智能网联汽车技术与应用 课件 第8章 智能网联汽车交通规划技术

第8章智能网联汽车交通规划技术8.1智能网联汽车导航中路径规划技术8.1.1导航技术概述汽车导航系统是车内重要的辅助驾驶系统，它为用户的移动出行提供了必要的出行信息。随着信息技术的突飞猛进和以GPS为代表的定位技术的日益普及，出现了汽车导航、LBS（LocationBasedService，基于位置的服务）等面向大众用户的导航及相关服务。汽车导航是指在应用GIS（GeographicInformationSystem，地理信息系统）技术构造的道路网数字化地图的基础上，运用GPS等定位技术进行车辆定位，确定最优行驶路线为出行者提供静态或实时的最优出行路线信息，并在出行过程中对驾驶员适时地做出路线指引。8.1智能网联汽车导航中路径规划技术8.1.2导航的空间维度导航的空间维度从载体运动空间的角度，可以将导航分为一维空间的导航、二维空间的导航和三维空间的导航。在汽车导航领域，汽车和行人的运动空间一般都是地面上的道路，道路是一种一维空间，因此汽车和行人的导航是一维空间的导航。导航的空间维度在很大程度上决定了对导航技术和导航系统性能的要求，不同空间维度的导航，对导航系统性能和导航技术的要求差别很大。8.1智能网联汽车导航中路径规划技术8.1.3导航的三个基本要素载体的当前位置、目标位置以及当前位置和目标位置之间的路径称为导航的三个基本要素。车辆的当前位置和目标位置可以通过卫星定位技术、地基无线定位技术等确定。当前位置和目标位置之间的路径是由首尾相连的道路连接而成，是在导航地理数据库中的道路网上通过一定的路径规划算法获得的。8.1智能网联汽车导航中路径规划技术8.1.4导航中的定位技术想要解决前两个导航要素，就需要定位技术来支持。常用的定位技术主要包括自主定位、地基无线定位和天基卫星定位三种。8.1智能网联汽车导航中路径规划技术自主定位自主定位指的是定位终端不借助于任何其他外界设施，而仅依靠自身运动的一些状态。惯性定位就是一种典型的自主定位技术，它根据陀螺和加速度计的状态信息来进行航位推算（DeadReckoning，DR）。8.1智能网联汽车导航中路径规划技术地基无线定位地基无线定位是当前无线通信网络中应用最为广泛的定位方式，尤其是随着移动通信网络定位技术的发展，小区ID（Cell-ID）、TOA（TimeofArrival，信号达时间）、TDOA（TimeDifferenceofArrival，信号到达时间差）等一大批无线定位技术都得到了比较好的应用。8.1智能网联汽车导航中路径规划技术天基无线定位天基卫星定位技术是以GPS（GlobalPositioningSystem，全球定位系统）为代表，使用地球上空的导航卫星系统进行观测来获取用户的地理坐标；和GPS类似的卫星定位技术还包括俄罗斯的GLONASS（GlobalNavigationSatelliteSystem，全球导航卫星系统）、欧盟正在筹建中的Galileo卫星导航系统和我国的北斗卫星导航系统等。（1）GPS定位原理GPS是目前技术上最成熟、应用最广泛的一种天基卫星导航定位系统，能够廉价便捷地在全世界任何地方任何时候确定物体连续的位置、速度、航向和时间信息。GPS具有以下特点：1）全球及全天候导航定位；2）定位精度高，实时定位速度快；8.1智能网联汽车导航中路径规划技术天基无线定位3）抗干扰性能好，保密性强。GPS的空间部分是由24颗卫星组成，其中21颗卫星用于导航，3颗卫星作为备用。这些卫星分布在6个轨道平面上，轨道倾角为55度。目前在轨道上运行的卫星数量已经达到27颗，在任何地区任何时刻都可以观测到5～8颗卫星。GPS卫星发射两种频率的载波信号，即频率为1575.42MHz的L1载波和频率为1227.60MHz的L载波。在L1和L2上分别调制多种信号，包括C/A码、P码、D码等。C/A（粗捕获码）定位精度为100米，精码（P码）定位精度为10米，D码为导航电文。