原文链接：https://mp.weixin.qq.com/s/sgM7dWCaeHWYI9Jo1mXQAA
- 论文链接：https://arxiv.org/pdf/2504.12616
- 视频链接：https://sites.google.com/view/t-ha-star/home
摘要
本文介绍了自动泊车中基于图的路径规划与动态避障。由于杂乱环境中布满静态和动态障碍物，因此在泊车场景中实现安全且高效的路径规划面临着重大挑战。为了解决这个问题，本文提出了一种新的计算高效的规划策略，它将动态障碍物的预测结果无缝集成到规划过程中，以确保生成无碰撞的路径。本文方法基于传统的混合A*算法，引入了时间索引的变体，它显式地考虑了图中节点探索期间动态障碍物的预测，从而实现动态障碍物避障。本文将时间索引的混合A*算法集成到一个在线规划框架内，在自适应选择的中间目标的引导下，在每个规划步骤计算局部路径。本文所提出的方法在各种泊车场景中得以验证，包括垂直车位泊车、斜车位泊车和水平车位泊车。通过进行仿真，结果表明，所提出的方法相比于最先进的基于样条的泊车规划方法大大提高了效率和安全性。
主要贡献
本文的贡献总结如下：
1）本文提出了一种传统混合A*算法的新时间索引的变体，它显式地使用动态障碍物的运动预测来生成无碰撞的路径；
2）本文提出了一种用于大型停车场路径规划的策略，它利用了时间索引的混合A*算法，通过基于当前状态的预瞄点选择自适应的中间目标，在每个规划步骤计算局部路径。本文利用了静态地图信息，并且将vanilla A*代价作为启发式代价来引导车辆朝着目标行驶，从而提高了计算性能并且生成了动力学可行的路径；
3）本文通过不同泊车场景中的仿真证明，所提出的方法相比于最先进的基于样条的方法，在计算上更为高效同时能够生成更安全、更平滑的路径。
论文图片和表格
总结
本文提出了一种时间索引的混合A*算法，它显式地结合了动态障碍物预测结果，以在不同的泊车场景中生成安全、可靠且平滑的路径。通过自适应目标选择机制，进一步扩展到用于大型停车场的在线规划策略。在多种泊车环境下的仿真表明，本文方法相比于最先进的基于样条的规划器，在计算效率、安全性和可行性方面均有所提高。
未来工作将解决当前方法假设动态障碍物具有完美轨迹预测结果的问题，该假设忽略了规划流程中的不确定性和延迟。本文还旨在放宽已知目标状态的假设，例如扩展所提出的方法来主动探索停车场并且确定合适的停车位，同时考虑其他智能体行为的不确定性。
发表回复