亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        自動駕駛模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃方法*

        2021-11-22 08:44:44陳玨璇鄧正興
        關(guān)鍵詞:規(guī)劃模型

        王 猛,陳玨璇,鄧正興

        (1.華中科技大學(xué)人工智能與自動化學(xué)院,湖北 武漢 430074;2.武漢光庭信息技術(shù)股份有限公司K+Lab實(shí)驗(yàn)室,湖北 武漢 430073;3.武漢光庭科技有限公司智能駕駛部,湖北 武漢 430200)

        1 引言

        自動駕駛是當(dāng)前研究熱點(diǎn),但仍然存在著安全性、穩(wěn)定性和舒適性等方面的不足,研究者也在從不同方面進(jìn)行改進(jìn)和優(yōu)化[1]。運(yùn)動規(guī)劃作為自動駕駛的核心環(huán)節(jié)之一[2,3],其功能是生成自動駕駛車輛的運(yùn)動軌跡,以躲避行駛路線上的障礙物,該軌跡包含了車輛行駛的路徑和以何種速度(加速度)運(yùn)動的信息。運(yùn)動規(guī)劃相關(guān)研究主要有啟發(fā)式搜索算法、人工勢場法和離散優(yōu)化方法等[4]。文獻(xiàn)[5]指出,由于動態(tài)障礙物的存在,運(yùn)動規(guī)劃方法需要將時(shí)間作為一個維度,疊加在路徑搜索、路徑生成環(huán)節(jié)后的空間軌跡上,構(gòu)成時(shí)間和空間上的可行軌跡??臻g和時(shí)間維度的疊加計(jì)算會增加算法的時(shí)間復(fù)雜度。文獻(xiàn)[6]提出了路徑-速度分解法,先構(gòu)造一條曲率連續(xù)有界的可行路徑,再在該路徑上規(guī)劃速度。文獻(xiàn)[7,8]在生成的最優(yōu)路徑基礎(chǔ)上,建立每個路徑點(diǎn)的速度(加速度)與時(shí)間和路徑長度的關(guān)系模型,合成時(shí)間和空間上的運(yùn)動軌跡。此類方法能夠保證速度規(guī)劃的連續(xù)性和平滑性,但生成的運(yùn)動軌跡,尤其是速度軌跡,難以在后繼控制模塊中準(zhǔn)確跟蹤[9],因而無法滿足設(shè)計(jì)初衷。

        為了降低自動駕駛運(yùn)動規(guī)劃的計(jì)算復(fù)雜度,保證自動駕駛的舒適性和穩(wěn)定性,本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能化速度規(guī)劃方法。相比于現(xiàn)有的速度規(guī)劃方法,本文方法具有以下特點(diǎn):(1)直接計(jì)算實(shí)時(shí)期望加速度,而不是生成速度曲線,能夠降低速度規(guī)劃的計(jì)算時(shí)耗,工程實(shí)現(xiàn)極為簡便;(2)計(jì)算的加速度連續(xù)平穩(wěn)變化,易于后繼控制模塊準(zhǔn)確跟蹤;(3)分析了典型場景,建立了不同的模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃模型,以匹配自動駕駛車輛復(fù)雜的駕駛行為。

        2 自動駕駛運(yùn)動規(guī)劃方案

        通常自動駕駛的功能軟件由3個模塊構(gòu)成,即感知定位模塊、決策規(guī)劃模塊和控制模塊。

        2.1 自動駕駛的功能軟件整體結(jié)構(gòu)

        自動駕駛的功能軟件整體結(jié)構(gòu)如圖1所示。感知定位模塊包含感知模塊和定位模塊,其中,感知模塊獲取環(huán)境信息;定位模塊通過高精度慣導(dǎo)獲取位置、航向和速度等信息;決策規(guī)劃模塊規(guī)劃局部路徑以及速度、加速度信息;控制模塊負(fù)責(zé)軌跡跟蹤控制和縱向速度跟蹤控制。另外,人機(jī)交互HMI(Human Machine Interface)處理部分處理與外部的交互信息,CAN總線處理負(fù)責(zé)輸入和輸出控制信息。