（2）CORS定位原理普通的汽车导航需要30米左右的定位精度，而许多LBS应用8.1智能网联汽车导航中路径规划技术天基无线定位只需要100米左右的定位精度。CORS构成如下：CORS系统一般由GPS卫星跟踪基准站子系统、系统控制中心、数据发布中心、用户应用子系统和数据通信子系统五部分组成，前四个子系统通过数据通信子系统互联，形成一个分布式的网络系统。其核心是由多个基准站组成的基准站子系统和一个系统中心。CORS网络协作的目标：CORS网络协作的目的是为了共享数据、共享服务，从而提高CORS资源的利用率，发挥CORS网络的整体优势。1）自治性。2）动态性。3）开放性。8.1智能网联汽车导航中路径规划技术天基无线定位4）平衡性。5）容错性。8.1智能网联汽车导航中路径规划技术8.1.5导航地理数据库导航地理数据库是指针对汽车导航、LBS应用需求而建立的具有统一技术标准的地理数据库。导航地理数据库是一个综合的数据集，包括空间要素的几何信息、要素的基本属性、要素的增强属性、交通导航信息等，它着重表达道路及其属性信息以及汽车导航、LBS应用所需的其他相关信息如地址系统信息、地图显示背景信息、用户所关注的公共机构及服务信息等。8.1智能网联汽车导航中路径规划技术8.1.6路径规划技术介绍路径规划技术是汽车自动控制技术的重要组成部分，大体可分为两类，一是全局路径规划，全局路径规划技术是根据环境信息的己知程度，利用全局环境已知信息，根据算法搜索出最优或接近最优的路经。二是局部路经规划，局部路径规划是对环境局部未知或完全未知，通过传感器为自动驾驶提供有用的信息，确定障碍物和目标点的位置，并规划起始点到目标点的最优化路径或接近最优化路径。8.1智能网联汽车导航中路径规划技术8.1.7智能网联汽车路径规划问题智能网联汽车的路径规划问题可大致分为两类。一类是基于环境先验信息的全局路径规划，主要方法有网格法、拓扑法、视图法等；另一类是基于传感器信息的局部路径规划，常用的方法有栅格法、人工势场法、遗传算法、空间搜索法、层次法、Dijkstra算法、Lee算法、Floyd算法等。8.1智能网联汽车导航中路径规划技术全局规划路径（1）栅格法即用编码的栅格来表示地图，把包含障碍物的栅格标记为障碍栅格，反之则为自由栅格，以此为基础作路径搜索。（2）可视图法首先将自动驾驶车辆视为一个点，然后将起点、障碍物和目标点的每个端点连接起来，并以直线连接各个端点，从而将路径规划问题转化为从起点到目标点的最短路径的寻找问题。8.1智能网联汽车导航中路径规划技术局部规划路径（1）遗传算法遗传算法是自动驾驶路径规划常用的算法。（2）蚁群算法蚁群算法相对于遗传算法来说具有一定的记忆力。（3）神经网络神经网络可以通过大量实际驾驶行为数据，学习避障和路径规划中隐含的、难以人工设计并提取的特征。深度学习的基本模型包括基于受限玻尔兹曼机的深度信任网络、基于自动编码器的堆叠式自动编码器、卷积神经网络、递归神经网络。ADAS系统的控制是根据各个状态进行来回切换的，传统控制算法存在目标或控制方式切换引起的车辆加速和减速跳跃，存在切换过程平稳性差等问题。由于轮胎和地面摩擦圆的约束，当车轮纵向力变化时，侧向力也随之变化。智能车的车速控制和横向轨迹跟踪性能是相互制约的。8.1智能网联汽车导航中路径规划技术局部规划路径（4）人工势场法人工势场法是Khatib提出的虚拟力法。（5）轨迹规划算法时空路径是指车辆在一定时间内行驶的轨迹。轨迹不仅包括位置信息，还包括整个轨迹和车辆姿态的时间信息（时间、速度、加速度、曲率等）。局部路径规划可进一步分为轨迹规划和速度规划。8.1智能网联汽车导航中路径规划技术找最优路径的过程，具体流程如下:初始化假设蚂蚁数量为num及信息素；蚂蚁在栅格地图中移动，释放定量的信息素q，称为初始信息素;然后蚂蚁根据启发信息随机选择位置向目标点移动，启发信息定义为8.1智能网联汽车导航中路径规划技术遗传算法（1）遗传算法的基本运算过程

