自主车方案调研报告Word文档格式.docx

自主车方案调研报告Word文档格式.docx

《自主车方案调研报告Word文档格式.docx》由会员分享，可在线阅读，更多相关《自主车方案调研报告Word文档格式.docx（36页珍藏版）》请在冰豆网上搜索。

自主车的导航方式可分为:

基于环境信息的地图模型匹配导航，基于各种路标的视觉导航和基于其他各种传感器的导航等。

定位的主要方法有:

惯性定位、陆标定位、声音定位、视觉定位等。

（5）路径规划

路径规划是自主车实现自主导航的一个重要问题，是机器人智能化的重要标志。

自主车的最优路径规划问题，就是依据某个或某些优化准则（如工作代价最小、行走时间最短、行走路线最短等），在自主车的工作空间中寻找一条从起始位置到目标位置的无碰撞路径。

根据自主车对环境信息的已知程度，路径规划可分为对环境完全已知的全局路径规划和对环境信息完全未知，通过传感器实时地对工作环境进行探测，以获取障碍物的位置、尺寸和形状等环境信息的局部路径规划。

在理论和实验层面，路径规划的方法较多，但是，现实复杂环境下的路径规划问题一直是一个没有很好解决的难题，比较多的是尝试用遗传算法来进行路径规划问题并取得一定成功。

二、自主车国内外发展状况

2.1国外自主车的发展状况

在世界科学界和工业设计界中，众多的研究机构正在研发智能车辆，其中具有代表性的智能车辆包括：

意大利MOB-LAB的研究。

MOB-LAB是开放“移动试验室”的代名词，后来用来研发车载实时图像处理系统，通过计算机视觉系统来检测车道轨迹，实现车辆自主驾驶。

MOB-LAB有以下主要特点：

车辆前后装备彩色摄像机，用来检测车辆外部环境;

两个实时数字图像处理器（利用相应算法结构，以200ms一幅图像速度分析图像）;

4个车载传感器来测量横向和纵向车辆加速度;

在车辆左右侧安装的毫米波雷达感知道路左右两侧环境;

两个PC处理器处理雷达和其他融合的传感器数据。

德意志联邦大学的研究。

德意志联邦大学己经研发出多辆智能原型车辆。

在1985年，第一辆VaMoRs智能原型车辆就已经在户外高速公路上以100km/h的速度进行了测试。

使用机器视觉来保证横向和纵向的车辆控制。

1988年，在都灵的PROMETHEUS项目第一次委员会会议上，智能车辆维塔（VITA,7t）也进行了展示，该车可以自动停车、行进，并可以向后车传送相关驾驶信息。

这两种车辆都配备UBM视觉系统。

这是一个双目视觉系统，具有极高的稳定性，同时还包括一些其他种类的传感器：

三个加速度计、一个车轮位置编码器（可

作为里程表或速度计），在VaMoRs车中，GPS接收机可以实现车辆位置的初步估算。

美国俄亥俄州立大学的研究。

美国俄亥俄州立大学智能交通研究所所研发的三辆智能原型车辆，配备不同的传感器来实现数据融合和错误检测技术：

基于视觉的系统;

雷达系统（检测与车道的横向位置）;

激光扫描测距器（障碍物检测）;

其他传感器，如侧向雷达、转向陀螺仪。

利用基于视觉的方法实现道路检测。

利用一台安装在后视镜处的CCD摄像机，位置要尽可能高，车道检测系统可以处理这样的单幅灰度图像。

算法假设道路是水平地，并且有连续或点化的车道标志线。

前几帧检测的车道标志线数据也用来决定下一步兴趣热点区域，以简化图像处理。

算法从图像中提取出重要的亮域，并以向量行驶存储，如道路消失点或道宽这样的数据参数，都可以作为计算车道标志线的参考，最后为了处理点划车道线，可以通过一阶多项式曲线来拟合，在进行向量计算。

