智能车辆系统设计与导航优化

© 2013 MayurParulekar，Dr. V. Ramesh，Prasad Joshi，VirajPadte，DhavalShroffElsevier B.V出版;美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 4（2013）43 - 492013年AASRI智能系统与控制智能车辆系统Mayur Parulekar1，Dr. V. Ramesh1，Prasad Joshi1，Viraj Padte1，Dhaval Shroff1印度孟买D.J Sanghvi学院研究创新中心mvparulekar@gmail.com;virajpadte@gmail.com摘要将安全驾驶的责任委托给自动驾驶汽车需要自动驾驶系统非常强大。为了给自动驾驶汽车设计一个强大的导航系统，我们决定参考最复杂的系统，即“人类”。在人类身上，我们特别注意到，我们拥有一系列感官，这些感官为我们执行家务提供了所需的鲁棒性和效率。它清楚地表明，在人类中，我们拥有的各种感官恰好相互补充，以支持一个过程。在此基础上，提出了车道线检测与跟踪的优化方法。此外，自动泊车辅助、巡航模式或自动车道保持辅助等智能车辆的计算可扩展性继续增长，以实现无人驾驶操纵，从而消除了驾驶中手动或判断错误的可能性。我们模拟了地面车辆在转弯机动，如一个步骤车道变化的建模过程如下，车辆进行平移以及旋转运动。我们将使用它来设计控制算法，用于在使用动态矩阵控制的安全规则集下执行车道变换操纵，动态矩阵控制是模型预测控制的子集。这就要求我们将车辆横向变量转换为固定坐标。该应用程序依赖于在反馈回路模式中递归获得的传感器读数，用于处理和部署校正动作，以利用状态的非线性函数并找到控制输入，例如系统的状态、位置、加速度、对等体移动，以递归地估计并提高用于避免碰撞和目标定位的结果估计的质量。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。由美国应用科学研究所负责选择和/或同行评审关键词：模型预测控制，动态矩阵控制，Labviwe，车辆定位，车道竞争2212-6716 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。美国应用科学研究所负责的选择和/或同行评审doi：10.1016/j.aasri.2013.10.00844Mayur Parulekar等人/ AASRI Procedia 4（2013）431. 介绍将安全驾驶的责任委托给自动驾驶汽车需要自动驾驶系统非常强大。为了给自动驾驶汽车设计一个强大的导航系统，我们决定参考最复杂的系统，即“人类”。在人类身上，我们特别注意到，我们拥有一系列感官，这些感官为我们执行家务提供了所需的鲁棒性和效率。它清楚地表明，在人类中，我们拥有的各种感官恰好相互补充，以支持一个过程。让我们举一个简单的例子，如图1a-1b所示。图1.a-人类感官知觉图1b-汽车感官知觉假设一个人必须从一个蓝色的房间导航到一个红色的房间，其中导航的附加信息是红色的房间非常热，而蓝色的房间很冷。如图所示，人类到达正确目的地所遵循的路径是V-R-N-J-F-B-C-D路径，在该路径中，他使用眼睛来识别颜色。当人类接近较热的房间时，温度也会增加。这种额外的感觉增加了接近的速度，也便于选择方向，因此到达的路径经历了优化。这表明导航效率随着传感器阵列（在这种情况下是两个）分别用于颜色检测和温度感测而增加，所述传感器是眼睛和皮肤。现在，这可以等同于自主导航系统。假设车辆需要从地点A导航到地点B。Primera全球定位系统将用于导航，利用其坐标信息进行路径确定和跟踪。为了补充这个导航过程，我们建议添加行人和车道跟踪机制的元素，使导航鲁棒性和快速。这在图1b中示出。2. 基于SCILAB有必要进行数学建模，以根据变化的输入来预测控制器的动作。下面使用模型预测控制[1]算法来考虑这些，其中使用的输入是加速度（正和负）、质量、惯性和转向、相邻集合中车辆的对等位置，而输出是车辆的位置坐标。考虑参数R：测量过程变量的数量; S：控制输出的数量; P：预测范围; M：控制范围。A：动态矩阵=;其中a11=阶跃响应系数矩阵，Mayur Parulekar等人/ AASRI Procedia 4（2013）4345u =接下来M个采样时刻的S个变量的控制输出的向量/矩阵。在动态矩阵控制中，它是模型预测控制的一个子集，我们希望通过找到Nc个操纵变量的未来变化的最佳值，使Np个未来输出与某个最优轨迹相匹配。这与用具有Nc系数的方程拟合Np个数据点相同，其中显然Np应该大于Nc。假设存在Np个数据点，其给出了在Np个下表1中所示的两个变量X1和X2的已知值处的测量变量y的值，那么我们希望找到两个参数M1和M2的值，使得测量变量y由表1的等式给出，并且其中是y的预测值，由下式给出= M1 X1 + M2 X2（1）表1数据点X1值X2值Y值1X11X21Y12X12X22Y23X13X23Y3NPX1NpX2NpYNp我们可以将其应用于每个数据点，性能指数是预测误差，由下式给出：i= M1 X1i + M2 X2i（2）J =2或J =第二章（三）将J对M1和M2求导，并将导数设为零，我们得到：（4）第二次世界大战= 2 = 0或 M12 + M2=（5）而M1+M22=（6）这两个等式变为：XT XM = XT Y（7）其中，X = M = Y =并且M =（XT X）-1XT Y（8）假设我们的模型由Nc个变量的Nc个参数组成，那么i= m1 