1）初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。

2）个体评价：计算群体P(t)中各个个体的适应度。

3）选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

8.1智能网联汽车导航中路径规划技术遗传算法4）交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。

5）变异运算：将变异算子作用于群体。即对群体中的个体串的某些基因上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

6）终止条件判断：若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

8.1智能网联汽车导航中路径规划技术遗传算法（2）遗传操作

遗传操作包括以下三个基本遗传算子(geneticoperator):选择(selection)；交叉(crossover)；变异(mutation)。

1）选择。从群体中选择优胜的个体，淘汰劣质个体的操作叫选择。2）交叉。在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。8.1智能网联汽车导航中路径规划技术遗传算法3）变异。变异算子的基本内容是对群体中的个体串的某些基因上的基因值作变动。依据个体编码表示方法的不同，可以有以下的算法：

①实值变异。②二进制变异。

一般来说，变异算子操作的基本步骤如下：①对群中所有个体以事先设定的变异概率判断是否进行变异②对进行变异的个体随机选择变异位置进行变异。。8.1智能网联汽车导航中路径规划技术病毒遗传策略010304050607021）道路的一部分被认为是一种病毒。在右侧编辑区输入内容病毒遗传算法解决动态路径规划的问题基于如下策略：在右侧编辑区输入内容2）其中产生的路径中只有包括病毒路径才能作为初始种群。在右侧编辑区输入内容2）根据主个体编码规则,运用改进A*算法产生一个有N个染色体的初始主群体,对每个个体计算其适用度。在右侧编辑区输入内容1）初始化:t:=0,N,M,Pcross,Pcopy,Pcut,γ在右侧编辑区输入内容3）采用交叉和感染操作，从而可以产生连续几代的病毒组合。算法流程：病毒进化遗传算法步骤如下。3）若停止规则满足,选择主群体中适应度最大的个体进行解码得到最优解,算法停止,否则继续步骤4）。在右侧编辑区输入内容8.1智能网联汽车导航中路径规划技术病毒遗传策略4）对主群体进行概率为Pcross变异操作,产生新的主个体。5）对主群体按适应度值大小排序,选择适应度大的N个个体得到新的主群体。6）病毒个体和主个体之间反向代换,若主个体感染前后的适应度之差大于0,用感染后的个体替换原来的个体。被病毒感染的子群体为U。7）计算病毒个体的适应度。8）计算病毒个体的liftit+1,如果小于零,则在主群体中随机选择一个主个体执行复制操作，产生新的病毒个体替换原来的病毒个体。9）t:=t+1,转步骤3。8.1智能网联汽车导航中路径规划技术基于多层Morphin搜索树的局部路径规划算法Morphin算法原理。Morphin算法是一种应用于月球探索机器人的局部避障算法，基本思想就是在机器人前进方向上生成一组离散的行驶路径集合，然后对每条路径按照设计好的评估函数进行投票评估，采用其中一条安全的路径提供给执行器进行跟踪。多层Morphin搜索树。基本的Morphin算法的搜索为无障碍最优方向，能很好的避开障碍物并趋向目标节点，搜索时间短，实时反应能力强，故其安全搜索、实时避障和对环境的高适应性，能达到局部路径规划对搜索算法的要求。（1）滚动窗定义地面车辆的滚动窗式：8.1智能网联汽车导航中路径规划技术基于多层Morphin搜索树的局部路径规划算法（2）紧急制动距离当地面无人车辆以速度ｖ行驶时，对应的紧急制动距离为dc，这个距离是指当时发生紧急情况时，车辆从制动开始到完全停下时所滑行的距离。设地面车辆制动时最大加速度为abreak则有：

8.2交通信号灯统筹控制技术8.2.1交通信号灯的介绍交通信号灯具有多种形式：（1）圆形信号灯圆形信号灯是当下各国采用的最广泛和最主要的信号灯形式。（2）箭头信号灯箭头信号灯表示对车道“路权的专一分配”。布设箭头信号灯，就应该保证箭头指示方向的行驶车辆和其他方向车辆相互不影响正常行驶。（3）复合信号灯复合信号灯是由箭头和圆形信号灯的复合形成对直行和左转交通的控制。交通信号灯具有固定的设计特征。8.2交通信号灯统筹控制技术交通信号灯的设置依据一个交叉口是否需要设置交通信号灯,实行交通信号控制,主要是看该交叉口交通繁忙程度、混乱程度和事故多少,不过有时为了对某地点实施保护（如学校、政府机关等），限制车辆速度和车辆进入,必须设信号灯。但大致来讲,设立信号灯主要考虑以下几个因素1）横穿道路的行人和非机动车数量2）交叉口总的交通流量3）历史的事故记录8.2交通信号灯统筹控制技术设置交通信号灯的优点减少车流、人流的相互干扰和冲突,建立一个顺畅的交通秩序环境,确保交通安全。确保横穿人行横道的行人安全。8.2交通信号灯统筹控制技术交叉口信号控制基本概念（1）改善交通秩序，提高通行能力01（2）节省能源损耗，提高交通效益02（3）预防交通事故，增加交通安全03（4）减少大气污染，改善城市环境04（5）节省城市用地，增加城市发展空间058.2交通信号灯统筹控制技术交叉口信号控制基本参数（1）相位在交通信号控制中，为了避免交叉口各个方向上的车流发生冲突，保证行人和行车的安全，通常需要采用分时通行的方法，即在交叉口的一个周期的一个时间段内，只有一个方向上或几个方向上的车辆具有通行权，而与通行方向车辆发生冲突的其他方向交通流均处于等待状态。（2）最短绿灯时间对于平面交叉口而言，最短绿灯时间是各信号阶段或者各个相位的最低绿灯时间限制，即不论任何信号阶段或任何一次相位绿灯时间，都不得短于最短绿灯时间。一般情况下，行人过街最短绿灯时间计算公式为：8.2交通信号灯统筹控制技术交叉口信号控制基本参数（3）信号周期信号周期是指交叉口某一相位绿灯开始（结束）到下一次该相位绿灯开始（结束）所用的时间之和。信号周期根据信号灯控制方式不同，可能是固定的也可能是变化的，如果信号控制方案中根据排队长度或者车流量实现信号灯实时感应控制，则必须设定最短信号周期和最长信号周期。（4）交通流量交通流量是指在单位时间内通过道路某一位置的车辆数，用q表示，单位是辆/小时。（5）周期长𝒕𝒄、绿信比𝒈𝒊、饱和度𝛌的关系周期长、绿信比,、饱和度之间存在8.2交通信号灯统筹控制技术基于Matlab和Vissim的交通信号灯控制系统（1）Matlab或Vissim语言自建模型在绝大多数有关交通信号控制方法的研究中，都是在Matlab或C/C++语言平台下进行算法实现和仿真评价的。马文阁采用Matlab语言编写了仿真程序，并用simulink进行仿真，通过对路口形状、车辆到达分布、各方向交通量、车速、拐弯比例等参数的设定，构造出所希望的路口仿真环境，从而可以对多相位交叉口在不同车流量大小的情况下进行仿真。（2）自编交通仿真软件为了能够对提出的交通信号控制算法方法进行仿真，有学者利用VisualＢasic和VBA软件编写了交通控制仿真软件，设计了控制模块、输入模型模块、信号灯演示模块、实时状态监测模块、历史数据查看模块、效果评价模块，但其对交叉口的交通流模型做了以下假设：1）绿灯期间，所有车辆以n辆／秒的驶离率通过交叉路口。8.2交通信号灯统筹控制技术基于Matlab和Vissim的交通信号灯控制系统2）所有车辆类型都相同，运行速度也相同。（3）Vissim软件的运行与控制Vissim是一款很好的用来分析许多交通问题的软件工具。可以仿真包括简单交叉口（单点）、城市路网、高速公路、地铁等交通场景。Vissim软件的配时方案有多种，不论是通过手动输入配时方案还是调入已有的动态配时方案文件，都只能按照设定好的配时运行，不能按照Matlab下的交通灯控制算法产生的配时方案运行8.2交通信号灯统筹控制技术基于Matlab和Vissim的交通信号灯控制系统

