低速自动驾驶技术原理与系统架构(中)

定位与建图：厘米级定位保障

低速场景通常缺乏高精度地图覆盖，因此实时建图与定位（SLAM）技术成为核心。基于激光雷达的 SLAM（如 GMapping、LOAM 算法）通过增量式构建环境点云地图，结合里程计数据实现定位误差≤5cm 的自主导航。在重复场景（如厂区固定路线）中，可通过地图匹配进一步优化：将实时点云与预构建地图的关键特征（如墙体边缘、柱子位置）进行 ICP（迭代最近点）匹配，使定位精度提升至 2cm 以内。

混合定位策略应对复杂场景。在开阔区域依赖 GPS+IMU 组合导航，通过卡尔曼滤波融合卫星信号与惯性测量数据，解决短时间信号丢失问题；在室内或遮挡区域（如仓库、隧道），则切换至视觉 SLAM 模式，利用摄像头采集的特征点（如天花板灯具、墙面纹理）进行定位，配合轮速里程计实现无累积误差漂移（≤0.1m/100m）。

动态更新机制确保地图时效性。园区环境可能因临时施工、设备搬运发生变化，系统需通过差异检测算法识别地图与实时感知的不一致区域（如新增的锥桶、临时围栏），标记为动态障碍区并触发局部路径重规划，同时将变化信息上传至云端，实现多车地图协同更新。

决策规划：规则与学习结合的策略体系

低速自动驾驶的决策系统需平衡安全性与效率，其核心是基于有限状态机的规则引擎与局部优化算法的结合：

有限状态机定义了基本行驶规则。系统预设多种运行状态（如正常行驶、避障、让行、停靠、紧急制动），通过感知数据触发状态转换。例如，当检测到前方 5m 内有行人时，状态从 “正常行驶” 切换至 “避障”，同时激活减速指令（减速度≤2m/s²，确保乘坐舒适性）；当与交叉路口来车相遇时，根据 “右行优先” 规则进入 “让行” 状态，待确认安全后再继续行驶。

路径规划算法聚焦于局部优化。全局路径采用 A * 或 Dijkstra 算法，基于可行驶区生成从起点到终点的最优路线；局部路径则通过模型预测控制（MPC）或贝塞尔曲线优化，在避开动态障碍物的同时保证路径平滑性（曲率变化率≤0.5rad/m）。针对狭窄通道（如宽度仅比车身宽 0.5m 的场景），算法需计算车身包络线与障碍物的最小安全距离（≥0.3m），通过轮式运动学模型生成阿克曼转向路径，避免剐蹭。

人机交互决策是低速场景的特色。在园区接驳、厂区物料运输等场景中，系统需响应人工指令（如招手停车、语音调度），通过视觉手势识别（如 OpenPose 算法）或语音语义理解（如科大讯飞 SDK）解析用户意图，并在决策层实现 “自主规划” 与 “人工指令” 的优先级判断 —— 例如，紧急停车指令的优先级高于任何自主行驶状态。