矿区无人驾驶矿车局部轨迹规划（Local Planning）以非结构化道路、重载、强动力学约束、高安全冗余为核心，算法分为采样类、优化类、学习类、工程融合架构四大类，下面按落地成熟度、适用场景分类整理，附矿车场景适配改造要点。
一、采样类规划算法（矿区首选，可行性优先）
适合：窄路会车、装卸对位、坡道避障、动态障碍多、非结构化路面
1. Hybrid A*（混合A*）
- 核心适配：同时搜索离散拓扑 + 连续姿态，满足矿车最小转弯半径、非完整约束
- 矿区改造：加入重载转向限制、坡道附着系数、车辙/软基惩罚
- 落地：采场/排土场对位、窄路通行、紧急避障的主候选生成
2. RRT / RRT* / Informed RRT*
- 特点：概率完备，易跳出局部最优，适合可行域狭窄场景
- 矿区改造：目标偏向采样、坡道启发函数、障碍膨胀更大
- 落地：临时障碍绕行、无车道线区域的备选轨迹
3. Lattice Planner（格点规划，Apollo/矿卡量产主流）
- 核心：基于运动基元(Motion Primitive)横向/纵向采样，生成轨迹簇+评分排序
- 矿区适配：
- 横向采样：车道居中、避障、会车偏移
- 纵向采样：跟车、减速停车、坡道稳速
- 评分项：碰撞风险、平顺性、路面平整度、作业对位精度
- 落地：干线行驶、编队跟车、会车避让的标准局部规划器
4. Polynomial Sampling（多项式采样）
- 用五次/七次多项式生成jerk连续轨迹，快速生成候选
- 适用：低速对位、平稳停车，保证重载无冲击
二、优化类规划算法（平滑+最优，干线/巡航主力）
适合：结构化运矿干线、定速巡航、编队行驶，追求平顺与控制友好
1. 二次规划 QP / 序列二次规划 SQP
- 建模：将避障、车道、动力学转为线性/二次约束，求解最优轨迹
- 矿区改造：加入侧倾约束、载荷相关加速度限制
- 落地：Lattice/采样后轨迹精修平滑
2. 模型预测控制 MPC（直接做局部规划+控制闭环）
- 滚动时域优化，实时修正动态障碍与车辆偏差
- 矿车适配：重载动力学模型、轮胎附着模型、坡道力前馈
- 落地：高速干线巡航、精准对位闭环、编队协同
3. 凸优化 (Convex Optimization)
- 可行域凸化后快速求解，时延稳定
- 适用：路面条件好、障碍少的固定运矿路线
三、学习类与启发式算法（辅助/前沿）
1. DQN/PPO 强化学习
- 场景：极复杂非结构化、动态施工机械交互
- 落地状态：辅助决策/异常场景兜底，极少单独做主规划
2. 模糊逻辑/专家规则
- 矿区特有工况：坡道防溜车、软基路减速、装卸点对位
- 作用：硬约束熔断、安全阈值判定
四、矿区量产主流融合架构（工程实际用的组合）
架构1：Lattice采样 + QP优化（最通用）
- Lattice生成满足动力学的候选轨迹簇
- 碰撞剪枝 + 规则评分
- QP做曲率、jerk、转向角精修平滑
- 输出给底盘控制器
适配：全场景干线+作业区，绝大多数矿卡厂商方案
架构2：Hybrid A* + 后处理优化
- Hybrid A*找可行路径（解决狭窄空间可行问题）
- 多项式/BSpline插值平滑
- 速度优化生成纵曲线
适配：装卸对位、窄路会车、极限避障
架构3：MPC闭环局部规划
- 直接以跟踪全局路径+避障为优化目标
- 滚动求解并输出控制量
适配：高精度对位、编队行驶、坡道稳速
架构4：分层规划（行为决策+运动规划）
- 上层：规则/采样选行为（直行/会车/避让/对位）
- 下层：优化生成平滑轨迹
适配：多机械协同作业的采场
五、算法选型速查表（矿车专用）
| 算法/架构 | 优势 | 劣势 | 矿区最佳场景 |
|---|---|---|---|
| Lattice Planner | 实时性稳、多候选、易工程化 | 长距最优性一般 | 干线、会车、编队 |
| Hybrid A* | 非完整约束强、狭窄空间可行 | 平滑性差、需后处理 | 装卸对位、窄路、避障 |
| QP/SQP 优化 | 平滑、控制友好 | 对初值/可行域敏感 | 轨迹精修、干线巡航 |
| MPC | 闭环鲁棒、动态适配强 | 算力要求高 | 精准对位、坡道、编队 |
| RRT* | 复杂空间概率完备 | 随机性强、时延波动 | 临时绕行、应急备份 |
六、矿区局部规划算法必加改造项
- 重载动力学约束：最小转弯半径、转向速率、侧倾、加减速限
- 坡道模型：纵坡力补偿、下坡制动、上坡限扭
- 路面惩罚：软基、车辙、坑洼、排水沟的代价场
- 大尺寸碰撞检测：整车外廓+货箱，障碍膨胀更大
- 硬实时约束：固定采样点数、剪枝策略、时延<50ms
- 安全兜底：无可行解时输出安全停车轨迹