8.2交通信号灯统筹控制技术基于Matlab和Vissim的交通信号灯控制系统（4）Matlab软件下交通信号灯控制算法为了能够连续将Vissim输出的参数输入到Matlab软件上的模糊控制器中，并将模糊控制系统计算的绿灯时长输入到Vissim软件，则需要在Matlab中编写Ｍ文件，将上述数据从vb＿write．xls文件和matlab＿write．xls两个Excel文件中写入或读取。图8-3交通信号灯绿灯时长流程图8.2交通信号灯统筹控制技术基于Matlab和Vissim的交通信号灯控制系统（5）Matlab软件与Vissim软件协同仿真在Matlab和Vissim软件协同仿真的过程中，需要以VisualBasic为主控程序，调用初始化程序启动仿真软件Vissim，加载并运行指定路径的路网文件。信号灯的第一个信号周期设置为固定配时，VisualBasic从第二个信号周期开始编程获取Vissim中当前相位绿灯方向车速、车流量和下一相位排队长度的数据。8.2交通信号灯统筹控制技术基于模糊控制的交通信号系统（1）模糊控制理论概念模糊控制系统是一种自动控制系统,它是以模糊数学、模糊语言形式的知识表示和模糊逻辑推理为理论基础,采用计算机控制技术构成的一种具有闭环结构的数字控制系统。它的组成核心是具有智能性的模糊控制器。经典控制理论和现代控制理论都是建立在系统的精确模型基础之上的,对无法建立精确数学模型的系统,传统控制理论是无法求解的，而模糊控制理论就可以很方便的解决此类问题。8.2交通信号灯统筹控制技术模糊控制器1）模糊化。在采用合成推理算法时,为了在实时控制中避免模糊关系矩阵合成计算所浪费的计算机时间,总是采用离线状态下将全部输入输出之间的关系计算出来,形成一张控制表存入计算机内存中,在某一个采样时刻根据输入变量直接去查控制表就可以得到输出响应。控制表是以整数表示输入量和控制量的。