        Figure 1 Block diagram of functional software of autonomous vehicle圖1 自動駕駛功能軟件框圖

        2.2 自動駕駛運(yùn)動規(guī)劃

        運(yùn)動規(guī)劃模塊是決策規(guī)劃模塊的核心模塊之一。本文中,運(yùn)動規(guī)劃采用了路徑-速度分解法,首先進(jìn)行路徑規(guī)劃,獲得局部最優(yōu)路徑,然后進(jìn)行速度規(guī)劃,最終合成空間和時(shí)間軌跡。

        (1) 路徑規(guī)劃方法。

        本文采用狀態(tài)格算法[10]進(jìn)行路徑規(guī)劃,將道路進(jìn)行網(wǎng)格化處理,道路網(wǎng)格沿道路參考線分布,并隨參考線方向延伸。每個網(wǎng)格格點(diǎn)定義為狀態(tài)格點(diǎn),且狀態(tài)格點(diǎn)的方向和曲率中心點(diǎn)與道路參考線一致,如圖2所示?;跔顟B(tài)格的路徑規(guī)劃流程如圖3所示。具體描述如下:①構(gòu)建狀態(tài)格,確定狀態(tài)向量。按照參考線延伸方向劃分網(wǎng)格格點(diǎn),依據(jù)路徑-速度分解法,本文僅考慮空間維度,即每個格點(diǎn)的狀態(tài)量包含位置、方向和曲率半徑。②路徑生成。以5次多項(xiàng)式函數(shù)作為連接曲線,結(jié)合車輛運(yùn)動學(xué)模型,采用梯度下降法求解5次多項(xiàng)式,生成每2個狀態(tài)格點(diǎn)間的連接曲線。③設(shè)計(jì)評價(jià)函數(shù)??紤]安全性能、舒適性能和能耗性能等,設(shè)計(jì)評價(jià)函數(shù)計(jì)算每段曲線的代價(jià)函數(shù)值。④路徑尋優(yōu)。計(jì)算從當(dāng)前點(diǎn)到目標(biāo)點(diǎn)綜合性能最優(yōu)的路徑,作為最優(yōu)路徑。

        Figure 2 Schematic diagram of path planning圖2 路徑規(guī)劃示意圖

        Figure 3 Flow chart of path planning圖3 路徑規(guī)劃流程

        (2) 速度規(guī)劃方法。

        在前文已經(jīng)規(guī)劃出的最優(yōu)路徑上,若存在有停止線、指定停車點(diǎn)、靜止障礙物或動態(tài)障礙物等,速度規(guī)劃模塊將根據(jù)這些信息以及到自車的距離,實(shí)時(shí)規(guī)劃加(減)速度,發(fā)送至控制模塊執(zhí)行,使車輛減速停車或跟隨動態(tài)障礙物行駛。本文提出的速度規(guī)劃方法將上述場景歸納為2類:遇靜態(tài)障礙物場景和遇動態(tài)障礙物場景。分別構(gòu)建2類場景模型,然后針對上述2類模型,設(shè)計(jì)靜態(tài)障礙物場景速度規(guī)劃算法和動態(tài)障礙物場景速度規(guī)劃算法,最后對算法輸出進(jìn)行速度信息處理。速度規(guī)劃方法的流程如圖4所示。具體步驟為:①實(shí)時(shí)獲取感知定位信息。速度規(guī)劃模塊從感知模塊和定位模塊讀取前方障礙物信息(動靜態(tài)、距離和速度等),從地圖系統(tǒng)獲得停止線或終點(diǎn)線信息(包括類型和位置等)。②分別構(gòu)建2種場景模型。自動駕駛車輛遇到前方有停止線、終點(diǎn)線或設(shè)定停車點(diǎn)等場景時(shí),車輛都應(yīng)該降速停車,這些場景等同于自動駕駛車輛遇到前方靜態(tài)障礙物而降速停車,因此將此類場景統(tǒng)一歸類為遇靜態(tài)障礙物場景。對于遇動態(tài)障礙物的場景,如前方有行駛車輛等,速度規(guī)劃方法應(yīng)生成實(shí)時(shí)加(減)速度指令,使得車輛跟隨動態(tài)障礙物行駛,因此歸類為遇動態(tài)障礙物的場景,分別建立2類場景的模型。③分別針對靜態(tài)障礙物和動態(tài)障礙物2種場景模型設(shè)計(jì)基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃方法,將在下節(jié)詳述。④速度信息處理。評價(jià)2類場景的規(guī)劃結(jié)果,以加速度較小者作為輸出,并對規(guī)劃結(jié)果進(jìn)行平滑和限幅等處理。

