1.一种无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：包括以下步骤：步骤1：设置车辆的初始点、目标点位置、姿态，并将起点信息数据进行预处理，然后放入Open表中；

步骤2：以车载激光雷达检测的数据为基础，将一定范围的车辆周围环境栅格化，另外根据车速高低及检测到的障碍物远近分布情况，建立不同边长的栅格地图，为实时规划减少计算量；

步骤3：设计混合A*算法进行路径规划，通过对启发函数增加转向约束，保证规划的路径充分平滑；

步骤4：路径搜索：在相同时间内，给车辆固定速度、不同的转向进行前向模拟路径搜索，此过程中，将车辆运动学模型线性化，求解搜索末端的车辆状态；

步骤5：计算不同搜索末端的车辆状态代价，将代价最小的车辆状态放入Close表中，同时作为下次规划的起始节点；

步骤6：判断搜索车辆状态是否满足条件，如果不满足，持续上述路径搜索并计算代价函数，直至满足为止；

步骤7：Close表中的节点，即为最终轨迹的关键节点，将其作为期望轨迹，采用自适应模型预测算法进行轨迹跟踪；

步骤8：设置一段时间内累计的轨迹误差阙值，若轨迹误差大于阙值，用轨迹曲率计算的纵向速度更新预测模型的输出量，直到保持在阙值范围内，以增强车辆行驶的安全性;具体的详细步骤如下所示：

步骤1：预设数据处理，具体包括：车辆起始点的位置和姿态 及目标点的位置和姿态 ，及车辆当前的车轮转角 和车速 ，其中X、Y表示车辆在大地坐标系下的纵、横坐标，表示车辆的横摆角；

步骤2：车载激光雷达检测周围障碍物信息，并绘制栅格地图；

步骤3：激光雷达根据检测到的障碍物距离、分布情况及当前车速，以车辆后轴中心为原点，在步骤2的基础上建立不同边长的单位栅格，分为S级、M级和L级，将每一个栅格标记为自由区域和障碍区域；

步骤4：根据车辆轴距和车速因素，对障碍区域进行膨胀处理；膨胀后的单位栅格边长为：T为采样时间， 为权重系数，l为车辆轴距，L为障碍区域所在单位栅格边长；

步骤5：设计混合状态A*的代价函数，包括：已行驶路径的距离代价和启发代价；启发代价又包括当前位置、姿态到目标位置姿态的估计代价、下一次的转向切换代价及累计的转向代价，特别是对于反向路径规划的转向代价，施加乘法惩罚；其中，采用欧式距离计算距离代价；

步骤6：读取起始点和目标点信息，创建Open表和Close表；把起点的位置和姿态信息放入Open中，同时将Close置空，判断Open表是否为空表，若为空表则规划失败，如Open表非空，选择Open表中代价最小的节点作为当前节点 ，并将其放入Close表中；

步骤7：以当前节点 作为初始节点，在 时间内，以固定的前轮转向角 、纵向速度 前向模拟一段始于 ，止于 的轨迹，计算不同 的代价，将代价最小的 放入closed‑list中，同时将代价最小的 其视为下一次规划的 ；

步骤8：以车辆运动学模型表示车辆模型，车辆的位置、姿态与前轮转向角存在如下关系：，式中为车辆轴长；

将上述车辆运动学模型线性化，线性化后的车辆模型以状态空间表示：其中：

在 时刻，计算节点 的状态；

步骤9：拓展 节点的过程中，没有考虑车辆周围的障碍物，拓展的模拟路径难以保证车辆避障，这里采用RS曲线间接解决车辆避障问题，RS曲线虽然不能避障，但突出优点是计算速度快，RS曲线由不同的圆弧和直线段组成，总是可以在平面内连接任意位置的位姿，设置迭代次数 ，直到连接起点和终点的RS曲线能够避开障碍物为止，退出RS模式，为进一步提高车辆的实时性，没有必要在每一次拓展节点的过程中都使用RS曲线连接和 ，仅仅在障碍物分布密集的场景及前向模拟的路径不能避障使下用；

步骤10：判断 ，如果是，则判定规划成功，输出最终轨迹 ，最终轨迹 由closed表中的节点组成，节点之间是模拟轨或RS曲线连接，如果否，则返回步骤7，8，直到满足条件为止；

步骤11：将最终轨迹 作为轨迹跟踪的参考轨迹，设计轨迹跟踪自适应模型预测控制器，具体包括：车辆模型线性化、离散化，组合状态量与控制量的状态空间模型、计算预测模型的输出量、状态量与控制量及其增量的约束条件设计、权重矩阵Q、R调整、目标函数的滚动优化求解、控制增量的反馈校正、由曲率计算的纵向速度更新预测模型的输出量；

在轨迹跟踪控制器的设计中，以车辆运动学模型表示车辆，以步骤10中的输出轨迹作为期望轨迹，进行线性化、进行离散化，如下其中，T采样时间，为车辆轴长；

步骤12：计算参考轨迹不同点的曲率，根据曲率设计车辆在各处位置的纵向速度，其中，曲率 ，纵向速度 ，a，b，c可根据轨迹形状调整；

步骤13：计算一段时间内车辆实际轨迹与期望轨迹的累计偏差，若偏差大于阙值，则从下一时刻开始，用纵向速度 代替 更新系统的预测输出量；若偏差在规定阙值内，则下一时刻的速度与上一时刻保持相同。

2.根据权利要求1所述的无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：步骤2中的栅格地图绘制方法如下：在大地坐标系下的车辆的状态为 ，激光束与车辆朝向的夹角为 ，距离为，则障碍物实际的纵向、横向位置为：将一系列的障碍物坐标 离散化为栅格坐标 。

3.根据权利要求1所述的无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：所述障碍物坐标 离散化为栅格坐标 的方法如下：为单位栅格分辨率，m为栅格坐标，

其中ceil为取整函数，根据障碍物在栅格中的坐标 及车辆在栅格中的坐标（i，j），使用Bresenham算法来计算非障碍物在栅格中的坐标。

4.根据权利要求1所述的无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：步骤3中的每次规划时，需要满足如下约束： 。

5.根据权利要求1所述的无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：步骤5中的混合状态A*的代价函数为：规定在起始位置，

指：当前位置、姿态与起始位置、姿态的已行驶代价，其中采用欧式距离计算距离代价， 为常数；

指：当前位置、姿态与目标位置、姿态的估计代价；

指转向代价：包括下一次的转向切换代价及从起始位置到当前位置的累计转向代价， 为三种不同代价的权重。

6.根据权利要求1所述的无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：步骤8中的 的解为：式中， 为 时刻对应的状态，为每次规划的起始时刻，为每次规划的时间间隔;在起始节点，=0。

7.根据权利要求1所述的无人驾驶车辆路径规划与轨迹跟踪方法，其特征在于：步骤11中根据建立的车辆运动学模型，设计车辆自适应模型预测控制器，具体包括以下步骤：a.将状态量和控制量组合，得到一个新的状态空间表达式；

b.表示系统的预测模型，计算预测输出量；

c.设计系统的目标函数J，同时对控制量、控制增量进行约束设计；

为权重矩阵，为权重系数，为松弛因子， 为预测时域， 为控制时域;d.对目标函数求解，得到一系列的控制增量，将第一个控制量反馈于系统。