8.2交通信号灯统筹控制技术模糊控制器2）知识库。知识库中包含了其应用领域中的知识和要求的控制目标。它通常由知识库和模糊控制规则库两部分组成。知识库主要包括各语言的隶属度函数,尺度变换因子以及模糊空间的分级数等。规则库包括了用模糊语言表示的一系列控制规则。模糊控制规则是在控制过程中将操作人员的经验去粗取精、去伪存真,总结成若干条用自然语言描述的控制规则，然后利用模糊数学这一工具进行处理,构成模糊关系存放在计算机的存储器中形成“规则库”。3）模糊推理。模糊推理是模糊控制器的核心,它具有模拟人的基于模糊概念的推理能力。该推理过程是基于模糊逻辑中的组合关系及推理规则进行的。常用的模糊推理方法有两种即广义前向推理和广义反向推理。8.2交通信号灯统筹控制技术模糊控制器AB将模糊的控制经清晰化变换成表示在论域范围的清晰量。将表示在论域范围的清晰量经尺度变换变成实际的控制量。（4）清晰化清晰化的作用是将模糊推理得到的控制模糊变换为实际用于控制的清晰。它包含以下两部分内容：8.2交通信号灯统筹控制技术交通信号灯识别技术现状0504020301复杂的外界环境，对交通信号灯的检测识别算法有着不同程度的影响，主要遇到的问题如下：1）在城市交通环境中，交通信号灯安装位置不是特别固定，很多情况下交通信号灯的周围存在许多其他的干扰目标，比如常见的车尾灯、广告牌、树木等。2）光照的变化对颜色的影响较大，背景过于复杂时也不利于交通信号灯的分割和结果验证，这时候算法的鲁棒性将会受到严峻的考验。3）研究交通信号灯的检测识别算法，最终的目的是实际应用。只有及时地把检测结果反馈给驾驶员，这样的应用才会有意义。4）在夜间环境下，交通信号灯的背板不能作为补充特征进行结果验证，8.2交通信号灯统筹控制技术基于颜色和形状交通信号灯检测算法（1）基于颜色分割的检测颜色分割是初步缩小搜索空间最常用的方法。最基础的颜色空间是RGB颜色空间，它是通过对RGB三通道基本色进行不同程度的叠加而获得丰富的颜色。HSV颜色空间是一种比较直观的颜色模型，在交通信号灯识别算法运用中较受欢迎，它是基于人类的颜色感知，并且在很大程度上不受光照变化的影响。RGB图像归一化处理，即：

8.2交通信号灯统筹控制技术基于颜色和形状交通信号灯检测算法

8.2交通信号灯统筹控制技术基于颜色和形状交通信号灯检测算法（2）基于形状分割的检测城市交通信号灯通常包含在矩形框架内，红色、黄色和绿色的灯垂直排列，利用矩形框的边缘特征和灯的圆形区域可以实现交通灯的检测。

8.2交通信号灯统筹控制技术3.基于机器学习的交通信号灯识别算法（1）HOG特征HOG是一种广泛应用于对象识别的特征描述符。HOG将强度梯度或边缘方向的分布描述为直方图，因此它对复杂环境中的光照具有较高的鲁棒性。提取HOG特征步骤为：1）将输入原始图像归一化处理，增强算法的鲁棒性，然后再进行灰度化处理，增强图像边缘信息。2）计算图像的梯度值。图像像素点的像素值表示为Ｈ(x,y)，其横向的梯度值Gx、Gy计算：8.2交通信号灯统筹控制技术基于机器学习的交通信号灯识别算法8.2交通信号灯统筹控制技术基于机器学习的交通信号灯识别算法3）将图像均匀分割成一些小单元（cell），一般选取3*3像素为一单元，统计每个单元的梯度方向直方图，得到每个cell的HOG特征。4）得到图像的HOG特征。8.2交通信号灯统筹控制技术4.基于深度学习的交通信号灯识别算法（1）BP神经网络BP神经网络是一种多层前馈神经网络，它是按照误差逆向传播算法训练的。BP神经网络由两部分组成：输入信号的正向传播和误差信号的反向传播。正向传播方向为输入层，再到隐含层，最后到输出层。图8-5３层ＢＰ神经网络结构示意图8.2交通信号灯统筹控制技术基于深度学习的交通信号灯识别算法（2）卷积神经网络卷积神经网络（CNN）是一个基于多层感知器的深度学习框架，由具有多层的多阶段体系结构组成，其中滤波器的权值和偏差可以通过反向传播来训练。图片输入到神经网络之后，CNN中的每个特征学习阶段由卷积层和子采样层组成。卷积神经网络（CNN）通常由卷积层、池化层和全连接层三个基本单元组成。图8-6卷积层的卷积过程图8.2交通信号灯统筹控制技术基于深度学习的交通信号灯识别算法1）VGGNet。VGGNet是由牛津大学计算机视觉几何组和GoogleDeepMind公司联合设计的深度CNN网络模型。图8-7VGG16网络结构图8.2交通信号灯统筹控制技术基于深度学习的交通信号灯识别算法2）GoogleNet。GoogleNet是ChristianSzegedy等提出的一种具有22个卷积层的深度学习模型，与VGG结构不同在于其核心贡献提出的Inception网络。

