黄色精选免费福利网站大全_免费∨A网站在线_亚洲高清在线无码视频_一级欧美牲交大片免费观看_中文字幕人妻无码毛片_佐佐木明希哺乳652AV_免费无码又爽又刺激十八禁_av在线免费观看网址_影视乱伦亚洲国产_成人毛片十八女人毛片视频,国产成人愉拍精品,成人午夜看黄在线尤物成人,美女的奶头被男生吃爆乳

首頁(yè) / 資訊 / 正文

易控智駕I無(wú)人駕駛決策規(guī)劃

易控智駕 評(píng)論 2020-08-05

作者:臻忻

引導(dǎo)語(yǔ):決策規(guī)劃是無(wú)人駕駛的關(guān)鍵部分,。

智能汽車( Intelligent ?Vehicles) 是智能交通系統(tǒng)( ?Intelligent Transportation Systems) 的重要組成部分,。智能汽車根據(jù)傳感器輸入的各種參數(shù)等生成期望的路徑,,并將相應(yīng)的控制量提供給后續(xù)的控制器,。所以決策規(guī)劃是一項(xiàng)重要的研究?jī)?nèi)容,,決定了車輛在行駛過(guò)程中車輛能否順暢,、準(zhǔn)確得完成各種駕駛行為,。


?


決策規(guī)劃是無(wú)人駕駛的關(guān)鍵部分之一,,它首先融合多傳感信息, 然后根據(jù)駕駛需求進(jìn)行任務(wù)決策,,接著在能避開可能存在的障礙物前提下,,通過(guò)一些特定的約束條件,規(guī)劃出兩點(diǎn)間多條可選安全路徑和,,并在這些路徑中選取一條最優(yōu)的路徑作為車輛行駛軌跡,。決策規(guī)劃按照劃分的面不同可分為全局規(guī)劃和局部規(guī)劃兩種。全局規(guī)劃是由獲取到的地圖信息,,規(guī)劃出一條在一些特定條件下的無(wú)碰撞最優(yōu)路徑,;局部規(guī)劃則是根據(jù)全局規(guī)劃,在一些局部環(huán)境信息基礎(chǔ)上,,能避免撞上未知的障礙物,,最終到達(dá)目標(biāo)點(diǎn)的過(guò)程。

軌跡規(guī)劃是智能汽車自主駕駛行為必須涉及到的一項(xiàng)研究,,由于道路環(huán)境非常復(fù)雜,,車輛系統(tǒng)本身是非完整系統(tǒng),使得智能汽車在行駛過(guò)程中的運(yùn)動(dòng)軌跡規(guī)劃問(wèn)題變得復(fù)雜,。傳統(tǒng)的路徑規(guī)劃方法僅僅考慮了地形空間的幾何約束,,忽略了車輛的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)特性,因而規(guī)劃結(jié)果不一定是可行的,,運(yùn)動(dòng)控制系統(tǒng)無(wú)法使得車輛準(zhǔn)確得跟蹤規(guī)劃軌跡,。近年來(lái),國(guó)內(nèi)外智能汽車的運(yùn)動(dòng)軌跡規(guī)劃方法有了很大的改進(jìn),,這些方法最大的改進(jìn)就是考慮車輛實(shí)際行駛的環(huán)境條件并根據(jù)控制系統(tǒng)的需要,,以生成最優(yōu)的參考軌跡[20]。

軌跡規(guī)劃技術(shù)概述:路徑規(guī)劃問(wèn)題最早出現(xiàn)在 20 世紀(jì) 60 年代末的人工智能機(jī)器人領(lǐng)域,,特指考慮移動(dòng)主體和障礙物之間的幾何關(guān)系,,找到一條不發(fā)生碰撞的靜態(tài)路徑,通常表示輪式移動(dòng)機(jī)器人在笛卡爾坐標(biāo)下位置和姿態(tài)的關(guān)系[21],。運(yùn)動(dòng)軌跡規(guī)劃是在靜態(tài)路徑規(guī)劃的基礎(chǔ)上考慮時(shí)間因素和車輛的運(yùn)動(dòng)學(xué),、動(dòng)力學(xué)約束條件,并根據(jù)車輛當(dāng)前的位姿以及傳感器收集到周圍環(huán)境的狀態(tài)信息,,考慮智能汽車的內(nèi)在約束條件( 如非完整約束) 和車輛的運(yùn)動(dòng)學(xué),、動(dòng)力學(xué)約束條件對(duì)軌跡生成的影響,規(guī)劃出可行的參考軌跡[22],。最后將軌跡以控制量的方式供給到后續(xù)的控制系統(tǒng),,使得車輛可以沿著相應(yīng)的軌跡行駛,避免碰撞,。


