本项目面向受限停车场景下的自动驾驶车辆路径规划与导航需求,目标是提升车辆在狭窄通道、密集障碍物和有限操纵空间中的停车成功率、安全性和规划效率。系统结合大语言模型(LLM)、Hybrid A* 路径规划和深度强化学习技术:LLM 负责分析停车场布局、障碍物分布及目标车位,生成高层语义规划指导;Hybrid A* 根据车辆运动学约束搜索可行全局路径;基于 PPO 的深度强化学习导航模块输出速度和转向角,实现局部路径跟踪、连续控制和动态避障。业务流程为:输入车辆初始状态、目标停车位及环境地图后,系统先进行场景建模和障碍物检测,再由 LLM 生成规划提示,Hybrid A* 完成路径搜索,最后由 DRL 控制模块执行导航并持续评估安全距离、路径平滑度和停车精度,直至车辆安全到达目标车位。
本人负责受限停车场景下的 LLM 辅助路径规划与导航系统设计与实现。整体架构包括停车场环境建模、LLM 高层语义指导、Hybrid A* 路径搜索及 PPO 深度强化学习局部导航模块。系统首先输入车辆初始状态、目标车位、道路边界和障碍物信息;随后由 LLM 分析环境布局并提供行驶走廊和操纵策略建议,Hybrid A* 在车辆运动学约束下生成可行路径,PPO 控制模块输出速度与转向角,实现路径跟踪、局部避障和安全停车。本人完成了算法模块整合、停车场仿真场景构建、评价指标设计及实验对比。实验结果显示,相比标准 Hybrid A*,所实现的 LLM-assisted Hybrid A* 将成功率由 86.8% 提升至 91.2%,规划准确率由 90.6% 提升至 94.3%,搜索扩展状态数减少约 36.6%。项目难点在于 LLM 推理延迟及其输出可能与几何约束不一致;对此,通过将 LLM 输出限制为高层搜索指导,并由 Hybrid A* 和碰撞检测模块进行运动学可行性与安全性验证,以保障规划结果可靠。