基于单边-逐级引导势场的超车避障研究

doi:10.3969/j.issn.1004-132X.2026.08.006

摘要/Abstract

摘要：

针对换道超车过程中的动态避障问题，提出一种基于单边-逐级引导势场的避障策略。结合三次准均匀B样条曲线构建障碍车单边斥力势场，以更准确地表征障碍车风险，在此基础上建立动态目标引力势场，实现逐级路径引导；提出一种路径点振荡识别与过滤方法，用于抑制因仿真步长偏大引起的路径振荡。为保障轨迹跟踪精度，基于二自由度车辆动力学模型和线性二次型调节器（LQR）控制理论，设计了带有前馈控制量的LQR预测控制器。最后进行MATLAB/Simulink与CarSim联合仿真及硬件在环实验，结果表明：所提方法横向跟踪误差均值小于0.08 m，前轮转角与质心侧偏角等关键动力学指标的均值与峰值较传统人工势场法下降18% ~ 25%，超车完成距离平均缩短10.3%，验证了所提策略的有效性与安全性。

关键词: 换道超车, 路径规划和跟踪控制, 改进人工势场法, 线性二次型调节器控制, 硬件在环

Abstract:

To effectively avoid obstacle vehicles during lane-changing and overtaking maneuvers， this study proposes a dynamic obstacle avoidance strategy based on a unilateral hierarchical guiding potential field. A unilateral repulsive field for obstacle vehicles is constructed using cubic quasi-uniform B-spline curves to achieve more accurate risk characterization. A dynamic target attractive field is established to provide hierarchical path guidance. Additionally， a waypoint oscillation identification and filtering method is introduced to suppress oscillations caused by large simulation steps. For precise trajectory tracking， a feedforward-augmented LQR predictive controller is designed based on a 2-DOF vehicle model. Co-simulation using Matlab/Simulink and CarSim， along with HIL tests， confirms the effectiveness and safety of the proposed strategy. The results show a mean lateral error of less than 0.08 m， an 18%‒25% reduction in key dynamic metrics such as front-wheel steering angle and sideslip angle， and a 10.3% reduction in overtaking distance.

Key words: lane changing, path planning and tracking control, improved artificial potential field method, linear quadratic regulator （LQR） control, hardware-in-the-loop（HIL）

中图分类号:

U461

张洪昌, 闫文博, 邹奇展, 曾娟. 基于单边-逐级引导势场的超车避障研究[J]. 中国机械工程, 2026, 37(8): 1865-1874.

ZHANG Hongchang, YAN Wenbo, ZOU Qizhan, ZENG Juan. Overtaking Obstacle Avoidance Study Based on Unilateral-phase-by-phase Guided Potential Field[J]. China Mechanical Engineering, 2026, 37(8): 1865-1874.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.08.006

https://www.cmemo.org.cn/CN/Y2026/V37/I8/1865

图/表 23

图1 动态避障策略结构框图

Fig.1 Structural block diagram of dynamic obstacle avoidance strategy

表1 按tTC划分的危险场景等级

Tab.1 Classification of hazard scenarios based on tTC

t_TC取值范围/s	等级
（5，+∞）	一级（无危险）
（3，5］	二级（紧急）
（1，3］	三级（紧迫）
（－∞，1］	四级（濒临碰撞）

图2 单边运动斥力势场模型

Fig.2 The unilateral motion repulsive potential field model

图3 斥力势场三维模型

Fig.3 Three-dimensional model of the repulsive potential field

图4 动态目标引力势场模型

Fig.4 The dynamic target attractive potential field model

图5 受控车目标点切换示意图

Fig.5 Schematic diagram of target point switching for the controlled vehicle

图6 振荡点过滤流程图

Fig.6 Flowchart of oscillation point filtering

图7 曲线轨迹跟随

Fig.7 Curve trajectory following

图8 预测模型示意图

Fig.8 Schematic diagram of the prediction model

图9 硬件在环仿真实验平台及原理

Fig.9 Hardware-in-the-loop simulation platform and its principle

表2 车身模型主要参数

Tab.2 Main parameters of the vehicle body model

整车质量m/kg	1413
车辆长度l/mm	4670
车辆宽度w/mm	2082
车辆高度h/mm	1405
前轮侧偏刚度C_αf/（N·rad $- 1$ ）	$-$ 76 600
后轮侧偏刚度C_αr/（N·rad $- 1$ ）	$-$ 41 100
质心到前轴距离/mm	1015
质心到后轴距离/mm	1895
Z轴转动惯量I_Z /（kg·m $- 2$ ）	1536.7