一,、決策規(guī)劃技術(shù)結(jié)構(gòu)體系

決策規(guī)劃層是自主駕駛系統(tǒng)智能性的直接體現(xiàn),,對(duì)車輛的行駛安全性和整車性能起著決定性作用,以谷歌和斯坦福等為代表的眾多企業(yè)和高校做出了大量研究,。常見的決策規(guī)劃體系結(jié)構(gòu)有分層遞階式,、反應(yīng)式以及二者是混合式。

1.1,、分層遞階式體系結(jié)構(gòu)

分層遞階式體系結(jié)構(gòu)是一個(gè)串聯(lián)系統(tǒng)結(jié)構(gòu),,如下圖所示。在該結(jié)構(gòu)中,,智能駕駛系統(tǒng)的各模塊之間次序分明,,上一個(gè)模塊的輸出即為下一個(gè)模塊的輸入,因此又稱為“感知-規(guī)劃-行動(dòng)”結(jié)構(gòu),。當(dāng)給定目標(biāo)和約束條件后,,規(guī)劃決策就根據(jù)即時(shí)建立的局部環(huán)境模型和已有的全局環(huán)境模型決定出下一步的行動(dòng),進(jìn)而依次完成整個(gè)任務(wù),。


?決策規(guī)劃-分層遞階式體系結(jié)構(gòu)

由于該結(jié)構(gòu)對(duì)任務(wù)進(jìn)行了自上而下的分解,,從而使得每個(gè)模塊的工作范圍逐層縮小,對(duì)問(wèn)題的求解精度也就相應(yīng)的逐層提高,,具備良好的規(guī)劃推理能力,,容易實(shí)現(xiàn)高層次的智能控制。但是也存在一些缺點(diǎn):(1)它對(duì)全局環(huán)境模型的要求比較理想化,,全局環(huán)境模型的建立是根據(jù)地圖數(shù)據(jù)庫(kù)先驗(yàn)信息和傳感器模型的實(shí)時(shí)構(gòu)造信息,,所以它對(duì)傳感器提出了很高的要求,與此同時(shí),,存在的計(jì)算瓶頸問(wèn)題也不容忽視,,從環(huán)境感知模塊到執(zhí)行模塊,中間存在著延遲,,缺乏實(shí)時(shí)性和靈活性;(2)分層遞階式體系結(jié)構(gòu)的可靠性不高,,一旦其中某個(gè)模塊出現(xiàn)軟件或者硬件上的故障,,信息流和控制流的傳遞通道就受到了影響,整個(gè)系統(tǒng)很有可能發(fā)生崩潰而處于癱瘓狀態(tài),。


1.2,、反應(yīng)式體系結(jié)構(gòu)

與分層遞階式體系結(jié)構(gòu)不同,反應(yīng)式體系采用并聯(lián)結(jié)構(gòu),,如圖 3-2 所示,,每個(gè)控制層可以直接基于傳感器的輸入進(jìn)行決策,因而它所產(chǎn)生的動(dòng)作是傳感器數(shù)據(jù)直接作用的結(jié)果,,可突出“感知-動(dòng)作”的特點(diǎn),,易于適應(yīng)完全陌生的環(huán)境,。其中,基于行為的反應(yīng)式體系結(jié)構(gòu)是反應(yīng)式體系中最常用的結(jié)構(gòu),。反應(yīng)式結(jié)構(gòu)最早于 1986 年由 Brooks,, 并成功應(yīng)用于移動(dòng)機(jī)器人[24]。其主要特點(diǎn)是存在著多個(gè)并行的控制回路,,針對(duì)各個(gè)局部目標(biāo)設(shè)計(jì)對(duì)應(yīng)的基本行為,,這些行為通過(guò)協(xié)調(diào)配合后作用于驅(qū)動(dòng)裝置,產(chǎn)生有目的的動(dòng)作,,形成各種不同層次的能力,。雖然高層次會(huì)對(duì)低層次產(chǎn)生影響,但是低層次本身具有獨(dú)立控制系統(tǒng)運(yùn)動(dòng)的功能,,而不必等高層次處理完畢,。