３）ResNet网络。8.2交通信号灯统筹控制技术基于深度学习的交通信号灯识别算法ResNet是一个具有152层的超深卷积神经网络，分别在ImageNet分类任务、ImageNet检测任务、ImageNet定位任务、COCO检测任务、COCO分割任务这五个重要的任务轨迹中都获得了第一名，这使得ResNet成为了目前最受欢迎的卷积神经网络模型之一。图8-9“shortcut”的全连接方式8.3智能网联车自动泊车技术（1）泊车位探测一般的泊位探测是车辆基于自身传感器，比如超声波雷达、毫米波雷达、激光雷达或是视觉相机，对车辆的周遭环境进行识别，寻找到可用车位，同时对车位角点、泊位中心线和周遭障碍物进行标识，方便后续确定泊车可用空间。（2）泊车位选择在所有给出的停车空间中剔除无效停车位（被障碍物阻挡，实际不可到达），综合所有可信信息，在其余车位中选择合适车位作为目标停车位。（3）路径规划路径规划指的是在确定停车位后，考虑位姿信息和障碍物限制，规划出一条符合车辆运动规律的路径用于指引车辆运动。（4）运动控制合理利用控制算法控制车辆按照规划路径移动。8.3智能网联车自动泊车技术图8-10自动泊车技术结构图8.3智能网联车自动泊车技术超声波雷达车位探测原理超声波雷达具有波长短、方向性强、成本低等优点，是目前自动泊车系统使用最为广泛的车位探测传感器。根据发送信号到接收到反射信号的时间差值t，便可计算得到距离信息，计算：𝑠=0.5𝑣𝑡𝑣≈331.4+0.6𝑇8.3智能网联车自动泊车技术超声波雷达车位探测原理超声波雷达发出的信号包括旁瓣和主瓣，其探测主要是由主瓣信号获取，而主瓣信号并非直线，其存在一定的波束角，是一扇形弧面。图8-11超声波雷达信号8.3智能网联车自动泊车技术超声波雷达探测车位的方法超声波雷达探测车位的方法主要是寻找雷达探测距离的突变信号的时间差值来推算车位尺寸信息，以平行泊车为例，车位位于两障碍物车辆2和车辆3之间。、图8-12信号时间差推算车位尺寸信息8.3智能网联车自动泊车技术8.3.2泊车位选择现阶段的泊车位选择有两种方式：自主选择和被动分配。自主选择的主体可以是车主或车辆本身，现阶段最多的是由车主自发选定，像Momenta的MpilotParking方案，车主可以通过手机APP提供的空余车位信息按个人喜好选择泊位。被动分配更多的是基于停车场车位引导系统来完成的。停车场通过安装各类检测装置获取车位空闲状态，车辆发出申请，经由系统进行统一协调分配。8.3智能网联车自动泊车技术泊车位选择的影响因素（1）泊位至目的地的步行距离在车辆进入停车场前便可由地图信息和停车场在网络上提供的空位信息获得，属于泊位决策早期最关键的信息。在车主选择好目的地后，泊位选择模块便可开始工作，自主搜索泊位，决策是去哪一个停车场（如果附近有）。01（2）泊位离监视器的距离这一属性反映了用户对车辆安全的关注，显然车辆距离摄像头距离越短，拍摄越清晰，车辆就越安全。这一信息可以由停车场诱导系统给出或是由车辆摄像头捕捉到。02（3）到达泊位的行驶距离达泊位的距离定义为从车辆初始位置到达泊车位正上方的平行位置所行驶的距离，因为之后的泊车过程对于同类型的车位而言距离是相同的，而不同类型的车位造成的泊车距离不同可以在泊位属性中考虑。038.3智能网联车自动泊车技术泊车位选择的影响因素（4）泊车位属性泊车位属性指的是泊位的类型，一般泊位分为侧边泊位、垂直泊位和倾斜泊位，不同类型的泊位造成的泊车距离和操作难度是不同的。01（5）泊位左右车位占用情况泊位左右车位占用会影响路径规划的地形限制程度，显然泊位左右越是空闲，泊车就越轻松。泊位左右占用总共分为四种情况：左右皆占用、左侧占用、右侧占用、左右皆空闲、泊位处于角落。01（6）外界障碍物对泊车难度的影响当基于动态泊车位搜寻来进行泊位选择时，停车场环境是变化的，泊位附近极有可能出现障碍物对泊车路线造成限制，包含路上的石块、小动物等，使得可行驶安全域缩小。018.3智能网联车自动泊车技术泊车“有效性”判定1）泊位内或正上方一个车宽内有障碍物则判定泊位无效；2）第一段取最小转弯半径是车辆要求的最小泊车空间。当障碍物出现在泊位侧上方时，若第一段取最小转弯半径，而第二段圆弧触碰到障碍物则判定泊位无效，这说明车辆在最极限的情况下依然无法泊车入位。8.3智能网联车自动泊车技术泊车因素的“因子分析”当车辆通过获取外界信息得到多个泊车位以后，如何通过合理决策获取最佳泊车位是一个问题。影响泊位挑选有几个典型因素，因此可针对部分定性因素提出其定量界定的方法，并在此过程中给出排除无效泊位的方法。图8-13泊车因素的“因子分析”8.3智能网联车自动泊车技术泊车因素的“因子分析”因子分析利用少数共性因子通过线性组合的方式描述原属性之间的联系。因子载荷矩阵中的aij表示第i个原始属性与第j个公共因子间的线性组合系数，反映了第j个公共因子对第i个属性的贡献度。（1）公共因子累计贡献度第j个公共因子对原始样本的累计贡献度表示为该因子对所有属性贡献的平方和，是衡量该公共因子重要性的主要指标。即（2）变量共同度ℎ𝑖2表示为所有公共因子对第i个原始变量的贡献的平方和，表征了公共因子对原始变量的解释程度，如果变量共同度趋近于1，则表明该变量反映的信息在经过公共因子解释后几乎没有损失。8.3智能网联车自动泊车技术基于多段圆弧的轨迹安全域的确定首先以初始平行位姿时的泊车入位来介绍轨迹安全域的获取方法。图8-14初始平行位姿时的泊车入位（1）确定轨迹上边界根据几何学圆弧相切的关系可知两端圆弧半径有

