辨率的选择。我试过0.1米和0.5米，0.1米的场计算一次需要大约80毫秒，太慢；0.5米分辨率会丢失窄车道的几何信息。最后折中选了0.2米，计算时间控制在20毫秒内。
4.2 动态风险场构建
动态风险场是项目的核心区别点。每个动态障碍物（车辆、自行车、行人）由预测模块输出一条未来的轨迹分布，我以8秒时域内每隔0.1秒取一个预测点，每个点都有均值位置和协方差矩阵。动态风险场的计算就变成：
$$Risk_{dyn}(x, y, t) = \sum_{pred} \mathcal{N}\left(\begin{bmatrix}x \ y\end{bmatrix} \Bigg| \begin{bmatrix}\mu_x(t) \ \mu_y(t)\end{bmatrix}, \Sigma(t)\right) \cdot W_{pred}$$
意思很直白：在每个未来时刻t，把所有障碍物预测分布在该点的概率密度叠加起来，乘以该障碍物的威胁权重。权重设置为车辆障碍物最高，行人次之，自行车最低。
这个模型妙的地方在于，预测的不确定性直接体现在协方差矩阵$\Sigma(t)$里——预测时间越长，协方差越大，风险场的“云团”就扩散得越宽，规划器会自然倾向远离“可能区域”。从工程角度看，不需要给预测模块额外提接口，只要它能输出均值和协方差就够了。
4.3 场的叠加与更新策略
静态场和动态场叠加成完整的时空风险场时，我做了权重配比：
$$Risk_{total}(x, y, t) = \alpha \cdot Risk_{static}(x, y) + \beta \cdot Risk_{dyn}(x, y, t)$$
这里$\alpha$取1.0，$\beta$取1.2，动态风险权重略高，原因是实际驾驶中动态风险变化快，规划器需要更敏感地响应。这个系数我后来又根据场景做了自适应调整——高速场景$\beta$调到1.5，低速密集车流场景反而降到0.9，防止过于保守导致频繁制动。
另外要注意，风险场的更新频率不能太慢也不能太快。我设置的是20Hz更新预测输入、10Hz重算完整风险场。这个频率差很重要，如果每次都重算预测输入，计算负载会翻倍，而规划器的输出要求是10Hz，场内插值完全可以满足。
5. 轨迹规划与优化实现
5.1 候选轨迹生成策略
规划器用的是采样加优化的混合路线，具体做法是：
- 横向采样——以当前车道为基准，在横向偏移-4.5米到+4.5米范围内等距采样15条横向偏移曲线；
- 纵向采样——每条横向曲线上再叠加7种不同的速度剖面（跟车速度、巡航速度、减速停车、加速通过等）；
- 组合生成候选轨迹簇——横向曲线与速度剖面组合，生成最多105条候选轨迹
这个采样空间的设计参考了自动驾驶领域比较经典的采样规划思路，但我在横向采样上做了改进——在风险场梯度较大的方向加密采样密度。比如风险场显示左侧有高风险的动态障碍物，那横向采样会在偏右的方向加密，让规划器更有机会找到安全偏移轨迹。
生成候选轨迹时，每条轨迹的几何平滑性用三次样条保证，速度剖面用梯形速度规划方法生成，保证起止速度和加速度约束满足。
5.2 代价函数设计与权重整定
代价函数是整个规划器的“驾驶性格”。我设计的代价函数包含六个维度：
$$C_{total} = w_1 C_{risk} + w_2 C_{comfort} + w_3 C_{efficiency} + w_4 C_{guidance} + w_5 C_{accel} + w_6 C_{jerk}$$
各分量的定义和权重如下：
| 代价分量 | 定义 | 权重 | 调试心得 |
|---|---|---|---|
C_risk | 轨迹上各时空点风险值的积分 | 0.35 | 主安全项，必须最大权重 |
C_comfort | 横向加速度积分 | 0.15 | 过小会蛇形行驶，过大转弯太急 |
C_efficiency | 平均速度与参考速度差的惩罚 | 0.15 | 在通畅场景权重应该适当提高 |
C_guidance | 轨迹偏离参考线距离的惩罚 | 0.20 | 保证不跑偏，在匝道区域要调低 |
C_accel | 纵向加速度积分 | 0.08 | 主要抑制急加速急减速 |
C_jerk | 加速度变化率积分 | 0.07 | 过大会导致乘坐不适感明显 |
权重整定我用了两轮迭代。第一轮按经验初始化，跑仿真看轨迹表现；第二轮用网格搜索小范围精细化调整。这里有个建议可以使用——先把保险项C_risk调大，让车绝对安全，再逐步增加舒适性和效率项的权重，这种顺序调参比一次性全参数同时调要高效得多。
5.3 优化求解与轨迹平滑后处理
候选轨迹评估完之后，取代价最小的轨迹作为“粗选结果”。但直接执行这条轨迹会有问题——采样空间的离散性会让相邻两帧的粗选轨迹不连续，车辆会抖。所以我在后面加了一步局部优化平滑：
用casadi构造一个时间最优的二次规划问题，以粗选轨迹为初值，目标是最小化轨迹与初值的偏差，约束是车辆的动力学可行性，包括最大横向加速度、最大纵向加加速度、前轮转角范围。求解器选用ipopt，内点法求解。
这一步在实车或仿真中运行时间大约15毫秒，完全能满足10Hz的规划频率。平滑后的轨迹再发送给控制模块。
6. 实验结果与效果评估
6.1 仿真场景设计与评估指标