反應(yīng)式體系結(jié)構(gòu)中的許多行為主要設(shè)計(jì)成一個(gè)簡(jiǎn)單的特殊任務(wù), 所以感知,、規(guī)劃和控制三者可緊密地集成在一塊,,占用的存儲(chǔ)空間不大,因而可以產(chǎn)生快速的響應(yīng),,實(shí)時(shí)性強(qiáng),。同時(shí),每一層只需負(fù)責(zé)系統(tǒng)的某一個(gè)行為,,整個(gè)系統(tǒng)可以方便靈活的實(shí)現(xiàn)低層次到高層次的過(guò)渡,,而且如若其中一層的模塊出現(xiàn)了預(yù)料之外的故障,剩下的層次仍能產(chǎn)生有意義的動(dòng)作,,系統(tǒng)的魯棒性得到了很大的提高,。但是設(shè)計(jì)方面也存在一些難點(diǎn):(1)由于系統(tǒng)執(zhí)行動(dòng)作的靈活性,需要特定的協(xié)調(diào)機(jī)制來(lái)解決各個(gè)控制回路對(duì)同一執(zhí)行機(jī)構(gòu)爭(zhēng)奪控制的沖突,,以便得到有意義的結(jié)果,;(2)除此之外,隨著任務(wù)復(fù)雜程度以及各種行為之間交互作用的增加,,預(yù)測(cè)一個(gè)體系整體行為的難度將會(huì)增大,,缺乏較高等級(jí)的智能。

1.3,、混合式體系結(jié)構(gòu)

分層遞階式體系結(jié)構(gòu)和反應(yīng)式體系結(jié)構(gòu)各有優(yōu)劣,,都難以單獨(dú)滿足行駛環(huán)境復(fù)雜多變時(shí)的使用需求,所以越來(lái)越多的行業(yè)人士開始研究混合式體系結(jié)構(gòu),,將兩者的優(yōu)點(diǎn)進(jìn)行有效的結(jié)合在全局規(guī)劃層次上,,則生成面向目標(biāo)定義的分層遞階式行為;在局部規(guī)劃層次上,,生成面向目標(biāo)搜索的反應(yīng)式體系的行為分解,。

車輛駕駛決策技術(shù)是實(shí)現(xiàn)自主駕駛的核心,,不良駕駛決策將影響 ?車輛自身安全、節(jié)能和舒適性,,并造成外部交通流效率降低,。國(guó)內(nèi)外學(xué)者在基于環(huán)境信息、車輛狀態(tài)等方面的車輛智能駕駛決策方法已取得了一些成果,,能夠在一定程度上滿足復(fù)雜,、動(dòng)態(tài)的實(shí)際交通場(chǎng)景。




智能駕駛決策規(guī)劃系統(tǒng)的開發(fā)和集成基于遞階系統(tǒng)的層次性特征,,可分為四個(gè)關(guān)鍵環(huán)節(jié),,分別是信息融合、任務(wù)決策,、軌跡規(guī)劃和異常處理,。其中,信息融合,,完成多傳感器的數(shù)據(jù)關(guān)聯(lián)和融合建立周邊環(huán)境模型,;任務(wù)決策,完成智能汽車的全局路徑規(guī)劃任務(wù),;軌跡規(guī)劃,,在不同的局部環(huán)境下,進(jìn)行智能駕駛車輛的運(yùn)動(dòng)軌跡狀態(tài)規(guī)劃,; 異常處理,,負(fù)責(zé)智能汽車的故障預(yù)警和預(yù)留安全機(jī)制。任務(wù)決策和軌


跡規(guī)劃分別對(duì)智能性和實(shí)時(shí)性要求較高,。

3.1.1?傳感信息融合

傳感信息融合是將多個(gè)傳感器的輸出信息統(tǒng)一在車輛坐標(biāo)系下,, 建立具有時(shí)間標(biāo)記的數(shù)據(jù)關(guān)聯(lián)和融合,以保證場(chǎng)景數(shù)據(jù)信息的連貫性和適用性,。