8.3智能网联车自动泊车技术基于多段圆弧的轨迹安全域的确定第一段圆弧取最小值时主要由车辆运动学限制，前轮转角有极限，此时R1取车辆最小转弯半径，即R1=R1min=Rmin。由于泊车轨迹规划是滚动规划的，在行进过程中，车辆中心线与车位中轴线存在夹角θ，则(x02,y02)的坐标可以根据8.3智能网联车自动泊车技术以上两式代入得（2）确定轨迹下边界下界圆弧对中，R2相对更容易获得，R2min的确定相对于R1min来说则复杂一些，限制条件有车辆运动学极限和障碍物限制。1）由车辆运动学限制得R2min1车辆前轮转角处于极限位置，此时R2min1=Rmin。2）圆弧二不与障碍物相交。8.3智能网联车自动泊车技术以上两式代入得图8-16轨迹下边界确定当车辆倒车车尾正好不碰到泊车位右上角点(xr,yr)时，作为一个位置极限，如图8-16，此时车辆与障碍物的几何关系可以表示为

8.3智能网联车自动泊车技术以上两式代入得

8.3智能网联车自动泊车技术以上两式代入得（3）坐标系转换上述规划基于泊车位坐标系，然而实际倒车过程中，传感器获取的信息都是基于车辆坐标系的，因此首先需要将车辆坐标系下的坐标信息转化到泊位坐标系下。在车辆坐标系（X′O′Y′）下，摄像头获得泊位停车点的坐标为（x′0,y′0）,车辆中轴线与泊位中轴线夹角为θ。8.3智能网联车自动泊车技术以上两式代入得

8.3智能网联车自动泊车技术最优轨迹影响因素1）轨迹曲率柔和。当取R1=R2时，有显然，当R1=Rc时，整体轨迹曲率最柔和。然而，R1的取值范为(Rmin,R1max)，所以：当R。∈E（Rmim，Rmax）时，最优轨迹出现在R1=R2=Rc处。当R0>R1max时，最优轨迹出现在R1=R1max处。8.3智能网联车自动泊车技术最优轨迹影响因素2）任意时刻控制可调节裕度最大。任意时刻，我们期望如果车辆偏离预期轨迹，用于纠正的可控制域尽可能的大，这要求靠近车辆的轨迹尽可能居中，远离边界，也即半径为R1或R2的圆弧尽量居于安全域中间。这里取R1作为研究对象，由于前轮转向角变化范围较小，车辆转弯半径变化很大，因此简单取(R1min+R1max)⁄2，其结果不理想，在R2上界的曲率较小时，最终结果都会靠近R2max。因此，这里将轨迹半径的裕度转化为前轮转角的裕度，有显然，前轮转角作为车辆模型的控制输入量，需要时刻保持其控制可调节裕度最大，因此，第一段圆弧半径应取为

8.3智能网联车自动泊车技术最优轨迹影响因素（5）最优轨迹确定

通过以上分析可以知道，轨迹曲率，轨迹长度以及后续控制可调节裕度三个要素中，轨迹长度对最优轨迹的确定没有影响，而通过其他两个因素我们可以决出两条最优轨迹对应的R1值：R11、R12，综合考虑以上因素，最优轨迹选中R1取8.3智能网联车自动泊车技术车辆动力学建模首先建立车辆动力学模型。

因此简单将车辆后轴的中心点的轨迹作为车辆的运动轨迹，通过建立前轮转角θ和车辆转弯半径R之间对应关系的数学模型，就可以根据规划路径的曲率获得车辆的转向盘控制量。

8.3智能网联车自动泊车技术滑模控制1）滑模动态的定义。考虑一般情况，在系统的状态空间中，有一个切换S(x)=s(x1,x2...,xn)=0，𝑥=𝑓(𝑥)𝑥∈𝑅𝑛。如果系统运动点运动到切换面S(x)=0附近时，从切换面的两边趋向于该面运动，则这类运动点被称为终止点。滑模动态区上的运动点到达切换面S(x)=0附近时，有

