请翻译The aforementioned approaches for path or trajectory planning and tracking of autonomous vehicles definitely solve th

前面提到的自主车辆路径或轨迹规划和跟踪方法确实解决了每篇文献中提出的相应问题。然而，由于需要计算资源（例如状态空间采样）、复杂性（例如分离的路径和速度规划以及分离的规划和控制）、解决方案最优性（例如基于图形的方法）和繁重的培训/重新培训任务（例如基于机器学习的方法），它们仍然不适用。因此，本文提出了一种新颖的分层规划框架，以实现这些标准之间的平衡。本文首次提出了一种基于阻力网络和人工势函数的自主车辆局部运动规划和跟踪框架。由于自主地面车辆的非完整特征，网格大小或形状应重新排列。此外，像经典的基于网格或图形的路径规划方法一样，所提出的基于阻力网络的方法最初在具有静态障碍物的环境中表现良好。换句话说，在规划路径时不考虑速度信息。为了解决这个问题，路径规划在预测时间内与当前状态重复进行，以检查是否存在可行的局部轨迹。否则，应调整或适应速度。通过使用所提出的阻力网络算法，整个过程与当前基于网格的算法相比加快了速度。网格是通过考虑非完整车辆的运动约束来构建的。此外，通过使用这种方法，可以通过在运动可行范围内选择不同的网格角度来包括驾驶员的风格