x1i + m2 x2i +... + mNc x Nci（9）在这种情况下，我们的参数向量变为：m = Nc x 1向量（10）46Mayur Parulekar等人/ AASRI Procedia 4（2013）43类似地，系数矩阵变为：现在，我们可以将性能指数定义为：J =+ X2（12）J对mk的偏导数为：= 2 + 2 = 0（13）对于第一个参数m1，该等式可以写为：M1+ m 2+... + m Nc =（十四）所有这些方程都可以写成矩阵形式：[XT X +] = XT Y OR m = [XT X +]-1 XT Y（15）2.1 阶跃响应模块假设m1是t=0时输入的阶跃变化，y1是t= Ts时的响应，那么，在t= 0 = 0在t= Ts = b1 m1时在t= 2Ts = b2m1 + b1 m2在t= 3Ts = b3m1+b2m2 + b1 m3在t= 4Ts = b4m1+b3m2+b2m3 + b1 m4在t= 5Ts= b5时m1+b4m2+b3m3+b2m4 + b1 m5类似地，输入变量中具有Nc个变化的Np个时刻的输出可以写成如下所示这可以写成：（十六）其中B是Np×Nc是系数矩阵;是Np× 1是输出向量，是Nc× 1输入向量我们定义一个新的Np×Nc矩阵A为：其元素与B的元素相关如下：aik = bi+1-k其中对于i，bi= 0然后，输出的值可以写为：（十七）如果在前Np步中操纵变量发生了Np次变化，并且没有发生其他变化，则由于输入中的旧变化，输出将在未来发生变化。（十八）Mayur Parulekar等人/ AASRI Procedia 4（2013）4347然而，在当前时刻，即第0时刻，我们可以测量过程的实际输出.如果模型是完美的，如果没有干扰，实际值和预测值将相等。第0时刻的预测值由下式给出：（十九）在第i个采样周期，将和之间的差加到预测值中，从而改善响应。（二十）最后一个表达式用于DMC计算，其中闭环响应将由下式给出（二十一）因此，DMC算法通过最小化性能指标J来找到操纵变量（AM）new的最佳值。通过最小二乘公式，我们可以写为：（m）new= [AT A +2I]-1 AT Y然后我们继续如下1-根据操纵变量的过去值和受控变量Ym的当前测量值计算Yol，i的Np值。2-根据上式计算操纵变量未来变化的Nc值。3-实现第一个变化mi。4-测量下一时刻的受控变量Ym并重复现在，我们可以基于Will Zak模型以状态空间格式表示车辆建模方程（二十二）基于上述方程，我们可以使用SCILAB1= -x x 3 +（Fyf + Fyr）;2= x3;3 = （11个Fyf4= -xx2式中，=前轮转向角; =航向角; Fyf/r=前/后轮胎横向力; m=车辆质量= 1280 kg，I= 2500 kg.m2; I=车辆转动惯量= 2500kg.m2; l1 l2 =重心到前轴和后轴的距离分别为1.2 m和1.22 m。3. SCILAB实验结果与Java Applets使用SAE中的可用数据和方程，我们使用SCILAB演示了我们的系统行为[2]其中我们训练汽车最初理解并基于图2中所示的步骤输入创建参考。48Mayur Parulekar等人/ AASRI Procedia 4（2013）43图2- x1：y方向速度; x2：航向角; x3：偏航速度; x4：y方向在图3中，每辆车与以下状态向量相关联-位置（x，y）、速度（v）、加速度（a）和当前车道（l）。它将基于其邻居的当前速度航向来更新其信息，该当前速度航向将是时间的随机、随机和不确定的函数，从而进行车道争用。然后，它将使用这些信息，并根据自己的安全控制计算，决定是否继续在同一车道上行驶或进行超车操作，如下面3（a-c）所示。图3a-具有随机速度的轿厢的位置1图3b-轿厢的位置2图3c-上面所在静态避障方面，目标下的系统可以表现为下面的图4a所示。这被扩展为使用汽车的动态障碍物，其中使用LiDAR[3]和安装在我们的测试车上的接近传感器（配备LabVIEW [4]和图（4 b-c）中所示的Ackerman steering）进行处理，考虑到每个预测范围t和控制范围，其对目标环境进行映射以决定最佳车道，这在我们先前的车辆定位工作中有报道[5-6]Mayur Parulekar等人/ AASRI Procedia 4（2013）4349图4a-静态避障操纵图4 b-实验室中的测试车图4c。CAD布局4. 结论我们已经介绍了我们的工作，强调需要更多的传感要求，强大的自主自驱动和自我意识的车辆。有了这个，我们介绍了车道竞争的概念和需要的数学建模的原因，软件计算速度更快，可以减少对硬件的约束。该建模用于训练系统从先前的参考初始学习汽车的行为，并且随着车辆动态的变化而优化自身以提供相同的性能，而不管硬件脱机，从而在运行时引入优化。然后，我们验证了我们的工作与控制的车辆编队使用模拟Scilab计算得到的结果的基础上。5. 引用[1] 陈文生，[2] www.scilab.org[3] M.; Sakai，U.; Ogata，J.，“使用激光雷达和卷积神经网络的实时行人检测”，智能车辆研讨会，2006年IEEE，第一卷，不，第213，218页，0-0 0[4] www.ni.com/labview[5]Parulekar，M.;Shroff，D.;Padte，V.;Nangalia，H.;Metawala，A.，“车辆定位和智能交通系统“，第12届混合智能系统国际会议（HIS），第306，311页[6] M. Parulekar等人，ISBN 978-3-642-31686-9