智能駕駛汽車在環(huán)境感知方面,,通常會(huì)使用到多種傳感器來(lái)進(jìn)行行駛環(huán)境數(shù)據(jù)的采集與分析,分為環(huán)境傳感器如單目攝像頭,、立體攝像頭,、毫米波雷達(dá)、激光雷達(dá),、超聲波傳感器、紅外傳感器等,,定位導(dǎo)航設(shè)備如GPS 和北斗等,,以及 V2X 車聯(lián)網(wǎng)通信設(shè)備三種信息來(lái)源。智能汽車在復(fù)雜多變的路況下行進(jìn)時(shí),,對(duì)周圍信息的不確定性會(huì)使之處于危險(xiǎn)之下,,尤其是僅依賴于單一的環(huán)境傳感器時(shí),。因此,使用多傳感器對(duì)周圍環(huán)境進(jìn)行檢測(cè),,利用數(shù)據(jù)融合,,可以充分準(zhǔn)確地描述目標(biāo)物體的特征,并且減少二義性,,提高智能駕駛汽車決策的準(zhǔn)確性與魯棒性,。

數(shù)據(jù)融合技術(shù)可以認(rèn)為是一種解決問(wèn)題的工具,它包括對(duì)融合單元的理解以及對(duì)融合架構(gòu)的設(shè)計(jì)兩個(gè)方面,。融合單元是指每一次數(shù)據(jù)處理到輸出給決策層的整個(gè)部分,,而融合架構(gòu)則是進(jìn)行數(shù)據(jù)融合的框架與模式。一個(gè)數(shù)據(jù)融合架構(gòu)至少需要包括負(fù)責(zé)采集外部信息的感知框架,,即傳感器管理框架,,以及負(fù)責(zé)數(shù)據(jù)處理的模型管理框架。其中,,模型管理具體涉及數(shù)據(jù)匹配,、數(shù)據(jù)關(guān)聯(lián)、融合決策等部分,。

數(shù)據(jù)融合具體技術(shù)中包括數(shù)據(jù)轉(zhuǎn)換,、數(shù)據(jù)關(guān)聯(lián)、融合計(jì)算等,,其中數(shù)據(jù)轉(zhuǎn)換與數(shù)據(jù)關(guān)聯(lián)在融合架構(gòu)的實(shí)現(xiàn)中已經(jīng)體現(xiàn),,而數(shù)據(jù)融合的核心可以認(rèn)為是融合計(jì)算,其中有很多可選擇的方法,,常用的方法包括:加權(quán)平均,,卡爾曼濾波,貝葉斯估計(jì),,統(tǒng)計(jì)決策理論,,證據(jù)理論,熵理論,,模糊推理,,神經(jīng)網(wǎng)絡(luò)以及產(chǎn)生式規(guī)則等等。


3.1.2?任務(wù)決策


任務(wù)決策作為智能駕駛的智能核心部分,,接收到傳感感知融合信息,,通過(guò)智能算法學(xué)習(xí)外界場(chǎng)景信息,從全局的角度規(guī)劃具體行駛?cè)蝿?wù),,從而實(shí)現(xiàn)智能車輛擬人化控制融入整個(gè)交通流,。智能駕駛中任務(wù)規(guī)劃結(jié)構(gòu)如圖 3-4 所示,描述了道路,、車道和行駛?cè)?jí)任務(wù)分工,,在道路級(jí)進(jìn)行全局的任務(wù)規(guī)劃,,在車道級(jí)根據(jù)周邊交通狀況規(guī)劃運(yùn)動(dòng)軌跡,行駛時(shí)根據(jù)前后車進(jìn)行運(yùn)動(dòng)智能控制,。交通流的復(fù)雜度借助信息傳遞影響規(guī)劃任務(wù)的復(fù)雜程度,,進(jìn)而決定智能駕駛動(dòng)作。不斷實(shí)時(shí)的監(jiān)督車輛運(yùn)動(dòng)狀態(tài)和周圍環(huán)境信息,,當(dāng)探測(cè)到當(dāng)前道路阻塞時(shí),,要求重新規(guī)劃任務(wù),并做分解調(diào)整,。



3.1.3?軌跡規(guī)劃

圖 3-4 智能駕駛中任務(wù)規(guī)劃結(jié)構(gòu)