        Figure 4 Flow chart of velocity planning圖4 速度規(guī)劃流程

        3 基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃方法

        速度規(guī)劃模塊的功能是根據(jù)道路環(huán)境及自車狀態(tài),實(shí)時(shí)計(jì)算出車輛的期望加速度[11]。本文提出了基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃方法,用于建立從輸入狀態(tài)量到輸出加速度的神經(jīng)網(wǎng)絡(luò)模型。

        3.1 基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃方法原理

        基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃方法分為離線學(xué)習(xí)和在線計(jì)算2個階段。

        (1) 離線學(xué)習(xí)階段。

        將人工駕駛經(jīng)驗(yàn)總結(jié)為模糊規(guī)則表(模糊規(guī)劃模型)。然后提取模糊規(guī)則表中每個規(guī)則轉(zhuǎn)化為輸入輸出樣本,構(gòu)成樣本集合。初始化一個3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,利用樣本集合,離線訓(xùn)練神經(jīng)網(wǎng)絡(luò),獲得離線訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型,將其定義為模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型。

        模糊規(guī)劃模型描述了輸入狀態(tài)量到輸出量的映射關(guān)系。自動駕駛車輛遇到動、靜障礙物時(shí),主要依據(jù)自車與障礙物之間相對位置和速度關(guān)系,推算目標(biāo)加速度。定義距離狀態(tài)量為d,速度狀態(tài)量為v,將輸入狀態(tài)變量分別模糊化為語言變量集合D和V:

        V={V1,V2,…,Vi,…,Vm}

        (1)

        D={D1,D2,…,Dj,…,Dn}

        (2)

        其中,m、n分別為距離狀態(tài)量和速度狀態(tài)量的語言變量數(shù)量。

        定義輸出量為a,將輸出量模糊化為語言變量集合A:

        A={A1,A2,…,Ak,…,Al}

        (3)

        其中,l為輸出語言變量的數(shù)量。

        式(1)~式(3)中,為了便于后續(xù)統(tǒng)一分析,用語言變量Vi、Dj和Ak代替常規(guī)的語言變量,例如負(fù)大NB(Negative Big)、負(fù)小NS(Negative Small)、正大PB(Positive Big)等。根據(jù)模糊系統(tǒng)理論,首先對每個輸入變量和輸出變量建立隸屬度函數(shù),如圖5所示。結(jié)合人工駕駛經(jīng)驗(yàn),建立模糊規(guī)則表,如表1所示。

        Figure 5 Membership functions圖5 隸屬度函數(shù)

        Table 1 Fuzzy rule table A

        表1中,第i個速度語言變量Vi與第j個距離語言變量Dj作為輸入時(shí),所對應(yīng)的加速度輸出語言變量為Aij,且Aij∈A。

        根據(jù)建立的模糊規(guī)則表和變量的隸屬度函數(shù),可以建立速度規(guī)劃模型,該模型描述了輸入狀態(tài)量到輸出量的映射關(guān)系,即aij=f(vi,dj),其中,vi、dj和aij分別為語言變量Vi、Dj和Aij的最大隸屬度值。提取模糊規(guī)則表1中的每個規(guī)則,如第[i,j]個規(guī)則為Sij=[Vi,Dj,Ak],取語言變量Vi、Dj和Ak的最大隸屬度對應(yīng)的實(shí)數(shù)域值為vi、dj和ak,則對應(yīng)的第[i,j]個樣本為sij=[vi,dj,ak]。由此,構(gòu)成了m×n個輸入輸出樣本集合,如式(4)所示:

        sij=[vi,dj,ak],

        i=1,2,…,m;j=1,2,…,n;k=1,2,…,l

        (4)

