多车自主竞速中基于稀疏点云的目标追踪与路径规划策略研究

本研究针对真实多车自主竞速竞赛(ARRC)中16通道LiDAR点云稀疏导致的障碍物检测难题，提出基于扩展卡尔曼滤波(EKF)的方位补偿方法和Frenet-Frame行为预测运动规划算法，在嵌入式系统上实现99.6%的方位精度和40Hz实时规划，成功应用于9车同场竞技场景，为受限计算资源下的自动驾驶技术提供新范式。

　　

在自动驾驶技术快速发展的今天，Formula Student Driverless(FSD)和Indy Autonomous Challenge(IAC)等赛事推动着行业进步。然而，现有竞赛多局限于单车或双车场景，与真实道路环境存在显著差距。韩国成均馆大学机械工程系的Jiyou Shin团队聚焦"Autonomous Robot Racing Competition"(ARRC)这一真实多车竞速场景，该竞赛要求9辆赛车同时在两条固定车道上竞技，且仅允许使用16通道LiDAR和嵌入式电脑。这种极端条件暴露出当前技术的两大瓶颈：稀疏点云下多目标追踪精度不足，以及动态多车交互场景的实时路径规划难题。

研究团队创新性地开发了基于扩展卡尔曼滤波(EKF)的方位补偿器，通过将16通道LiDAR的稀疏点云聚类生成定向边界框(OBB)，并利用自行车运动学模型修正噪声干扰。实验显示，该方法在CARLA仿真中达到99.6%的方位准确率，对小物体检测性能甚至优于64通道LiDAR的PointRCNN等深度学习模型。路径规划方面，研究采用Frenet-Frame生成8条候选路径（2车道×4速度组合），通过O(N)复杂度算法评估碰撞风险、车道偏移和速度成本，最终在NVIDIA Jetson Orin AGX上实现40Hz的实时决策。

关键技术包括：1)基于局部线段拟合的地面分割和欧式聚类；2)结合协方差矩阵特征向量的OBB生成；3)基于自行车模型的EKF状态预测（系统模型复杂度O(N×m)³）；4)Frenet坐标系下五次多项式路径参数化；5)考虑预测不确定性的动态代价地图构建。

研究结果部分显示：在20种典型竞速场景测试中（表1），系统能正确处理前车急刹（场景4）、侧方切入（场景8-9）和起跑混战（场景10-20）等复杂情况。图5直观展示了算法在双车道被占时自动降速（场景15）、预测后方来车安全变道（场景2-3）等决策过程。真实竞赛数据（图6）进一步验证了成本函数设计的有效性，如当侧方车辆以21km/h逼近时，算法优先选择直行路径而非高风险变道。

仿真竞速实验（表3）显示，在三种赛道布局的240圈测试中，系统始终保持零碰撞率并获得第一排名，平均每场完成22次安全超车。资源监控（图7）表明，算法在Jetson Orin上仅占用50%CPU和6.4GB内存，证实其嵌入式部署可行性。

这项研究的意义在于：1)证明了轻量化算法在极端感知约束下的可靠性，为资源受限场景（如车载ECU）提供技术参考；2)首创的多车交互策略对高速公路合流等现实场景具有迁移价值；3)提出的EKF补偿机制为稀疏点云处理开辟新思路。未来工作需扩展至多车道系统并引入动力学模型，以适配更高速度场景。该成果发表于《Engineering Science and Technology, an International Journal》，为自动驾驶算法设计提供了"少即是多"的典范。