軌跡規(guī)劃是根據(jù)局部環(huán)境信息,、上層決策任務(wù)和車身實(shí)時(shí)位姿信息,在滿足一定的運(yùn)動(dòng)學(xué)約束下,,為提升智能汽車安全,、高效和舒適性能,規(guī)劃決斷出局部空間和時(shí)間內(nèi)容車輛期望的運(yùn)動(dòng)軌跡,,包括行駛軌跡,、速度、方向和狀態(tài)等[28],。并將規(guī)劃輸出的期望車速以及可行駛軌跡等信息給入下層車輛控制執(zhí)行系統(tǒng),。軌跡規(guī)劃層應(yīng)能對(duì)任務(wù)決策層產(chǎn)生的各種任務(wù)分解做出合理規(guī)劃。規(guī)劃結(jié)果的安全性,、舒適性是衡量運(yùn)動(dòng)規(guī)劃層性能的重要指標(biāo),。


3.1.4?異常處理

異常處理作為預(yù)留的智能駕駛系統(tǒng)安全保障機(jī)制,一方面是在遇 到不平及復(fù)雜路面易造成車輛機(jī)械部件松動(dòng),、傳感部件失效等問(wèn)題時(shí),,通過(guò)預(yù)警和容錯(cuò)控制維持車輛安全運(yùn)行;另一方面是決策過(guò)程某些算法參數(shù)設(shè)置不合理,、推理規(guī)則不完備等原因?qū)е轮悄芷囋谛袨閯?dòng)作中重復(fù)出現(xiàn)某些錯(cuò)誤并陷入死循時(shí),,能夠建立錯(cuò)誤修復(fù)機(jī)制使智能汽車自主的跳出錯(cuò)誤死循環(huán),朝著完成既定任務(wù)的方向繼續(xù)前進(jìn),,以減少人工干預(yù)來(lái)解決問(wèn)題,,這是提高車輛智能化水平的必需。

異常處理采用降低系統(tǒng)復(fù)雜性的原則,,在程序正常運(yùn)行使智能汽 車陷入重復(fù)錯(cuò)誤死循環(huán)時(shí),,進(jìn)入錯(cuò)誤修復(fù)狀態(tài),利用自適應(yīng)錯(cuò)誤修復(fù)算法產(chǎn)生新的動(dòng)作序列直至智能汽車成功跳出錯(cuò)誤死循環(huán)方轉(zhuǎn)入程序正常運(yùn)行狀態(tài),。具體的技術(shù)方法是:建立專家系統(tǒng),,就智能汽車交叉口通行中出現(xiàn)的錯(cuò)誤狀態(tài)的表現(xiàn)與成因進(jìn)行分析、定義與規(guī)則描述,制定判斷動(dòng)作失敗的標(biāo)準(zhǔn),;研究自適應(yīng)錯(cuò)誤修復(fù)算法,對(duì)各錯(cuò)誤狀態(tài)的成因進(jìn)行分類,,并相應(yīng)地制定調(diào)整策略,,以產(chǎn)生新的動(dòng)作序列。

3.4?決策規(guī)劃技術(shù)方法

決策規(guī)劃是智能汽車導(dǎo)航和控制的基礎(chǔ),,從軌跡決策的角度考慮的,,可分為全局規(guī)劃和局部規(guī)劃兩個(gè)層次。其中,,全局路徑規(guī)劃的任務(wù)是根據(jù)全局地圖數(shù)據(jù)庫(kù)信息規(guī)劃出自起始點(diǎn)至目標(biāo)點(diǎn)的一條無(wú)碰撞,、可通過(guò)的路徑。由于全局路徑規(guī)劃所生成的路徑只能是從起始點(diǎn)到目標(biāo)點(diǎn)的粗略路徑,,并沒有考慮路徑的方向,、寬度、曲率,、道路交叉以及路障等細(xì)節(jié)信息,,加之智能汽車在行駛過(guò)程中受局部環(huán)境和自身狀態(tài)的不確定性的影響,會(huì)遇到各種不可測(cè)的情況,。因此,,在智能汽車的行駛過(guò)程中,必須以局部環(huán)境信息和自身狀態(tài)信息為基礎(chǔ),,規(guī)劃出一段無(wú)碰撞的理想局部路徑,,這就是局部路徑規(guī)劃[29]


3.4.1?全局規(guī)劃方法

(1)?基于狀態(tài)空間的最優(yōu)控制軌跡規(guī)劃方法

在狀態(tài)空間進(jìn)行軌跡規(guī)劃的方法主要有最優(yōu)控制方法,。最優(yōu)控制 方法是指通過(guò)最優(yōu)控制理論找到可行的控制量 u*(t) ,,使得系統(tǒng)x(t) =f(x(t),u(t),t)能夠沿著可行軌跡 x*(t) 行駛,該軌跡能夠使得評(píng)價(jià)

