本文提出aUToPath框架，解决城市密集环境中的自动驾驶导航问题。核心创新在于融合预计算栅格地图与动态自由空间采样的混合规划器，高效生成可通行走廊。系统采用基于序列凸规划（SCP）的模型预测控制（MPC），将走廊优化为平滑且动力学可行的轨迹，通过单一优化问题同步生成轨迹与控制指令。仿真验证表明：自由空间AIT*采样策略在随机障碍场景成功率优于栅格规划器，计算效率接近纯栅格方法。实车实验使用雪佛兰Bolt EUV在八次密集障碍场景测试中达成100%成功率，无交通规则、运动学或车辆约束违反。
城市密集环境中的自动驾驶面临动态障碍物、狭窄通道等复杂挑战，传统运动规划方法存在显著局限：栅格规划器依赖预定义路径拓扑，难以适应未建模障碍；纯自由空间采样方法（如RRT*）虽具渐进最优性，但计算开销阻碍实时应用。aUToPath提出统一架构，结合二者优势实现高效可靠导航。
算法首次迭代仅在预计算栅格地图（含车道中心线与变道路径）执行搜索。若无可行解，则基于碰撞信息在障碍物邻近区域启动自适应采样：以碰撞点为中心的多维高斯分布生成自由空间样本，通过最近邻搜索接入现有图谱。数学表达为：
\[ \mathbf{x}_{\text{sample}} \sim \mathcal{N}(\mathbf{\mu}, \mathbf{\Sigma}), \quad \mathbf{\mu} = \mathbf{x}_{\text{collision}} \]
该策略保留AIT*的渐进最优性，同时利用地图先验知识显著加速收敛。
规划路径转化为车辆安全操作边界：横向膨胀距离取最近障碍物距离与车道边界距离的最小值。边界点直接作为线性约束输入MPC：
\[ \alpha_{k,l}x_k + \beta_{k,l}y_k \leq \gamma_{k,l} + \sigma_{k,l} \]
其中\(\sigma_{k,l}\)为松弛变量，\(\alpha,\beta,\gamma\)为边界直线系数。该方法避免复杂几何建模，保障实时性。
构建五维状态空间\(\mathbf{x} = [x, y, \theta, v, \psi]^T\)与控制输入\(\mathbf{u} = [a, \Delta\psi]^T\)。目标函数融合轨迹跟踪与动力学惩罚：
\[ \min_{\mathbf{u}} \sum_{k=1}^{N} w_1(v_k - v_{\text{ref}})^2 + w_2\psi_k^2 + w_3a^2 + w_4(\Delta\psi)^2 + w_{k,5}\|\mathbf{p}_k - \mathbf{p}_{\text{ref}}\|^2 \]
当参考路径缺失时（如避障阶段），\(w_{k,5}=0\)，MPC自主生成可行轨迹。
采用迭代SCP处理非凸约束：初始基于规划路径线性化走廊边界，每次优化后根据新轨迹重新线性化约束区域。实验表明：4次迭代平衡安全性与计算效率，最小障碍距离提升23%且单步优化耗时≤15ms。
在180m导航任务中：栅格方法无法通过2m窄道（成功率0%）；标准AIT*耗时>10s；aUToPath在窄道场景仅需2.68s，较AIT*加速3.7倍且路径长度缩短3.3%.
雪佛兰Bolt EUV在交替布置的桶阵障碍场景完成八次试验：纵向加速度≤1.94m/s²（约束值3.0m/s²），横向加速度≤2.80m/s²（约束值3.0m/s²），转向角≤0.50rad（约束值0.52rad）。所有指标均符合动力学与舒适性约束。