1.2.2 国外研究现状
国外对智能车路径规划技术的研究起步较早，早在20世纪80年代就已经开展了相关的研究工作。卡内基梅隆大学、麻省理工学院、斯坦福大学等高校是该领域的先驱，谷歌、特斯拉、通用汽车等公司也投入了大量资源进行相关技术的研发。在传统路径规划算法方面，国外学者提出了 Dijkstra 算法、A * 算法等经典算法，这些算法至今仍是静态环境下路径规划的主流方法，为后续研究奠定了坚实的基础。
在动态路径规划方面，国外学者提出了多种经典的方法，包括速度障碍法、人工势场法和动态窗口法等。速度障碍法通过计算障碍物的速度矢量，生成车辆的可行速度空间，能够有效避免与动态障碍物的碰撞；人工势场法通过构建虚拟的引力场和斥力场，引导车辆向目标点移动，计算简单且实时性好。这些方法为动态路径规划技术的发展奠定了基础，至今仍被广泛应用于各类移动机器人系统中。
近年来，启发式优化算法在国外得到了广泛的应用。研究人员将遗传算法、粒子群算法、蚁群算法等启发式算法应用于路径规划问题，解决了传统方法难以处理的多目标优化和复杂环境建模问题。例如，谷歌的自动驾驶系统就采用了改进的粒子群算法进行局部路径规划，能够在复杂的城市环境中实时调整行驶路径。然而，国外现有研究也存在一些局限性。多数商业自动驾驶系统的核心算法是闭源的，不便于学术研究和教学使用。此外，国外的研究更多关注复杂城市环境下的大规模路径规划问题，对于简单场景下的算法对比和教学演示系统关注较少。
1.3 研究内容与目标
本研究的主要目标是开发一套完整的启发式算法优化的智能车动态避障路径规划系统，实现从环境建模、路径规划、动态避障到仿真可视化的全流程功能。具体研究内容包括以下几个方面：
第一，实现遗传算法和粒子群算法两种启发式路径规划算法。针对路径规划问题设计合适的编码方式、适应度函数和算法流程，加入早停机制提升算法效率。
第二，构建动态避障系统。实现障碍物运动预测、时空碰撞检测和实时路径重规划功能，调整安全裕度和适应度函数权重，优先保障行驶安全。
第三，开发仿真与可视化平台。基于 Flask 框架搭建后端服务，使用HTML5 Canvas实现前端实时可视化，支持仿真过程的交互控制与性能指标展示。
第四，开展算法对比实验。在相同的仿真环境下，对两种算法的成功率、计算时间、路径长度和重规划次数等指标进行对比分析，验证系统性能。
3.1 系统整体架构
3.1.1 架构设计原则
智能车动态避障路径规划系统的开发需兼顾算法实现、实时仿真、可视化展示等多维度需求，若架构设计缺乏统一原则，易出现模块耦合过高、功能迭代困难、调试效率低下等问题，因此系统采用分层模块化设计思想，遵循高内聚、低耦合的核心原则。系统整体拆解为表示层、服务层、业务逻辑层、数据层四层架构，每层承担明确且独立的职责，这一设计既符合本科毕业设计 “分阶段开发、分模块验证” 的实施需求，也能降低开发过程中不同功能模块的相互干扰。表示层仅负责用户交互与数据可视化，不参与任何业务逻辑计算，开发时可独立完成前端界面调试，再通过接口对接后端；服务层专注于 Web 服务与 API 接口管理，作为前后端交互的桥梁，屏蔽底层业务逻辑的实现细节；业务逻辑层承载核心算法、路径规划、动态避障等核心功能，是系统的核心模块，开发时可单独编写测试用例验证算法正确性；数据层负责各类数据的存储与管理，保证数据读写的统一性。这种分层架构的优势在实际开发中体现为：各层可独立开发与测试，例如先完成业务逻辑层的算法模块开发，再对接服务层的接口，最后整合表示层的可视化功能，避免一次性开发所有功能导致的逻辑混乱；层间通过标准化接口通信，修改某一层的实现方式时，只需保证接口不变，即可不影响其他层的运行。