表2 车身模型主要参数

Tab.2 Main parameters of the vehicle body model

整车质量m/kg	1413
车辆长度l/mm	4670
车辆宽度w/mm	2082
车辆高度h/mm	1405
前轮侧偏刚度C_αf/（N·rad $- 1$ ）	$-$ 76 600
后轮侧偏刚度C_αr/（N·rad $- 1$ ）	$-$ 41 100
质心到前轴距离/mm	1015
质心到后轴距离/mm	1895
Z轴转动惯量I_Z /（kg·m $- 2$ ）	1536.7

图10 改进前后路径跟踪对比

Fig.10 Comparison of path tracking before and after improvement

表3 路径跟踪误差数据对比

Tab.3 Path tracking error data comparison

参数名称	均值	最大值	标准差
改进前误差/m	0.098	0.202	0.072
改进后误差/m	0.071	0.149	0.059

表4 仿真工况初始参数

Tab.4 Initial Parameters of Simulation Scenarios

受控车初速/（km·h $- 1$ ）	障碍车初速/（km·h $- 1$ ）	初始车距/m
115	100	50
92	80	40
75	65	35

表4 仿真工况初始参数

Tab.4 Initial Parameters of Simulation Scenarios

受控车初速/（km·h $- 1$ ）	障碍车初速/（km·h $- 1$ ）	初始车距/m
115	100	50
92	80	40
75	65	35

图11 障碍车匀速行驶场景

Fig.11 Constant-velocity moving obstacle vehicle scenario

图12 场景一评价指标对比

Fig.12 Comparison of evaluation metrics for scenario 1

表5 场景一仿真数据对比

Tab.5 Simulation data comparison for scenario 1

参数	均值		最大值
参数	改进前	改进后	改进前	改进后
前轮转角/（°）	0.634	0.492	1.613	1.260
质心侧偏角/（°）	0.075	0.059	0.189	0.154
横摆角速度/（（°）·s $- 1$ ）	1.572	1.298	3.647	3.152
横向加速度/（m·s $- 2$ ）	0.080	0.066	0.161	0.143

表5 场景一仿真数据对比

Tab.5 Simulation data comparison for scenario 1

参数	均值		最大值
参数	改进前	改进后	改进前	改进后
前轮转角/（°）	0.634	0.492	1.613	1.260
质心侧偏角/（°）	0.075	0.059	0.189	0.154
横摆角速度/（（°）·s $- 1$ ）	1.572	1.298	3.647	3.152
横向加速度/（m·s $- 2$ ）	0.080	0.066	0.161	0.143

图13 场景二评价指标对比

Fig.13 Comparison of evaluation metrics for scenario 2

表6 场景二仿真数据对比

Tab.6 Simulation data comparison for scenario 2

参数	均值		最大值
参数	改进前	改进后	改进前	改进后
前轮转角/（°）	0.632	0.476	2.013	1.605
质心侧偏角/（°）	0.070	0.054	0.231	0.187
横摆角速度/（（°）·s $- 1$ ）	1.353	1.036	4.511	3.536
横向加速度/（m·s $- 2$ ）	0.070	0.054	0.225	0.184

表6 场景二仿真数据对比

Tab.6 Simulation data comparison for scenario 2

参数	均值		最大值
参数	改进前	改进后	改进前	改进后
前轮转角/（°）	0.632	0.476	2.013	1.605
质心侧偏角/（°）	0.070	0.054	0.231	0.187
横摆角速度/（（°）·s $- 1$ ）	1.353	1.036	4.511	3.536
横向加速度/（m·s $- 2$ ）	0.070	0.054	0.225	0.184

