智能网联汽车技术：无人驾驶汽车路径规划PPT教学课件.pptx

;学生通过该项目的学习,了解无人驾驶汽车路径规划概述、基于模型预测控制算法的路径跟随控制、汽车自适应避险的速度控制、汽车转向与速度的综合控制,提高学习兴趣。学生通过对无人驾驶汽车路径规划的总体认知,初步了解无人驾驶汽车路径规划的学习内容,同时,加深对无人驾驶汽车路径规划知识的理解。;无人驾驶技术使得道路交通系统从“人-车-路”系统变为“车-路”系统,这样不仅大大提高道路交通的安全性,也将有效减少道路交通事故引起的生命损失与财产损失,甚至还可以代替人类完成一些特殊任务。因此,无人驾驶技术对于人类而言具有不可估量的价值与意义。;路径跟随是实现汽车自动驾驶的关键功能,其主要原理是采用控制方法来控制汽车准确跟随目标路径从而到达目的地。驾驶员转向行为是其必不可少的研究领域,很多学者对驾驶员转向行为特性的研究也由来已久,并提出很多与汽车转向控制有关的驾驶员模型。

路径跟随模型从不同的方面可以进行不同的分类,主要按照有无预瞄环节将驾驶员转向控制模型分为补偿控制类模型与预瞄控制类模型。;知识拓展;;路径规划是指在模型化的环境中按照一定的评价标准规划出一条从起始状态到目标状态的可行路径。根据对环境信息的把握程度,路径规划可分为两类:基于环境信息已知的全局路径规划,又称为静态规划或离散规划;基于传感器信息的局部路径规划,又称为动态规划或在线规划。两者的主要区别在于:前者在规划时没有考虑环境的现场约束,如障碍物的形状和位置、道路的宽度、道路的曲率半径等;后者通过传感器设备实时获取周围环境信息,除了周围障碍物的形状、位置信息与道路的形状信息外,还包括交通信号、车辆自身的行驶状态等。;路径规划的核心就是算法的设计,从传统算法到智能算法,路径规划技术已经得到了极大的发展。

智能仿生算法是受自然界的启发,通过模拟自然生物的行为规律从而实现优化目标的目的。目前智能仿生算法有蚁群算法、神经网络算法与遗传算法等。;1.蚁群算法

蚁群算法(antcolonyoptimization,ACO)是一种迭代寻优算法,其原理启发于蚁群觅食的群落行为。蚂蚁在觅食过程中会在道???上留下一定浓度的信息素,并会选择信息素较多的路径行走,在相同时间内最短路径上蚂蚁经过的次数最多,这条路径含有的信息素最多,从而得出一条最佳路径。该算法模拟蚁群觅食这一过程,其优点是可以进行全局寻优,并且可以进行并行计算,方便计算机实现。其缺点在于计算量大,并且容易陷入局部最优解。;2.神经网络算法

神经网络算法是一种表现很优秀的仿生智能算法,在人工智能领域中有着很广泛的应用。其思想主要来自生物神经网络行为,可用于实现分布式并行信息处理。神经网络具有非常优秀的学习能力,而且学习能力鲁棒性强。但是将其运用于路径规划时,效果并不理想,因为复杂的环境很难用公式进行描述。不过,将该算法与其他算法结合用于路径规划却是一个很好的尝试。;3.遗传算法

遗传算法是一种应用广泛的智能算法,是人工智能领域的一个重要分支。算法思想来源于达尔文生物进化论中的遗传选择和优胜劣汰的自然法则,是一种迭代求解的优化算法。其通过建立与基因遗传学原理相似的数学模型来模拟基因的交叉、变异、选择、适者生存的过程来解决问题。遗传算法最大的优点是可以通过与其他算法相结合来进行迭代寻优。;知识拓展;知识拓展;;路径跟随是无人驾驶控制技术的核心,其控制的结果不仅影响到汽车的跟随准确度,也影响到汽车的操纵稳定性,这也对车上乘客的安全问题有直接影响。因此,该领域受到研究人员的广泛关注与研究,目前已经有很多与此有关的研究成果。其中,模型预测控制算法(modelpredictioncontrol,MPC)是比较优秀的转向控制方法。其多点预瞄的思想很符合人类驾驶汽车的行为习惯;可受约束的多目标优化策略使控制结果实用可靠;其滚动的优化方式使算法对速度的鲁棒性表现良好。因此,采用模型预测控制算法控制汽车的转向,从而实现汽车自动跟随路径的功能。;模型预测控制算法是一种基于预测模型的算法,它根据历史信息和未来输入预测出未来状态。其可通过输入不同的控制策略得到不同的输出结果,进而可以比较这些控制策略的优劣。模型预测控制算法由于采用了多步预测、滚动优化和反馈校正等策略,因而具有鲁棒性好、对模型精确性要求不高的优点。它的基本原理包括预测模型、滚动优化和反馈校正3个环节。;1.预测模型

预测模型能够根据控制对象的历史信息和输入变量预测出未来状态输出。传递函数与状态方程这类传统的模型可以作为预测模型,对于线性稳定对象,甚至阶跃响应与脉冲响应函数等非参数模型也可以作为预测模型。

假设某一预测模型,给定未来不同时间节点处的控制策略可以观察到对应的状态输出,给定不同的控制策略,将会得到不同的未来状