人工智能与嵌入式.pptx

2019 嵌入式 人工智能 CREATIVE by：刘德健，郑宏，王涛，田竟民，谭茜成 目 录 CONTENTES 3 Part 01 软件可行性 4 无人驾驶关键技术 第一个问题是定位，自动驾驶需要的是厘米级定位。 第二个问题是路径规划，自动驾驶的路径规划第一层是点到点的非时间相关性拓扑路径规划，第二层是实时的毫秒级避障规划。第三层是将规划分解为纵向（加速度）和横向（角速度）规划。 第三个问题是车辆执行机构执行纵向和横向规划，也就是线控系统。 第一个和第三个问题主要由硬件解决，下面将介绍无人驾驶路径规划算法。 5 5 已知无人驾驶车辆的几何形状和动力学模型，以及通 过车载传感器采集到的周围环境信息，包括障碍物的分布 及状态等。路径规划的任务就是根据接收到的信息，计算 一条免碰撞且满足车辆动力学和几何约束的可行轨迹。并将规划结果输出至运动控制层，车辆根据规划轨迹实时 给出合适的控制量，以实现车辆对轨迹的跟随。 在一个空间中，车辆的所有状态集合称为其构形空 间，用符号 Ｃ 表示，障碍物构形空间用 表示，构形空 间自由 连续映射称为构形空间中的一条可行路径。车辆的状态空间是由状 态方程和输出方程总和起来构成的一个完整的动态描述， 是在构形空间上加上车辆所受的非完整约束条件速度、曲 率维度等得到的。类似于构形空间，状态空间的起始构 型、终止构型、障碍区域和自由区域可分别表示 可行轨迹在构形空间中的投影就是 可行路径。 路径规划问题可用三元组 来描述， 路径规划算法就是根据一系列的状态输入量，找出由初始 状态到达目标状态的可行轨迹。 问题描述 6 6 传统的路径规划算法是研究人员多年来研究的最基本，最成熟的算法，这些算法原理简单易实现，并以得到广 泛应用。本文着重介绍在无人驾驶车辆上得到较好应用 的两类传统路径规划算法，分别是以 Ａ＊ 算法为代表的基 于图搜索的路径规划算法和以快速扩展树（ ｒ ａｐｉｄｌ ｙ　ｅｘｐｌｏ － ｒ ｉｎｇ　ｒａｎｄｏｍ　ｔｒｅｅ，ＲＲＴ）为代表的基于采样的路径规划 算法。 　1基于图搜索的路径规划算法 基于图搜索的路径规划算法的基本思想是将状态空 间通过确定的方式离散成搜索图，并用各种启发式搜索算 法计算其可行解。 Dijstra算法是一种经典的最短路径搜索算法，但 其广度优先的性质会导致搜索太多无关节点。因此，在 ２０世纪６０年代 Ｈａｒｔ等提出了启发式的 Ａ＊ 搜索算法，其基本公式如下： ｆ（ｎ＝ｇ（ｎ）＋ ｈ （ｎ） （ １） 式中： ｆ（ｎ）为初始状态到目标状态的估计代价；ｇ（ｎ）为初始状态到状态ｎ的实际代价； ｈ（ｎ）为状态ｎ到目标状态的估计代价。虽然 Ａ＊算法能有效解决最短路径问题，但其存在易 陷入“死循环”、规划路径折点多、在动态环境中规划效果不佳等问题。 2基于采样的路径规划算法 与基于搜索的路径规划算法不同，基于采样的路径规 划算法通过均匀随机采样的方法来探索高维状态空间的 连通性。此类算法的最大特点有两个： １）无需对状态空间 的自由区域进行建模； ２）由于其随机采样的特点，搜索速 度快，规划效率高，缺陷在于不能处理非完整约束动力学 问题。典型的基于随机采样的算法是ＲＲＴ算法，该算法不要求状态之间精确连接，适合解决无人驾驶车辆在复 杂环境下的路径规划问题。 传统算法 7 7 传统算法 8 8 随着对各个交叉学科的研究，各类智能优化算法也被 引入到路径规划领域，通过模拟自然界生物的行为规律实 现优化的目的，智能优化算法具有自学习、自决定功能。 近年来，典型的智能优化算法包括蚁群算法（ａｎｔ 　 ｃｏｌｏｎｙ ｏｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ） 、触须算法（ ｔ ｅｎｔａｃｌｅ 　 ａｌ ｇｏｒｉｔｈｍ） 和智能水滴算法（ ｉ ｎｔｅｌｌｉ ｇｅｎｔ　ｗａｔｅｒ 　 ｄｒｏｐｓ，ＩＷＤ） 。 智能优化算法 9 9 强化学习（Reinforcement Learning, RL）指无人驾驶 车辆利用自身传感器不断与环境相互作用来获取未知环境的知识。其学习构架如图3所示。 基于强化学习的算法 强化学习的优势在于通过和环境交互试错进行在线 学习，在行动和评价的环境中获得知识，对行动方案进 行改进适应环境，以获得最优动作。常用的强化学习算法 有瞬时差分法、 Ｓａｒｓａ算法和 Q-Learning算法。其中Q-Learning算法是最有效的与环境模型无关的算法，具有在 线学习的特点。 虽然强化学习在随机动态环境的路径规划中有较好 应用，但如何加快算法收敛速度，降低空间复杂度，提升在 环境中的学习能力，一直是研究的难点问题。文献提 出基于近似动作空间模型策略选择的Q-Learning学习算 法，文献提出双层强化