3.1.2 系统总体架构图
为清晰呈现系统各层模块的组成与关联关系，便于毕业设计开发过程中梳理模块调用逻辑，同时为答辩环节直观展示系统整体结构，绘制系统总体架构图。架构图完整覆盖表示层、服务层、业务逻辑层、数据层的所有核心子模块，且明确标注各模块的实际功能与调用关系，与实际代码开发的文件结构和类调用逻辑高度对应。
表示层包含 Web 用户界面、Canvas 可视化、Plotly 可视化、控制面板，对应前端 HTML 文件与 JavaScript 脚本，开发时通过 Canvas API 实现仿真过程的实时绘制，Plotly 用于辅助展示算法性能图表；
服务层的 Flask Web 应用对应 web_app.py 文件，RESTful API 接口是前后端交互的核心，状态管理器与线程管理器用于控制仿真状态和后台线程，避免主线程阻塞；业务逻辑层是开发的核心重点，算法优化模块包含粒子群算法（PSO）和遗传算法（GA），对应 particle_swarm.py 与 genetic_algorithm.py 文件，路径规划模块负责环境建模与路径处理，动态避障模块实现碰撞检测与重规划，仿真控制模块的 Simulator 类是业务逻辑层的调度核心，性能评估模块用于计算仿真指标并生成报告；
数据层的配置文件、环境数据、仿真数据等对应实际开发中的 config 目录与 data 目录，负责存储算法参数、地图数据、仿真日志等。架构图中各模块的调用关系严格遵循代码执行逻辑，例如 Simulator 类调用 PathPlan 的方法，PathPlan 再调用 PSO 的 optimize 方法，PSO 算法执行时需调用 FitnessEval 完成适应度评估，这些调用关系在架构图中清晰呈现，开发过程中可依据架构图排查模块调用异常问题，例如当路径规划失败时，可快速定位是 PSO 算法未返回有效路径，还是 FitnessEval 的适应度计算出现错误。
4.5 碰撞检测模块的实现
4.5.1 CollisionDetector类的设计
碰撞检测模块负责判断规划路径是否存在与障碍物碰撞的风险，是动态避障功能的基础。CollisionDetector类位于backend/obstacle/collision_detector.py文件中。
构造函数接收两个可选参数：静态障碍物安全裕度和动态障碍物安全裕度。安全裕度是在障碍物实际半径之外额外预留的安全空间，用于应对预测误差和车辆尺寸等因素。本系统设置的静态障碍物安全裕度为3.0米，动态障碍物安全裕度为4.0米，后者更大是因为动态障碍物的运动存在不确定性。
4.5.2 静态障碍物碰撞检测
_check_static_collision方法检测路径与静态障碍物的碰撞情况。对于每个静态障碍物，执行以下操作：
首先获取障碍物的位置和大小，计算安全半径（障碍物半径加上安全裕度）。然后计算路径上所有点到该障碍物的欧氏距离，使用NumPy的广播机制高效计算。取最小距离与安全半径比较：如果最小距离小于安全半径，则判定存在碰撞风险，记录碰撞点位置和障碍物信息。
该方法返回一个元组，包含布尔型的碰撞标志和详细信息的字典。字典中记录了碰撞点列表、涉及障碍物列表和最小距离等信息。
4.5.3 动态障碍物碰撞检测
_check_dynamic_collision方法检测路径与动态障碍物的碰撞情况，采用了时间-空间法（Time-Space Method）。这种方法不仅考虑空间位置，还考虑时间因素，因为动态障碍物的位置随时间变化。
