《智能汽车概论》-智能汽车技术概论 项目五

任务一

基本框架简介

典型的智能汽车系统框架如图5-1所示,主要由感知、

规划决策和控制三大模块组成,各模块发挥着不同的作用并相互影响。

感知模块基于传感器输入来提供关于周围车辆的信息,规划决策模块则根据周围其他车辆的信息决策出该车所需要的动作,控制模块则根据规划决策模块制定的动作方案进行具体的车辆控制。任务一

基本框架简介

环境地图的作用就是使智能汽车更好地理解周围环境。

根据不同的表现形式,环境地图表示方法主要分为度量地图表示法、

拓扑地图表示法和混合地图表示法,如图5-2所示。任务一

基本框架简介一、

度量地图表示法

1.几何表示法

几何表示法利用包括点、

线、

面在内的几何图元来表示环境信息,因而可以用数值来表示物体在全局坐标中的位置。

图5-3所示为利用几何表示法对环境进行建模所得到的结果。任务一

基本框架简介一、

度量地图表示法

2.空间分解法图5-4(b)所示和图5-4(c)分别用均匀分解法和四叉树分解法表示同一环境所得到的环境模型。图5-5所示为均匀栅格地图表示法,黑色区域不可通行,白色区域可通行。起始栅格与目标栅格都是自由栅格。任务一

基本框架简介三、

混合地图表示法

混合地图表示法综合了度量表示法与拓扑表示法的特点,将度量地图的高精度与拓扑地图的高效率结合起来,如图5-6所示。

模型建立后,在不同层次采用适当搜索的算法,可以最大限度上节约计算机资源。任务二

路径规划一、

路径规划分类

智能汽车的路径规划分为全局规划和局部规划,如图5-7所示。任务二

路径规划一、

路径规划分类2.局部路径规划图5-8同时显示了全局规划和局部规划的结果,中间由红色的点组成的一条线是全局路径,全局路径的生成是通过提前采集路网或者在地图软件上标记出的路径实现的。

智能汽车如采用RTK定位,定位精度可达厘米级,图5-8中的全局路径就是采用实车定位提前采集的路线。

白色边框代表的是车辆,白色边框的中点就是车辆后轴中心,也就是坐标系原点。任务二

路径规划二、

路径规划算法2.A∗算法静态路径规划下最常用的算法是A∗算法。A∗算法是一种通过启发函数来搜索路径,每次确定当前起点,重新计算代价函数,循环搜索下一目标点的路径搜索算法。A∗算法流程如图5-9所示。任务三

行为决策一、

行为决策简介

行为规划层处于智能汽车的中间层(见图5-10),位于上层的任务规划层和底层的动作规划层之间,驾驶行为规划又称为驾驶行为决策,这一层的主要作用是基于来自上层的(任务规划层)的全局最优行驶路线轨迹,以及根据对当前的交通和环境感知信息的理解,来确定自身当前的驾驶状态,在交通规则和驾驶经验的指导下规划出合理的行为。任务三

行为决策二、

行为决策算法1)基于有限状态机的决策模型串联式有限状态机的显著特点就是各子状态遵照串联方式,不出现环路式的联结(见图5-11)。

麻省理工学院研发的Talos无人驾驶车辆基于串联式结构搭建决策模型,其优点是逻辑明确、

规划推理能力强。

但其对复杂交通环境适应性差,决策链易瘫痪。

斯坦福大学和大众汽车公司联合开发的Junior(参加2007年UrbanChallenge比赛)无人驾驶车辆采用的并联式结构如图5-12所示。任务三

行为决策二、

行为决策算法3.基于强化学习的决策算法强化学习的基本思想是在智能体与环境不断交互过程中实现一个既定目标,即寻找最优策略。

与机器学习不同的是,强化学习中的训练数据通过智能体与环境不断交互,以试错的方式收集,而不是直接得到大量数据，如图5-14所示,智能体根据当前状态生成行为决策,通过作用于周围环境得到回报奖励。

其学习指标是最大化回合累积回报,利用不断交互的方式更新策略。任务四

运动学模型一、

以质心为中心的车辆运动学模型任务四

运动学模型二、

以后轴为原点的车辆运动模型

为了便于建立控制量和运动学模型之间的联系,通常会将转向轮集合成参考点在前轴中心的虚拟转向轮,将两后轮合并成中心在后轴中心的虚拟轮,虚拟轮的速度和角度关系可以通过图5-16所示几何关系求得。为了更清楚地描述车辆的运动,本节引入两个常用坐标系,全局笛卡儿坐标系和以车辆后轴中心为原点的车体局部坐标系(右手直角坐标系,该坐标系下x轴表示车轴的纵向运动,y轴表示车辆的横向运动),以五元组表示车辆的通用状态向量(x,y,θ,ϕ,v),其中,x和y表示车辆局部坐标原点在全局笛卡儿坐标系里的位置;θ表示车辆在全局坐标系里的航向;ϕ表示半车模型的虚拟转向角;v表示车辆的纵向速度。任务五

车辆纵向控制二、

直接式纵向控制

直接式纵向控制是通过纵向控制器直接控制期望制动压力和节气门开度,从而实现对跟随速度和跟随减速度的直接控制,具有快速响应等特点。

直接式纵向控制结构如图5-17所示。任务五

车辆纵向控制三、

分层式纵向控制

由于分层式控制模式上、

下层控制器分离,车辆动力学特性只对下层控制器有影响,而上层控制器可脱离车辆动力学模型独立设计,这一优点使其相对于直接式纵向控制应用更广泛。分层式纵向控制结构如图5-18所示。任务六

车辆横向控制二、

纯跟踪算法

纯跟踪算法是基于车辆的几何学模型,由卡耐基梅隆大学的DongHunShin等人首次提出的,并经过了大量研究人员的拓展和实验,纯跟踪算法原理示意图如图5-19所示。任务六

车辆横向控制三、

斯坦利(Stanley)算法Stanley算法由斯坦福大学首次提出,其曾被用于参加DARPA无人驾驶挑战赛,该方法本质是一种与跟踪误差和航向偏差有关的非线性反馈函数。其示意如图5-20所示。纯跟踪算法是基于车辆的几何学模型,由卡耐基梅隆大学的DongHunShin等人首次提出的,并经过了大量研究人员的拓展和实验,纯跟踪算法原理示意图如图5-19所示。任务六

车辆横向控制三、

斯坦利(Stanley)算法Stanley算法由斯坦福大学首次提出,其曾被用于参加DARPA无人驾驶挑战赛,