        建立3層神經(jīng)網(wǎng)絡(luò)模型,其中輸入層神經(jīng)元數(shù)量為輸入狀態(tài)量數(shù)目,隱含層神經(jīng)元數(shù)量為N,輸出層神經(jīng)元數(shù)量為輸出量數(shù)目。神經(jīng)網(wǎng)絡(luò)輸入層到隱含層、隱含層到輸出層的權(quán)值向量分別為w1和w2,隱含層和輸出層的偏置向量分別為b1和b2,隱含層和輸出層采用的傳輸函數(shù)為雙曲正切函數(shù)(tansig)。將sij作為學(xué)習(xí)樣本,采用BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值向量和偏置向量,反向訓(xùn)練過程如式(5)~式(8)所示[12]:

        (5)

        (6)

        (7)

        (8)

        其中,k為迭代訓(xùn)練次數(shù),Δw和Δb為BP算法的調(diào)整量。最后,將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型作為模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃模型。

        (2) 在線計(jì)算階段。

        實(shí)時(shí)讀取距離狀態(tài)量dt和速度狀態(tài)量vt,然后將這2個狀態(tài)量作為模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型的輸入,在線計(jì)算加速度,在線計(jì)算公式如式(9)所示:

        a′t=tansig(w2·tansig(w1·[v′t,d′t]T+b1)+b2)

        (9)

        其中,a′t,v′t,d′t分別為歸一化的加速度、速度狀態(tài)量和距離狀態(tài)量,w1,w2,b1和b2分別為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)值向量和偏置向量。最后,將a′t反歸一化作為輸出。

        3.2 靜態(tài)障礙物速度規(guī)劃模型

        對于遇靜態(tài)障礙物的場景,目標(biāo)是規(guī)劃出實(shí)時(shí)減速度,使車輛在障礙物前平穩(wěn)降速。本文研究的自動駕駛車輛最高車速為70 km/h,因此取自車速度為[0,20],單位為m/s,將自車速度模糊化為12(m=12)個模糊語言構(gòu)成的模糊集合V={V1,V2,…,V12},以三角函數(shù)作為隸屬度函數(shù),利用模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃方法,分別確定模糊語言最大隸屬度對應(yīng)的實(shí)數(shù)值如式(10)所示:

        v={v1,v2,…,v12}=

        {1,2,3,4,5.5,7,8.5,10,12,14,16,20}

        (10)

        感知系統(tǒng)穩(wěn)定的探測距離為110 m,因此取自車到目標(biāo)點(diǎn)的距離為[0,110],單位為m,將距離模糊化為9(n=9)個模糊語言構(gòu)成的模糊集合D={D1,D2,…,D9},以三角函數(shù)作為隸屬度函數(shù),利用模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃方法,分別確定最大隸屬度對應(yīng)的實(shí)數(shù)值如式(11)所示:

        d={d1,d2,…,d9}=

        {2,5,9,15,24,37,55,79,110}

        (11)

        乘用車制動系統(tǒng)能夠提供0.7g以內(nèi)的減速度,因此取加速度為[-6,0],單位為m/s2,將加速度模糊化為11(l=11)個元素構(gòu)成的模糊集合A={A1,A2,…,A11},確定最大隸屬度對應(yīng)的實(shí)數(shù)值如式(12)所示:

        a={a1,a2,…,a11}={-6,-5,-4,-3,

        -2.5,-2,-1.5,-1,-0.5,-0.25,0}

        (12)

        速度、距離和加速度變量對應(yīng)的隸屬度如圖6所示。

        Figure 6 Membership functions of all variables when encountering statics obstacles圖6 遇靜態(tài)障礙物時(shí)各變量的隸屬度函數(shù)

        結(jié)合人工駕駛經(jīng)驗(yàn),以自車速度和到障礙物的距離作為輸入,以期望加速度作為輸出,建立表2所示的模糊規(guī)則表,得到模糊速度規(guī)劃模型,如圖7所示。