图14 障碍车变道行驶场景

Fig.14 Lane-changing moving obstacle vehicle scenario

图15 场景三评价指标对比

Fig.15 Comparison of evaluation metrics for scenario 3

表7 场景三仿真数据对比

Tab.7 Simulation data comparison for scenario 3

参数	均值		最大值
参数	改进前	改进后	改进前	改进后
前轮转角/（°）	1.165	0.894	3.009	2.295
质心侧偏角/（°）	0.139	0.107	0.358	0.275
横摆角速度/（（°）·s $- 1$ ）	1.746	1.327	4.468	3.427
横向加速度/（m·s $- 2$ ）	0.117	0.090	0.301	0.229

表7 场景三仿真数据对比

Tab.7 Simulation data comparison for scenario 3

参数	均值		最大值
参数	改进前	改进后	改进前	改进后
前轮转角/（°）	1.165	0.894	3.009	2.295
质心侧偏角/（°）	0.139	0.107	0.358	0.275
横摆角速度/（（°）·s $- 1$ ）	1.746	1.327	4.468	3.427
横向加速度/（m·s $- 2$ ）	0.117	0.090	0.301	0.229

图16 优化前后车辆质心侧偏角对比

Fig.16 Comparison of vehicle yaw angle before and after optimization

参考文献 19

[1]	张志文，刘伯威，张继园，等. 麻雀搜索算法-粒子群算法与快速扩展随机树算法协同优化的智能车辆路径规划［J］. 中国机械工程， 2024， 35（6）： 993-999.
	ZHANG Zhiwen， LIU Bowei， ZHANG Jiyuan， et al. Cooperative Optimization of Intelligent Vehicle Path Planning Based on PSO-SSA and RRT［J］. China Mechanical Engineering， 2024， 35（6）： 993-999.
[2]	HUANG Guanghao， MA Qinglu. Research on Path Planning Algorithm of Autonomous Vehicles Based on Improved RRT Algorithm［J］. International Journal of Intelligent Transportation Systems Research， 2022， 20（1）： 170-180.
[3]	WU Sifan， TIAN Daxin， DUAN Xuting， et al. Continuous Decision-making in Lane Changing and Overtaking Maneuvers for Unmanned Vehicles： a Risk-aware Reinforcement Learning Approach with Task Decomposition［J］. IEEE Transactions on Intelligent Vehicles， 2024， 9（4）： 4657-4674.
[4]	HUANG Wenhui， LIU Haochen， HUANG Zhiyu， et al. Safety-aware Human-in-the-loop Reinforcement Learning with Shared Control for Autonomous Driving［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（11）： 16181-16192.
[5]	HU Chuan， DU Baiyu， WANG Zhidong， et al. Perceptual Uncertainty-aware Motion Planning for Autonomous Driving Based on Adaptive Heuristic Reinforcement Learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2025， 26（8）： 12676-12687.
[6]	YUAN Xiaofang， HUANG Guoming， SHI Ke. Improved Adaptive Path Following Control System for Autonomous Vehicle in Different Velocities［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（8）： 3247-3256.
[7]	崔凯晨，高松，王鹏伟，等. 基于前馈+预测LQR的智能车循迹控制器设计［J］. 科学技术与工程， 2024， 24（10）： 4287-4299.
	CUI Kaichen， GAO Song， WANG Pengwei， et al. Intelligent Vehicle Tracking Controller Design Based on Feedforward+Prediction LQR［J］. Science Technology and Engineering， 2024， 24（10）： 4287-4299.
[8]	LENZO B， GOEL T， CHRISTIAN GERDES J. Autonomous Drifting Using Torque Vectoring： Innovating Active Safety［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（11）： 17931-17939.