8.3智能网联车自动泊车技术对系统提出了一个形如𝑣𝑥1,…,𝑥𝑛=𝑠𝑥1,…,𝑥𝑛2在右侧编辑区输入内容的李雅普诺夫函数的必要条件。在右侧编辑区输入内容2）滑模变结构控制设计。设有控制系统：𝑥=𝑓(𝑥,𝑢,𝑡)𝑥∈𝑅𝑛,𝑢∈𝑅𝑚,𝑡∈𝑅滑模控制的设计可表示为如下过程：①确定切换函数式 𝑠(𝑥),𝑠∈𝑅𝑚8.3智能网联车自动泊车技术对系统提出了一个形如②求解控制函数：𝑢=𝑢+(𝑥),𝑠(𝑥)>0𝑢−(𝑥),𝑠(𝑥)<0当：𝑢+(𝑥)≠𝑢−(𝑥)使得：a）滑模动态区存在；b）在切换面S(x)=0以外的点都将在有限时间内到达切换面；c）保证滑模动态稳定；d）达到控制系统的动态品质要求。8.3智能网联车自动泊车技术对系统提出了一个形如3）抗饱和滑模路径跟随控制器设计。取系统的参考状态量为

8.3智能网联车自动泊车技术对系统提出了一个形如8.3智能网联车自动泊车技术对系统提出了一个形如8.3智能网联车自动泊车技术对系统提出了一个形如4）基于fal函数趋近律的抗饱和滑模控制器设计。通常滑模变结构控制收敛速度较慢，并且因为控制器引入了符号函数sign(s)，导致系统抖振的问题。许多学者针对滑模控制不足的问题开展了研究，提出了改善滑模控制趋近速度的多种趋近律形式，以提高系统的收敛速度并抑制抖振。可以选取fal函数的趋近律控制器的设计。仍取跟踪误差：𝑒=𝑥1−𝑛1滑模切换面为：𝑠=𝑐𝑒+𝑒为改善滑模控制的趋近品质，引入趋近律8.3智能网联车自动泊车技术对系统提出了一个形如8.3智能网联车自动泊车技术对系统提出了一个形如8.3智能网联车自动泊车技术基于人机协同的递阶式智能控制系统结构图8-20基于人机协同的三层递阶式智能控制系统结构图人机交互工具人机交互工具最优泊车轨迹规划驾驶员期望路径点序列期望纵向速度转向控制器人机交互工具自主车辆相应执行程序轨迹跟踪控制驾驶行为知识库

任务规划层状态监控模块泊车位识别综合定位定向障碍检测紧急情况处理行为规划行为执行情况反馈泊车位图像的显示

动作执行层环境感知模块制动控制器油门控制器速度跟踪控制车辆纵向速度规划轨迹规划层启动自主泊车任务确定目标泊车位8.4交通流感知和分流技术8.4.1交通流感知的常见技术在右侧编辑区输入内容交通流的感知系统需要满足几个必要条件：在右侧编辑区输入内容1）系统远程监控的实时性。目前市面上的车辆检测器种类很多，技术实现原理也各不相同，较为常见的检测技术有以下几种：2）系统有较高的响应度和灵敏度。在右侧编辑区输入内容1）视频检测技术。在右侧编辑区输入内容2）环形线圈检测技术。在右侧编辑区输入内容3）微波传感技术。在右侧编辑区输入内容4）超声波传感技术。8.4交通流感知和分流技术车辆定位数据获取随着物联网、车联网技术的发展，大多数车辆都已经装有GPS或北斗定位装置，车辆定位数据实时获取主要通过已有的车辆调度系统、定位监控系统来获取。这类系统能够实时采集运输车辆的经纬度、角度、高度和速度等信息，采集频率通常需要设置为5s或10s，将这类系统与车辆通行控制的工控机、红绿灯控制器相连。工控机通过有线或无线通信网络实时访问GPS定位数据服务器获取所有车辆的实时定位数据。8.4交通流感知和分流技术车流实时感知区域划分为了增加通用性，一方面将单通道两端分别设定为非限量端和限量端，限量端是指单通道的一端能够容纳的车辆数目有限；另一方面由于单通道多见于山区隧道、露天矿山平硐等，车辆在这类单通道中无法接收卫星信号，无法产生定位数据，因此假定单通道内部无法获取车辆的实时定位数据。图8-21单通道内三大类区域8.4交通流感知和分流技术车流实时感知方法扫描区和等候区划定后．每一辆车所在的行驶状态主要有：驶入非限量端扫描区、驶离非限量端扫描区、驶入非限量端等候区、驶离非限量端等候区、单通道内向限量端行驶、驶入限量端扫描区、驶离限量端扫描区、驶入限量端等候区、驶离限量端等候区、单通道内向非限量端行驶10种可能状态。图8-22单通道内向非限量端行驶可能状态示意图8.4交通流感知和分流技术交通拥堵交通拥堵是交通拥挤和交通堵塞两种现象的叠加。交通拥挤是指在特定时间