我设计了四类典型测试场景：十字路口左转（对向直行车辆干扰）、三车道高速变道（旁车加速逼近）、城市道路鬼探头场景（行人从停驻车辆后方突然出现）、低速拥堵跟车。每个场景跑50次随机种子，统计成功率。
评估指标用了五个：
- 碰撞率——规划轨迹与任何障碍物发生重叠的比例，越低越好；
- 平均风险值——整条轨迹上动态风险场的均值，反映安全裕度；
- 最大加速度冲击——纵向加速度变化率的最大值，3m/s³以下算达标；
- 规划耗时——从收到感知数据到输出轨迹的端到端耗时，要求低于100ms；
- 参考线偏移均值——轨迹与车道中心线的平均距离，反映驾驶稳定感。
6.2 与基线方法的对比结果
我做了和纯采样避障方法的对比，保证公平，基线方法用的避障策略就是简单的“当前帧障碍物位置做几何膨胀”。
| 场景 | 碰撞率（基准/风险场） | 平均风险值（基准/风险场） | 规划耗时（基准/风险场） |
|---|---|---|---|
| 十字路口左转 | 14% / 2% | 0.42 / 0.18 | 45ms / 52ms |
| 高速变道 | 8% / 0% | 0.35 / 0.12 | 40ms / 48ms |
| 鬼探头 | 22% / 4% | 0.55 / 0.25 | 42ms / 55ms |
| 拥堵跟车 | 2% / 0% | 0.20 / 0.09 | 38ms / 45ms |
最直观的结论是：时空风险场方法把碰撞率大幅拉低，尤其是鬼探头场景，从22%降到4%。代价是规划耗时增加了5~13毫秒，但都在100ms预算内。风险平均值的下降说明轨迹整体更远离危险区域，不光是没撞上，裕度也变大了。
6.3 消融实验：风险场各分量对效果的影响
为了搞清楚哪些设计最有效，我做了三组消融：
第一组去掉动态风险场的时间维度，只用当前时刻静态化风险——碰撞率直接反弹到16%，说明只看当前障碍物位置根本防不住未来威胁。
第二组去掉协方差不确定性传播，即假设预测轨迹绝对准确——碰撞率变化不大，但平均风险值上升了40%。原因是规划器过于贴近预测轨迹边界，风险裕度被压缩。
第三组去掉局部优化平滑，直接用采样粗选轨迹——规划耗时降了10ms，但最大加速度冲击从2.8m/s³飙到5.1m/s³，车辆出现明显抖动，控制模块反馈说跟踪误差变大。
这三组实验反过来说明：时间维度和不确定性建模是关键，平滑优化是乘坐舒适性的保障，三者缺一不可。
7. 踩坑记录与调试心得
7.1 典型问题汇总
调试过程中遇到过不少问题，有些非常有代表性：
| 问题现象 | 可能原因 | 解决办法 |
|---|---|---|
| 规划轨迹高频抖动 | 相邻两帧候选轨迹的代价差距极小，选出的最优轨迹发生切换 | 对历史最优轨迹附加一致性代价，或者加轨迹记忆 |
| 风险场在部分栅格出现NaN | 协方差矩阵病态，求逆时数值不稳定 | 对协方差加微小对角正则项1e-6 |
| 变道轨迹明显晚于人类预期 | 动态风险的权重太低，覆盖了效率代价 | 将变道意图概率作为风险的调制因子，意图越强风险权重越低 |
| 轨迹规划耗时偶尔超过120ms | 静态场和动态场叠加时用了双重循环遍历栅格 | 改用numpy向量化操作，叠加耗时从90ms降到25ms |
| 高速场景下风险场出现“幻影障碍” | 预测模块输出的协方差随时间膨胀过快 | 对协方差的增长速率设置上限，控制噪声过大 |
这里我特别想展开“轨迹记忆”的细节。早期版本里，两帧之间如果选出的最优轨迹横向偏移差别大于一定的阈值，就会看到车辆明显“抽动”。后来我加了一个记忆项：上一帧的最优轨迹在当前帧仍然作为候选轨迹之一，并额外给予0.1的代价折扣。方法很简陋，但效果立竿见影，高频抖动基本消失。
7.2 可复现性保障措施
既然标题写了“可复现”，这块我下了不少功夫。源码仓库里我做了三件事：
第一，所有随机种子固定。CARLA的交通流生成用固定随机种子，预测模块的噪声也固定。这样同一份代码每次跑出来的轨迹和指标完全一致。
第二，把调好的参数做成配置文件。规划器所有权重、阈值、采样参数都集中在config.yaml里，不散落在代码各处。换场景的时候只改参数，不碰代码。
第三，写了Dockerfile一键构建环境。包括依赖安装、CARLA连接配置、数据路径设置。避免新手因为环境问题卡在第一步。这部分是我自己踩过无数坑之后的妥协——很多时候代码在别人机器上跑不起来，90%是环境依赖问题，不是算法问题。
7.3 对后续研究的建议
这个项目做完之后，明显能感受到几个可以继续深入的方向：
一是风险场参数的自适应化。目前权重系数是离线标定的，但真实道路场景千差万别，如果车辆能根据当前场景复杂度动态调整风险参数，系统的适应能力会大幅提升。
二是把学习模块加进来。比如用逆强化学习从人类驾驶数据中学代价函数的权重，比纯手工标定可能更接近真实驾驶行为。
三是端到端联合优化。现在预测模块和规划模块虽然通过风险场耦合了，但还是级联结构，误差存在传递放大的问题。如果预测和规划能端到端联合训练，效果理论上更优。
这套框架的代码我已经整理到仓库里了，遇到环境配置、参数调整或者复现过程中的任何问题，都可以直接联系我。做这套东西踩的坑比写代码多得多，如果能帮同行省下排查环境问题的时间，这项目就没白搞。
本文还有配套的精品资源，点击获取
