判断该最 小值是否小于所述第一阈值，若小于所述第一阈值，则确定该最小值对应的栅格为此次搜 索的第二级父栅格，将此次搜索的第二级父栅格存入所述已搜索列表中，并将所述第一级 父栅格作为此次搜索的第二级父栅格的父栅格，将此次搜索的第二级父栅格作为所述第一 级父栅格的子栅格，建立所述第一级父栅格和此次搜索的第二级父栅格的父子关系，否则， 若该最小值不小于所述第一阈值，或者该三个栅格均存在于所述已搜索列表中，则将所述 已搜索列表中的历史父子关系链中第一次距离目的区域栅格最近的历史父子关系链相应 的路径确定为从车辆车头中心位置所处栅格至目的区域栅格所能达到的最远路径，i为正 整数。
[0027] 本申请中SRA搜索算法建立于以下基础：
[0028] 1、道路中所检测的障碍物为静态，或速度较低，在智能车决策的一个周期内可以 看成静态障碍物来处理。
[0029] 2、已经利用环境感知方法准确获取以下全部或部分信息：
[0030] (1)障碍物大小、位置及分布；
[0031] (2)车道线位置及种类（如双黄线，白虚线等）；
[0032] (3)本车速度及安全转向角度；
[0033] (4)当前行驶任务；
[0034] (5)其他需要危险评估的已知信息。
[0035] 3、智能车可以按照SRA搜索算法提供的路径行驶。
[0036] 下面对本发明的一具体实施例进行详细说明。
[0037] 本发明一种基于道路危险评估的智能车路径搜索方法的具体步骤如下：
[0038] (1)构造环境栅格图。
[0039] 将道路环境抽象成边长相同的二维矩形栅格，栅格的边长根据环境识别精度和车 辆控制精度选取（在实施例中选取的长度为20cm)。将栅格编号后，把本车自身位置，障碍 物位置、车道中心线位置等都描述为其在栅格中的坐标位置。如图2所示，是把障碍物位置 描述为其所在的栅格区域的示意图。
[0040] (2)确定栅格的危险估计值。
[0041] 若智能车行驶到任意栅格所在的区域，都会面临来自环境和自身的危险，其危险 评估方法如下：
[0042]f(n) =g(n)+h(n)+i(n) +j(n)+k(n),
[0043] 其中，f(n)是当前栅格危险评估值，g(n)是障碍物危险评估值，h(n)是车速危险 评估值，i(n)是车道线危险评估值，j(n)是任务危险评估值，k(n)是其他危险评估值。
[0044] S卩：当前危险评估值=障碍物危险评估值+车速危险评估值+车道线危险评估值 +任务危险评估值+其他危险评估值。
[0045] 障碍物危险评估g(n)是指，道路中出现的障碍物对栅格区域危险程度的影响值。 这里的障碍物包括正障碍（如车辆、行人）和负障碍（如水坑，悬崖）。根据常理我们可 知，车辆距离障碍物越近其面临的危险程度越大，而离障碍物越远越安全。因此栅格障碍 物危险评估值同该栅格与最近障碍物之间的距离成反比，于是可以构造如下公式：g(n)= W-S?u，其中，w为该类方法中指定的最大危险值。S为当前栅格到最近障碍栅格的栅格距 离，可以规定，两个相邻栅格的距离值为1，对角线方向相邻的栅格距离为，以此类推。u 为单位距离的第一危险值。
[0046]如图3所示，A，B为障碍物所在栅格，C，D为待求栅格。假设我们指定栅格的最大 危险值为1〇〇〇,单位距离第一危险值为1〇〇。那么对于栅格C，障碍A离它最近，且栅格距离 为2,因此栅格C的障碍物危险评估值为g(C) = 1000-2 ? 100 = 800。
[0047] 对于栅格D，障碍A离它最近，且栅格距离为，
，因此栅格D的障碍物 危险评估值为
，运用此种方法可以计算任意栅格的障碍物危险 估计值g(n)。
[0048] 车速危险评估h(n)是指，当本车处于任意栅格时，在当前车速和行驶方向的 条件下，能够到达另一栅格的危险评估值。根据车体动力学我们可知，当车速较快时， 转向角越大则离心力越大，车辆越面临翻车的危险；相反转向角越小越安全。因此栅 格车速危险评估值同车辆当前位置、车速、转向角一定关系。于是可以构造如下公式：
[0049] 其中，a为车辆行驶到该栅格需要转向的栅格角度，由于本文所述搜索算法只评 估车辆所处栅格之后的三个栅格，因此转向的栅格角度只有可能为〇度或45度，V为当前 车速，k为一常数系数。