[9]	HUANG Zhenmin， SHEN Shaojie， MA Jun. Decentralized iLQR for Cooperative Trajectory Planning of Connected Autonomous Vehicles via Dual Consensus ADMM［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（11）： 12754-12766.
[10]	王姝，张海川，赵轩，等. 融合稳定性的分布式驱动电动汽车路径跟踪控制策略研究［J］. 中国机械工程， 2023， 34（9）： 1035-1044.
	WANG Shu， ZHANG Haichuan， ZHAO Xuan， et al. Research on Path Tracking Control Method of Distributed Drive Electric Vehicles with Integrated Stability［J］. China Mechanical Engineering， 2023， 34（9）： 1035-1044.
[11]	王启明，万璇，方鸣，等. 基于动态非合作博弈的智能网联汽车超车行为决策研究［J］. 控制与决策， 2025， 40（7）： 2300-2312.
	WANG Qiming， WAN Xuan， FANG Ming， et al. Decision-making Research on Overtaking Behavior of Connected and Automated Vehicles Based on Dynamic Non-cooperative Game［J］. Control and Decision， 2025， 40（7）： 2300-2312.
[12]	交通运输部规划研究院. 2023年全国干线公路交通情况报告［M］. 北京：人民交通出版社， 2024： 5-9.
	Planning and Research Institute of the Ministry of Transport. Report on National Trunk Highway Traffic in 2023［M］. Beijing： China Communications Press， 2024： 5-9.
[13]	戢晓峰，徐迎豪，郝京京，等. 双车道公路超车行为风险演化时间协变量建模［J］. 西南交通大学学报， 2025， 60（5）： 1240-1249.
	JI Xiaofeng， XU Yinghao， HAO Jingjing， et al. Time Covariate Modeling of Overtaking Risk Evolution on Two-lane Highways［J］. Journal of Southwest Jiaotong University， 2025， 60（5）： 1240-1249.
[14]	张志勇，龙凯，杜荣华，等. 自动驾驶汽车高速超车轨迹跟踪协调控制［J］. 汽车工程， 2021， 43（7）： 995-1004.
	ZHANG Zhiyong， LONG Kai， DU Ronghua， et al. Trajectory Tracking Coordinated Control for Autonomous Vehicle in High-speed Overtaking［J］. Automotive Engineering， 2021， 43（7）： 995-1004.
[15]	安泰. 前车切入场景下的自动驾驶汽车局部避障研究［D］. 兰州：兰州交通大学， 2021.
	AN Tai. Research on Local Obstacle Avoidance of Self-driving Vehicles in the Scene of Front Vehicle Cutting-in［D］. Lanzhou： Lanzhou Jiaotong University， 2021.
[16]	赵林峰，张丁之，王慧然，等. 基于改进安全距离模型的人机协同纵向避撞研究［J］. 汽车工程， 2021（4）： 588-600.
	ZHAO Linfeng， ZHANG Dingzhi， WANG Huiran， et al. Study on Longitudinal Collision Avoidance with Human-machine Cooperation Based on Improved Safety Distance Model［J］. Automotive Engineering， 2021（4）： 588-600.
[17]	张兴龙. 汽车纵横向运动安全和操控中的逆动力学研究［D］. 南京：南京航空航天大学， 2020.
	ZHANG Xinglong. Research on the Vehicle Longitudinal/lateral Driving Safety and Motion Control Based on Inverse Dynamics ［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2020.
[18]	郭靖，李响，鲜勇. 基于强化学习的自适应人工势场航迹规划方法［J］. 兵器装备工程学报， 2024， 45（11）： 25-33.
	GUO Jing， LI Xiang， XIAN Yong. Adaptive Artificial Potential Track Planning Method Based on Reinforcement Learning［J］. Journal of Ordnance Equipment Engineering， 2024， 45（11）： 25-33.
[19]	郑雪莲，李显生，任园园，等. 基于视觉特性的驾驶人预瞄时间建模［J］. 中国公路学报， 2018， 31（5）： 160-166.
	ZHENG Xuelian， LI Xiansheng， REN Yuanyuan， et al. Modelling of Driver’s Preview Time Based on Visual Characteristics［J］. China Journal of Highway and Transport， 2018， 31（5）： 160-166.