具体实现过程如下：假设车辆以恒定速度沿路径行驶，计算到达每个路径点所需的时间。对于每个动态障碍物，根据其当前位置和速度，使用ObstaclePredictor预测车辆到达该路径点时刻障碍物的位置。然后计算路径点与预测位置的距离，与安全半径比较判断是否碰撞。
时间-空间法的优势在于能够提前发现潜在的碰撞风险，即使当前时刻路径与障碍物没有重叠，但如果未来某时刻会相遇，也能及时检测出来。这对于动态避障至关重要。
4.5.4 碰撞概率计算
check_collision_probability方法计算路径的碰撞概率，提供一个量化的风险评估指标。该方法遍历所有动态障碍物，预测其在未来10步内的轨迹，然后计算路径与预测轨迹的最小距离。根据距离计算风险值：距离小于5米认为有风险，风险值与距离成反比。所有障碍物的风险值累加后归一化到[0, 1]区间。
碰撞概率可以作为重规划决策的辅助参考，当概率超过阈值时触发预警。
4.7.1 Canvas可视化主界面
系统的主要交互界面是基于HTML5 Canvas实现的实时可视化界面，位于templates/canvas_simulation.html文件中。该界面提供了完整的仿真控制和实时动画展示功能。
图4-4 Canvas可视化主界面
界面布局分为左右两部分：左侧为主视图区域，右侧为控制面板和信息显示区域。主视图区域使用Canvas元素绘制仿真场景，包括背景网格、起点标记、终点标记、静态障碍物、动态障碍物、规划路径、行驶轨迹和车辆图标等元素。控制面板包含初始化按钮、开始按钮、暂停/继续按钮、重置按钮和最大仿真时间输入框。信息显示区域实时更新路径长度、计算时间、避障次数、当前速度和仿真时间等性能指标。
4.7.2 界面交互流程
前端界面与后端通过HTTP请求进行交互，采用轮询模式获取实时数据。图4-5展示了前端的交互流程。
图4-5 前端交互时序图
用户首先点击"初始化仿真"按钮，前端发送POST请求到/api/init接口，后端完成环境创建和初始路径规划后返回场景数据。前端接收到数据后在Canvas上绘制起点、终点、障碍物和初始路径。
然后用户点击"开始仿真"按钮，前端发送POST请求到/api/start接口，后端启动后台仿真线程后立即返回。前端开始定时轮询，每300毫秒发送GET请求到/api/frame接口获取最新帧数据。前端解析返回的JSON数据，清空Canvas画布，依次绘制背景、障碍物、路径、轨迹、起点终点和车辆等元素，实现流畅的动画效果。用户可以在仿真过程中点击"暂停"按钮暂停仿真，或点击"继续"按钮恢复运行。仿真结束后显示最终结果统计信息。
4.7.3 仿真运行效果
图4-5 仿真运行过程中的车辆运动
图4-7展示了仿真运行过程中的典型画面。可以看到橙色车辆图标沿着蓝色规划的路径行驶，红色圆形表示静态障碍物，灰色虚线表示车辆的历史行驶轨迹。车辆在接近障碍物时会沿着规划好的路径绕行，体现了动态避障的效果。
侧边栏面板实时显示了各项性能指标：路径长度约为311米，计算时间为310毫秒左右，当前车速约18-20米每秒，仿真时间持续增长。这些数据反映了系统的实时运行状态。
当车辆到达终点（距离小于2米）或达到最大仿真时间时，仿真自动停止。界面显示最终的性能统计，包括是否成功到达终点、总路径长度、重规划次数、总计算时间和总仿真时间等关键指标。
4.7.4 Plotly可视化界面
系统还提供了基于Plotly的可视化界面，该界面更适合数据分析，支持缩放、平移、悬停查看详情等交互操作。
图4-6 Plotly可视化界面
Plotly界面以交互式图表的形式展示路径规划结果，用户可以通过鼠标滚轮缩放视图，拖拽平移画面，悬停在数据点上查看详细坐标信息。这种可视化方式便于深入分析路径的具体细节，如各路径点的精确坐标、曲率分布等。