[0050] 车道线危险评估i(n)是指，车道虚拟中心线对栅格区域危险程度的影响值。根据 交通法规我们可知，车辆应该行驶于两车道线中间的虚拟中心线上，而长时间行驶在车道 线上特别是双黄线，白实线上都属于违章行为。因此车道线危险评估同该栅格与车道线虚 拟中心线之间的距离成正比，于是可以构造如下公式：
[0051] i(n) =p?q，其中，p为待计算危险评估值的栅格到最近车道虚拟中心线的栅格 距离，可以规定，两个相邻栅格的距离值为1，以此类推，q为预设的单位栅格距离的第二危 险值。
[0052] 任务危险评估j(n)是指，车辆当前执行的特殊任务对栅格区域危险程度的影响 值。此类危险评估没有具体计算方式，当车辆正常行驶时，任务危险评估值为〇 ;当车辆执 行特殊任务时，如红灯停车，跟车行驶等，此时栅格任务危险评估值需要人为指定。
[0053] 其他危险评估k(n)是指，其他可能的因素对栅格区域危险程度的影响值。此类危 险评估没有具体计算方式，当车辆正常行驶时，其他危险评估值为〇 ;当遇到恶劣天气，车 辆自身问题，人工干预意向等，其影响因素都可以通过人为指定的方式构造其他危险评估 值。
[0054] 在车辆行驶过程中，当车辆传感器只能感知到一类或者几类环境信息时，可以令 需要根据车辆传感器未感知到的环境信息计算得到的各项危险评估值为〇,仅用已知环境 信息来评价道路各区域的危险评估值，从而本发明所述的搜索方法仍然能够实现较优路径 的搜索。
[0055] (3)搜索可行驶路径。
[0056] SRA路径搜索算法依据各栅格危险评估值，运用深度优先遍历的启发式搜索方法 进行路径搜索。该算法依靠父子栅格、已搜索列表、搜索范围三个属性展开：如果从栅格A 搜索到下一栅格B，则称A为B的父栅格，B为A的子栅格；搜索列表保存了所有已经搜索过 的父栅格坐标；搜索范围是指能够产生子栅格的栅格范围。算法以到达目的区域或找不到 子栅格而结束。其具体搜索步骤为：
[0057] 1.算法开始时，把车辆自身位置作为父栅格，并把父栅格放入到已搜索列表。由于 智能车只能向前方直线行驶或转向，而不能横向移动，本文也暂不考虑倒车情况，因此智能 车所有可到达的相邻栅格只有正前方的3个栅格。如图4所示，图中A为车辆自身位置所 在父栅格，则其搜索范围为B、C、D三个栅格。
[0058] 2.通过对危险估计值的计算，找出这三个栅格中危险估计值最小的栅格，判断其 危险估计值是否超过阈值。阈值是由车体大小和操作经验人为设定的，估计值超过阈值的 栅格为不可行驶栅格，反之为可行驶栅格。若该栅格危险估计值小于阈值，则将其作为当前 父栅格的子栅格，并作为下一次搜索的父栅格，放入已搜索列表。
[0059] 3.开始下一次搜索，通过与已搜列表比对，判断本次父栅格搜索范围内所有栅格 是否有未搜栅格。
[0060] 4.若存在未搜栅格，并存在危险估计值小于阈值的栅格，则找出这几个未搜栅格 中危险估计值最小的栅格，作为当前父栅格的子栅格，并作为下一次搜索的父栅格，放入已 搜索列表。然后回到步骤3。
[0061] 5.若不存在未搜栅格，或所有未搜栅格的危险估计值均大于阈值，则找到本次父 栅格在上一次搜索时所对应的父栅格，取消它们之间的父子关系，并把上一次搜索所对应 的父栅格作为下一次搜索的父栅格。然后回到步骤3。
[0062] 6.在执行（3)、（4)、（5)的循环搜索过程中，如果搜索到目的区域的栅格，则搜索 结束，生成从车辆自身栅格到目的区域栅格的父子关系链；如果在未到达目的区域栅格之 前，搜索已经回退到车辆自身栅格，并且其搜索范围内不存在未搜栅格，则搜索结束，生成 历史父子关系链中第一次到达距离目标区域最近的一条父子关系链。
[0063] 本发明提出了一种智能车SRA路径搜索算法，在智能车路径规划的过程中，由于 环境感知所得信息有限，往往不知道以什么标准来搜索最佳行驶路径。SRA路径搜索算法提 供一种依据道路危险评估搜索最优路径的方法，在比较和实验多种方法的基础上，自主提 出危险值计算方法和搜索方法，并能够依据所计算的道路危险值实时搜索可行路径。
[0064] 在智能车路径规划的过程中，需要从车辆当前点规划最佳路线到达目标点。SRA搜 索算法是发展人工智能而产生的路径规划十分有效的启发式搜索方法，算法采用深度优先 遍历的方法，到达目标节点即停止搜索，若无法到达目标结点，算法可以给出最接近于目标 点的路径。它首先利用二维栅格图对车辆行驶环境进行建模；然后采用危险