        由圖7可知,模糊速度規(guī)劃模型明顯存在加速度平面不平滑的現(xiàn)象,容易導(dǎo)致自動駕駛車輛因頓挫感帶來的舒適性差的問題。為此,本文將模糊速度規(guī)劃模型的模糊規(guī)則轉(zhuǎn)化為輸入輸出樣本集合,利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的功能,離線修正規(guī)劃模型。

        Table 2 Fuzzy rule table A in static obstacle scenes表2 遇靜態(tài)障礙物場景的模糊規(guī)則表A

        將車速集合v和距離集合d中的元素組合,形成由108個樣本構(gòu)成的輸入樣本集合,如式(13)所示:

        Figure 7 Fuzzy planning model in static obstacle scenes圖7 遇靜態(tài)障礙物場景的模糊規(guī)劃模型

        P={[vi,dj]|vi∈v,dj∈d,

        i=1,2,…,12;j=1,2,…,9}

        (13)

        根據(jù)模糊規(guī)則表查找相對應(yīng)的加速度aij,形成由108個元素構(gòu)成的輸出樣本集合,如式(14)所示:

        T={aij|i=1,2,…,12;j=1,2,…,9}

        (14)

        由此可得,遇靜態(tài)障礙物場景模糊規(guī)劃模型的樣本集合如表3所示。

        對于任意元素vi∈v,dj∈d,按照式(15)對輸出加速度樣本進(jìn)行檢驗(yàn),以滿足安全性能:

        (15)

        對輸入輸出樣本集合對[P,T]中的每一個樣本[vi,dj,aij],按式(16)進(jìn)行歸一化處理,獲得歸一化后的輸入輸出樣本集合對[P′,T′]。

        Table 3 Sample set T in static obstacle scenes表3 遇靜態(tài)障礙物場景的樣本集合T

        (16)

        建立3層神經(jīng)網(wǎng)絡(luò)模型,以輸入輸出樣本集合對[P′,T′]作為訓(xùn)練樣本,離線訓(xùn)練神經(jīng)網(wǎng)絡(luò),獲得神經(jīng)網(wǎng)絡(luò)的權(quán)值向量和偏置向量。最后,以訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為速度規(guī)劃模型,以自動駕駛車輛實(shí)時(shí)車速、到靜止障礙物的距離作為神經(jīng)網(wǎng)絡(luò)規(guī)劃模型的輸入,在線計(jì)算加速度。圖8為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)規(guī)劃模型,可知該速度規(guī)劃模型相比于模糊規(guī)劃模型,加速度平面更加光滑,因此能夠提高自動駕駛的舒適性。

        Figure 8 Fuzzy neural network planning model in static obstacle scenes圖8 遇靜態(tài)障礙物場景的模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型

        3.3 動態(tài)障礙物速度規(guī)劃模型

        對于遇動態(tài)障礙物的場景,速度規(guī)劃的目標(biāo)是規(guī)劃出實(shí)時(shí)加速度,使自動駕駛車輛跟隨障礙物,并保持較穩(wěn)定的安全距離。在該場景中,速度狀態(tài)量有障礙物速度vO和自車速度vS,距離狀態(tài)量為自動駕駛車輛到障礙物的距離d。為減少規(guī)劃模型的維度,將輸入狀態(tài)量定義為相對速度Δv=vS-vO(單位為m/s)和時(shí)距τ=d/vS(單位為s)。確定相對速度為[-7,7],單位為m/s,時(shí)距為[0,6],單位為s。跟車時(shí)距設(shè)定為τset=2.5 s。分別定義相對速度、時(shí)距和期望加速度的模糊語言集合為:V={V1,V2,…,V9},D={D1,D2,…,D10},A={A1,A2,…,A14},其對應(yīng)的隸屬度函數(shù)如圖9所示。

        Figure 9 Membership functions of all variables when encountering dynamic obstacles圖9 遇動態(tài)障礙物時(shí)各變量的隸屬度函數(shù)