函數(shù) J最小[30],。將評(píng)價(jià)函數(shù)和系統(tǒng)的狀態(tài)方程聯(lián)系起來(lái),,只有系統(tǒng)狀態(tài)方程的約束條件滿足,評(píng)價(jià)函數(shù)才能置零,,求得可行的軌跡 x*(t),。最優(yōu)控制一般包括一到兩個(gè)性能指標(biāo),對(duì)于控制變量的取值不受約束的情況,,一般用變分法進(jìn)行求解,;對(duì)于控制量受約束的情況,一般用

極小值原理進(jìn)行求解,。由于在最優(yōu)控制方法中考慮時(shí)間的因素,,因此,生成的最優(yōu)軌線是軌跡而不是路徑,軌跡具有曲率連續(xù)的優(yōu)點(diǎn),,且生成的軌跡中包括和時(shí)間相關(guān)的速度,、加速度等軌跡特征值。對(duì)于終端時(shí)間自由問(wèn)題的求解一般采用邊界值問(wèn)題求解方法 BVP(Boundary ValueProblem),,這種求解方法需要對(duì)問(wèn)題的解有初始估計(jì)值,,如果初始估計(jì)值和結(jié)果數(shù)值相差較大會(huì)影響最終對(duì)問(wèn)題的求解精度,同時(shí)為了容易求解,,評(píng)價(jià)函數(shù)一般只包括一到兩個(gè)評(píng)價(jià)指標(biāo),,多個(gè)評(píng)價(jià)指標(biāo)會(huì)使得問(wèn)題的求解變得復(fù)雜。這就需要新的數(shù)值算法和最優(yōu)控制求解方法相結(jié)合,,以完成復(fù)雜問(wèn)題的求解,,使得最優(yōu)控制方法能夠更好得在軌跡規(guī)劃中進(jìn)行應(yīng)用。

(2)?基于參數(shù)化曲線的軌跡規(guī)劃方法

B樣條曲線由一組稱作控制點(diǎn)的向量來(lái)確定,,這些控制點(diǎn)按順序連接形成一個(gè)控制多邊形,,B 樣條曲線就是逼近這個(gè)控制多邊形。通過(guò)確定控制點(diǎn)的位置,,可以控制曲線的形狀,。由于 B 樣條曲線具有曲率連續(xù)的優(yōu)點(diǎn),在相鄰曲線段的節(jié)點(diǎn)處曲率也是連續(xù)的,,且具有局部支撐性等特點(diǎn),,如果軌跡局部的約束條件不滿足,可以通過(guò)調(diào)整相


應(yīng)控制點(diǎn)的方法來(lái)對(duì)軌跡進(jìn)行修正,,而不影響其它的軌跡段,,具有應(yīng) ?用性強(qiáng)的特點(diǎn)。b樣條曲線是對(duì) B樣條曲線的推廣和發(fā)展,,且具有 B 樣條曲線的若干性質(zhì),,

在此基礎(chǔ)上還有基于多項(xiàng)式的智能汽車行駛軌跡規(guī)劃方法,用六次項(xiàng)式來(lái)構(gòu)造軌跡函數(shù),,根據(jù)TkTk+1周期的車輛狀態(tài)Sk=(xk,yk,qk,fk)



Sk +1

=(xk+1

,yk +1

,qk+1

,fk+1)

可以得到

[P,P,P,P,P,P]T

,。再根據(jù)跟蹤誤差最


小的原則,就可以將六階多項(xiàng)式的所有系數(shù)全部求出,,根據(jù)這些系數(shù)就可以求出這個(gè)軌跡需要的控制量,。多項(xiàng)式函數(shù)構(gòu)造的軌跡也具有曲率連續(xù)的優(yōu)點(diǎn),但是如果軌跡約束條件不滿足,,必須對(duì)整條軌跡進(jìn)行 ?調(diào)整來(lái)滿足約束條件的要求,,計(jì)算量較大,使其應(yīng)用受到限制,。