        根據(jù)人工駕駛經(jīng)驗(yàn),建立速度規(guī)劃的模糊規(guī)則表如表4所示。確定語言變量最大隸屬度對應(yīng)的實(shí)數(shù)值集合分別為:

        Δv={-7,-5,-3,-1,0,1,3,5,7},

        τ={0.25,0.5,1,1.5,2,2.5,3,4,5,6},

        a={-5,-4,-3,-2,-1.5,-1,-0.5,0,0.5,1,1.5,2,3,4}。

        Table 4 Fuzzy rule table in dynamic obstacle scenes表4 遇動態(tài)障礙物場景的模糊規(guī)則表

        提取每個模糊規(guī)則并轉(zhuǎn)換為如表5所示的模糊規(guī)劃模型的樣本集合。以相對速度和時(shí)距作為輸入,以加速度作為輸出,則模糊規(guī)劃模型如圖10所示。同樣地,將遇動態(tài)障礙物場景的模糊規(guī)劃模型的規(guī)則轉(zhuǎn)化為輸入輸出樣本集合對,利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的性能,離線修正模糊規(guī)劃模型,修正后的模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型如圖11所示。

        最后將模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型作為遇動態(tài)障礙物場景的速度規(guī)劃模型,在線計(jì)算加速度。

        4 仿真研究

        仿真研究基于Matlab/Simulink展開,通過Matlab神經(jīng)網(wǎng)絡(luò)工具箱離線訓(xùn)練獲得網(wǎng)絡(luò)模型參數(shù),在Simulink中建立速度規(guī)劃仿真模型。

        Table 5 Sample set a in dynamic obstacle scenes表5 遇動態(tài)障礙物場景的樣本集合a

        Figure 10 Fuzzy planning model in dynamic obstacle scenes圖10 遇動態(tài)障礙物場景的模糊規(guī)劃模型

        Figure 11 Fuzzy neural network planning model in dynamic obstacle scenes圖11 遇動態(tài)障礙物場景的模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型

        4.1 遇靜態(tài)障礙物場景仿真

        遇靜態(tài)障礙物場景,障礙物位于前方100 m處,自動駕駛車輛分別以20 m/s,15 m/s和10 m/s的初始速度開始駛向障礙物,測試車輛能否平滑降速。仿真結(jié)果如圖12所示。

        Figure 12 Decelerating test in static obstacle scenes圖12 遇靜態(tài)障礙物減速停車測試

        由仿真結(jié)果可知,當(dāng)自動駕駛車輛與障礙物距離小于6 s時(shí)距時(shí),速度規(guī)劃模塊根據(jù)自車車速和到障礙物的距離計(jì)算輸出減速度,車輛開始制動減速。結(jié)果表明,在不同的初始車速下,自動駕駛車輛都能夠規(guī)劃出連續(xù)平滑的減速度,實(shí)現(xiàn)車輛平穩(wěn)降速。

        本節(jié)分別采用模糊規(guī)劃模型和模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型進(jìn)行了對比實(shí)驗(yàn)。障礙物位于前方100 m處,自動駕駛車輛以15 m/s的初始速度開始減速,測試不同模型的性能。仿真結(jié)果如圖13所示

        Figure 13 Comparison test in static obstacle scenes圖13 遇靜態(tài)障礙物場景對比測試

        相比于模糊規(guī)劃模型,基于模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型生成的加速度曲線更加平滑,因而舒適性能更優(yōu)。

        考慮到自動駕駛系統(tǒng)中存在的各類擾動,如測量誤差、執(zhí)行誤差和執(zhí)行延時(shí)等,根據(jù)實(shí)際情況,本節(jié)在仿真系統(tǒng)中增加了擾動因素,以測試模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃方法的抗干擾性能。

        仿真實(shí)驗(yàn)?zāi)M的場景為:障礙物位于前方100 m處,自動駕駛車輛以15 m/s的初始速度開始減速。干擾因素為:速度測量加入了±1.5 m/s以內(nèi)的隨機(jī)誤差,對距離測量加入了± 2 m以內(nèi)的隨機(jī)誤差,執(zhí)行系統(tǒng)的響應(yīng)延時(shí)為0.5 s,制動系統(tǒng)的執(zhí)行誤差為±10%。仿真結(jié)果如圖14所示,結(jié)果表明,在各類干擾因素影響下,車輛仍能保持平滑降速,規(guī)劃的減速度僅在小范圍內(nèi)波動。

        Figure 14 Anti-interference test in static obstacle scenes圖14 遇靜態(tài)障礙物場景抗干擾測試

        以上仿真結(jié)果表明,基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃模型,能夠規(guī)劃出較為連續(xù)平滑的加速度,有助于提升自動駕駛車輛在遇到靜態(tài)障礙物時(shí)制動減速的舒適性。相比于模糊規(guī)劃模型,其降速過程更加平穩(wěn),且具有一定的抗干擾能力,適應(yīng)性強(qiáng)。

        4.2 遇動態(tài)障礙物場景仿真

        遇動態(tài)障礙物場景,前方車輛作為動態(tài)障礙物,且車速度隨時(shí)間動態(tài)變化。自動駕駛車輛初始車速為15 m/s,到前車的初始距離為30 m,目標(biāo)時(shí)距為2.5 s。本節(jié)分別進(jìn)行了2類模擬測試:自動駕駛車輛跟隨前車減速和自動駕駛車輛跟隨前車連續(xù)變化。

        對于自動駕駛車輛跟隨前車減速的場景,假設(shè)前車從25 m/s恒速行駛,以-1.5 m/s2的減速度減速到10 m/s后保持恒速行駛;對于自動駕駛車輛跟隨前車連續(xù)變化的場景,假設(shè)前車車速隨時(shí)間以正弦函數(shù)變化。在上述2種場景中,測試自動駕駛車輛的跟車性能,仿真結(jié)果分別如圖15和圖16所示。結(jié)果表明,前車恒速行駛時(shí)(圖15,0~40 s),模糊神經(jīng)網(wǎng)絡(luò)模型能夠規(guī)劃連續(xù)平滑的加速度,使自動駕駛車輛保持與前車的2.5 s的跟車時(shí)距;前車從第1種恒速變化到第2種恒速運(yùn)行時(shí)(圖15,40~100 s),自動駕駛車輛能夠迅速響應(yīng)前車的變化,并達(dá)到穩(wěn)定跟車;當(dāng)前車連續(xù)變化時(shí)(圖16),自動駕駛車輛能夠較好地響應(yīng)前車車速變化,跟車時(shí)距保持在2.5~3.0 s的合理安全范圍內(nèi)。

        Figure 15 Test of slowing down with object vehicle圖15 跟隨前車減速測試

        Figure 16 Test of varying with object vehicle圖16 跟隨前車連續(xù)變化測試

        本節(jié)分別采用模糊規(guī)劃模型和模糊神經(jīng)網(wǎng)絡(luò)規(guī)劃模型進(jìn)行了對比實(shí)驗(yàn),前車速度隨時(shí)間以正弦函數(shù)變化,以測試不同模型的性能。仿真結(jié)果如圖17所示,采用基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃模型生成的加速度曲線更加平滑,因而舒適性能更優(yōu)。

        Figure 17 Comparison test in dynamic obstacle scenes圖17 遇動態(tài)障礙物場景對比測試

        同樣地,為檢驗(yàn)?zāi):窠?jīng)網(wǎng)絡(luò)速度規(guī)劃方法的抗干擾性能,本節(jié)對自動駕駛系統(tǒng)加入干擾因素。對速度測量加入了±1.5 m/s以內(nèi)的隨機(jī)誤差,對距離測量加入了± 2 m以內(nèi)的隨機(jī)誤差,執(zhí)行系統(tǒng)的響應(yīng)延時(shí)為0.5 s,制動系統(tǒng)的執(zhí)行誤差為±10%。仿真結(jié)果如圖18所示。結(jié)果表明,自動駕駛車輛仍能保持較為穩(wěn)定的跟車,加速度僅在小范圍內(nèi)波動。與圖16(無干擾情況)相比,跟車時(shí)距在第10 s有明顯的上升,主要原因是執(zhí)行系統(tǒng)的響應(yīng)延時(shí)干擾,加速或減速的時(shí)延造成車距急劇增大或減小。