(3)?基于系統(tǒng)特征的軌跡規(guī)劃方法

微分平坦法是基于系統(tǒng)特征的一種軌跡規(guī)劃方法,。微分平坦是指可以找到一組系統(tǒng)輸出,,使得所有狀態(tài)變量和輸入變量都可以由這組輸出及其導(dǎo)數(shù)決定(不需積分)。不過(guò)該方法在規(guī)劃軌跡的過(guò)程中沒有考慮最大曲率和最大曲率變化率的約束條件,。文獻(xiàn)針對(duì)路徑規(guī)劃給定的路徑函數(shù)信息,,通過(guò)微分平坦的方法規(guī)劃出系統(tǒng)輸入及狀態(tài)的時(shí)間相關(guān)的軌跡函數(shù),在滿足車輛側(cè)向加速度約束的情況下使得系統(tǒng)的某性能指標(biāo)最優(yōu),。

3.4.2?局部規(guī)劃方法

智能汽車進(jìn)行局部路徑規(guī)劃(也可稱之為實(shí)時(shí)路徑規(guī)劃),,一般是指在有障礙物的環(huán)境中,如何利用自身傳感器感知周邊環(huán)境,,并尋找一條從當(dāng)前點(diǎn)到目標(biāo)點(diǎn)點(diǎn)的局部行駛路徑,使智能汽車在本次任務(wù)中能安全快速地到達(dá)目標(biāo)位置,。局部路徑規(guī)劃的方法主要包括以下兩個(gè)關(guān)鍵部分:(1)建立環(huán)境模型,,即將智能汽車所處現(xiàn)實(shí)世界抽象后,建立計(jì)算機(jī)可認(rèn)知的環(huán)境模型,;(2)搜索無(wú)碰路徑,,即在某個(gè)模型的空間中,在多種約束條件下,,選擇合乎條件的路徑搜索算法,。


根據(jù)不同行駛環(huán)境的特點(diǎn),智能汽車局部路徑規(guī)劃中的側(cè)重點(diǎn)和難點(diǎn)都會(huì)有相應(yīng)不同:

??在高速公路中,,行車環(huán)境比較簡(jiǎn)單但車速較快,,此時(shí)對(duì)智能汽車 控制精度要求很高,算法難點(diǎn)主要在于環(huán)境信息獲取的位置精度 和路徑搜索的速度,;

??在城市半結(jié)構(gòu)化道路中,,道路環(huán)境特征性比較明顯但交通環(huán)境比 較復(fù)雜,周邊障礙物較多,,這就對(duì)智能汽車識(shí)別道路特征和障礙 物的可靠性有較高要求,,路徑規(guī)劃的難點(diǎn)主要在于車輛周邊環(huán)境 建模和避障行駛的路徑搜索,特別是對(duì)動(dòng)態(tài)障礙物方向和速度預(yù) 測(cè),;

??在越野環(huán)境的非結(jié)構(gòu)化道路中,,智能汽車所處的環(huán)境沒有明顯的 道路邊界,路面起伏不平,,可能有大坑或土堆,,這就對(duì)智能汽車 識(shí)別周圍環(huán)境,特別是地形地勢(shì)有較高要求,,路徑規(guī)劃的難點(diǎn)主要在于車輛可通行區(qū)域的識(shí)別,。

(1)?基于滾動(dòng)時(shí)域優(yōu)化的軌跡規(guī)劃方法

基于滾動(dòng)時(shí)域優(yōu)化的路徑規(guī)劃算法[7]依靠智能汽車通過(guò)傳感器實(shí)時(shí)探測(cè)到的局部環(huán)境信息,以滾動(dòng)優(yōu)化的方式進(jìn)行在線規(guī)劃,。在滾 動(dòng)的每一步智能汽車根據(jù)探測(cè)到的局部信息,,采用啟發(fā)式的方法生成優(yōu)化子目標(biāo),在當(dāng)前時(shí)域內(nèi)進(jìn)行局部路徑規(guī)劃,然后實(shí)施當(dāng)前策略(依局部規(guī)劃路徑移動(dòng)一步),,隨著時(shí)域的推進(jìn),,不斷取得新的環(huán)境信息,從而在滾動(dòng)中實(shí)現(xiàn)優(yōu)化與反饋的結(jié)合,。還可以利用預(yù)測(cè)控制的基本原理,,同時(shí)收集利用實(shí)時(shí)的局部環(huán)境信息,以滾動(dòng)優(yōu)化方式進(jìn)行在線軌跡規(guī)劃,。該方法能夠確保機(jī)器人在未知環(huán)境中安全地避開障礙物行駛,,具有反應(yīng)速度快的優(yōu)點(diǎn),能夠迅速適應(yīng)變化的環(huán)境,,是一種有效實(shí)用的工具,,但計(jì)算量相對(duì)較大。