        Figure 18 Anti-interference test in dynamic obstacle scenes圖18 遇動態(tài)障礙物場景抗干擾測試

        以上仿真結(jié)果表明,基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃模型,能夠規(guī)劃出連續(xù)平滑的加速度,實(shí)現(xiàn)自動駕駛車輛在遇到動態(tài)障礙物時(shí),較好地跟隨動態(tài)障礙物的變化,保持合理的跟車時(shí)距。相比于模糊規(guī)劃模型,其舒適性能更優(yōu),且具有一定的抗干擾能力,適應(yīng)性強(qiáng)。

        5 結(jié)束語

        本文將自動駕駛場景歸納為遇靜態(tài)障礙物場景和遇動態(tài)障礙物場景,提出了基于模糊神經(jīng)網(wǎng)絡(luò)的速度規(guī)劃方法,相比于傳統(tǒng)的速度規(guī)劃方法,本文所提出的速度規(guī)劃方法的突出優(yōu)點(diǎn)在于僅需簡單的在線計(jì)算,因而計(jì)算時(shí)耗極低、工程實(shí)現(xiàn)簡單,有助于提升自動駕駛系統(tǒng)的穩(wěn)定性。同時(shí),仿真研究結(jié)果表明本文速度規(guī)劃方法提升了駕駛的舒適性,具有一定的抗干擾能力,適應(yīng)性強(qiáng)。

        在后續(xù)的研究中,將會基于模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃方法,對其它常見場景設(shè)計(jì)相應(yīng)的速度規(guī)劃模型并檢驗(yàn)其適用性。同時(shí),模糊神經(jīng)網(wǎng)絡(luò)速度規(guī)劃方法在自動駕駛實(shí)車上的測試驗(yàn)證也將是下一步的研究工作。

        猜你喜歡
        規(guī)劃模型
        一半模型
        重要模型『一線三等角』
        發(fā)揮人大在五年規(guī)劃編制中的積極作用
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        規(guī)劃引領(lǐng)把握未來
        快遞業(yè)十三五規(guī)劃發(fā)布
        商周刊(2017年5期)2017-08-22 03:35:26
        多管齊下落實(shí)規(guī)劃
        十三五規(guī)劃
        華東科技(2016年10期)2016-11-11 06:17:41
        3D打印中的模型分割與打包
        迎接“十三五”規(guī)劃
        国产亚洲蜜芽精品久久| 中文字幕av伊人av无码av| 最新国产福利在线观看精品| 国产精品后入内射日本在线观看| 中文字幕无码高清一区二区三区 | 中文天堂国产最新| 久久精品国产亚洲av成人| 亚洲色偷偷偷综合网另类小说| 国产激情综合五月久久| 乱码av麻豆丝袜熟女系列| 人人妻人人澡av天堂香蕉| 亚洲中文字幕精品一区二区| 国产在线观看午夜视频| 亚洲婷婷五月综合狠狠爱| 男人无码视频在线观看| 青青草视频原手机在线观看| 久久国产成人午夜av免费影院| 中文字幕无码毛片免费看 | 全亚洲最大的私人影剧院在线看| 国内精品久久久人妻中文字幕| 一个人看的www免费视频中文 | 丰满少妇av一区二区三区| 美女扒开屁股让男人桶| 欧美日本国产va高清cabal| 男人天堂AV在线麻豆| 水蜜桃男女视频在线观看网站| 亚洲av永久无码精品网站在线观看 | 欧美日韩久久久精品a片| 熟女少妇av免费观看| 亚洲av熟女一区二区三区站| 消息称老熟妇乱视频一区二区| 国产中文aⅴ在线| 国产av自拍在线观看| 久久午夜福利无码1000合集 | 最新日本久久中文字幕| 五月av综合av国产av| 国产人妖视频一区二区| 毛片av中文字幕一区二区| 婷婷久久国产综合精品| 中文字幕日本特黄aa毛片| 国产人成无码视频在线1000|