(2)?基于軌跡片段的運(yùn)動(dòng)規(guī)劃方法

軌跡片段包含配平軌跡和機(jī)動(dòng)軌跡,。其中配平軌跡是系統(tǒng)處于相對(duì)平衡時(shí)所經(jīng)歷的軌跡,,而機(jī)動(dòng)軌跡則是系統(tǒng)從一個(gè)相對(duì)平衡躍入另外一個(gè)相對(duì)平衡所經(jīng)歷的軌跡??梢酝ㄟ^(guò)考慮車輛的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束條件,,基于最優(yōu)控制原理的機(jī)動(dòng)軌跡設(shè)計(jì)方法和隨機(jī)采樣法,實(shí)現(xiàn)基于軌跡片段連接的最優(yōu)運(yùn)動(dòng)軌跡規(guī)劃和快速運(yùn)動(dòng)規(guī)劃,。但是該方法計(jì)算較為復(fù)雜,,使其在實(shí)際應(yīng)用中受到限制。

3.5 路權(quán)分配技術(shù)

路權(quán)(RightofWeight,,ROW),,是指道路使用者依據(jù)法律規(guī)定,在一定的時(shí)間對(duì)一定的道路空間使用的權(quán)力,。在智能駕駛中,,路權(quán)可以用來(lái)描述滿足車輛當(dāng)前安全行駛所需要的道路空間。行駛中的

rROW=?f1(l,v,ξ,Δr,t)|t=t1

qROW=?f2(l,v,ξ,Δr,t)|t=t1

智能汽車的路權(quán)是一個(gè)流動(dòng)的扇形區(qū),,與本車的尺寸,、速度、周邊的車流量,、前方擁有的空間密切相關(guān),,是本車速度的非線性函數(shù),可用距離和角度來(lái)表示:

在駕駛過(guò)程中,,人們會(huì)出現(xiàn)不同的駕駛行為,,如超車、換道或者重新規(guī)劃道路,,智能汽車可以利用路權(quán)來(lái)描述換道三角形區(qū)域,,如下圖所示,,判斷是否可以超車。例如,,本車道內(nèi)車間距較小,,且沒有變大趨勢(shì),路權(quán)受限,,超出容忍,;相鄰車道的車間距較大,且沒有變小趨勢(shì),,路權(quán)允許,;則從換道窗口中確定換道路徑,執(zhí)行換道,。




?路權(quán)與車速?gòu)?qiáng)相關(guān),,可分為期望路權(quán)和實(shí)際路權(quán),當(dāng)兩者不一致時(shí),,就需要進(jìn)行調(diào)節(jié)來(lái)解決沖突。自主駕駛是智能汽車在任意時(shí)刻對(duì)路權(quán)的檢測(cè)和使用,,多車交互是車群在任意時(shí)刻對(duì)路權(quán)的競(jìng)爭(zhēng),、占有、放棄等協(xié)同過(guò)程,。自主駕駛的不確定性,,體現(xiàn)在車輛行駛中擁有的路權(quán)在不停地發(fā)生變化。

智能汽車編隊(duì),,路權(quán)和本車的尺寸,、速度、周邊的車流量,、前方擁有的空間密切相關(guān),,是本車速度的非線性函數(shù)。飆車占用了較大的路權(quán),,高峰時(shí)段停在車道上的故障車,,也占用了較大的路權(quán)。如果在特定地段的所有車輛都勻速行駛,,每輛車只占用最小路權(quán),,如公路火車。當(dāng)智能汽車以編隊(duì)結(jié)構(gòu)進(jìn)行行駛時(shí),,就是跟蹤形式,,此時(shí)智能汽車不需要對(duì)周邊環(huán)境進(jìn)行詳細(xì)的關(guān)注,只需要緊跟前方車輛運(yùn)動(dòng),,保持合適的安全距離即可,,無(wú)需過(guò)多的路權(quán),。

分享到微信 ×
打開微信,點(diǎn)擊底部的“發(fā)現(xiàn)”,,
使用“掃一掃”即可將網(wǎng)頁(yè)分享至朋友圈,。
評(píng)論

已有條評(píng)論

0/1000