如果检测到左右车道标志线，就可以利用左右标志线来估计车道中心线;

否则也可以利用估计的车道宽度及相关可视标志来估算中心线。

　　发达国家从20世纪70年代开始进行自主车研究，目前在可行性和实用性方面，美国和德国走在前列。

美国是世界上研究无人驾驶车辆最早、水平最高的国家之一。

早在20世纪80年代，美国就提出自主地面车辆（ALV）计划，这是一辆8轮车，能在校园的环境中自主驾驶，但车速不高。

美国其它一些著名大学，如卡耐基梅隆大学、麻省理工学院等都先后于20世纪80年代开始研究无人驾驶车辆。

然而，由于技术上的局限和预期目标过于复杂，到20世纪80年代末90年代初，各国都将研究重点逐步转移到问题相对简单的高速公路上的民用车辆的辅助驾驶项目上。

1995年，一辆由美国卡耐基梅隆大学研制的无人驾驶汽车Navlab-V，完成了横穿美国东西部的无人驾驶试验。

在全长5000km的美国州际高速公路上，整个实验96%以上的路程是车辆自主驾驶的，车速达50--60km/h。

尽管这次实验中的Navlab-V仅仅完成方向控制，而不进行速度控制（油门及档位由车上的参试人员控制），但这次实验已经让世人看到了科技的神奇力量。

丰田汽车公司在2000年开发出无人驾驶公共汽车。

这套公共汽车自动驾驶系统主要由道路诱导、车队行驶、追尾防止和运行管理等方面组成。

安装在车辆底盘前部的磁气传感器将根据埋设在道路中间的永久性磁石进行导向，控制车辆行驶方向。

1991年日本学者Kageyama等将模糊控制理论引入驾驶员模型建立了模糊控制驾驶员模型。

模型中考虑到外界对驾驶员开车行为的影响，引入“风险等级”的概念来表示这一影响。

在轨迹决策中的“风险等级”即驾驶员从前方路况获得的“危险感觉”，这种感觉来自十四个方面:

车辆与道路左侧的间距、与道路右侧的间距、前方道路曲率变化和有无障碍物。

这四方面的风险感觉由参数为速度、路宽、道路形状等因素的指数函数来表示，并由模糊推理来决定。

驾驶员心目中的理想轨迹是由这四方面因素综合。

由模糊推理得到的最小风险等级来决定的;

轨迹跟踪过程中，主要考虑了轨迹跟随反馈控制和加速/制动控制。

假定驾驶员能够获得由最小风险等级得到的理想行驶轨迹和汽车实际行驶轨迹的误差及其变化率，驾驶员通过控制方向盘转角和转动角速度来控制转向轮，同时根据相应的路况进行加减速等。

加减速的指令也为最小风险等级的函数。

该模型由于考虑了驾驶员对汽车行驶轨迹的决策过程，从而使传统的驾驶员方向控制模型得到了更全面的推广。

1993年Kageyama等为了更好地研究描述驾驶员模型中的非线性因素，又建立了基于神经网络的驾驶员一汽车一道路系统模型。

整个模型包括三个部分：

驾驶员轨迹决策神经网络模型、驾驶员轨迹跟随神经网络模型和汽车动力学神经网络模型。

2005年，美国国防部“大挑战”比赛上，最终由美国斯坦福大学工程师们改装的一辆大众途锐多功能车经过7个半小时的长途跋涉完成了全程障碍赛，第一个到达了终点。

在赛道上，无人驾驶汽车需要穿越沙漠、通过黑暗的隧道、越过泥泞的河床并需要在崎岖险峻的山道上行使，整个行程无人驾驶汽车需要绕过无数个障碍。

在无人驾驶技术研究方面位于世界前列的德国汉堡Ibeo公司，最近推出了其研制的无人驾驶汽车。

这辆无人驾驶智能汽车由德国大众汽车公司生产的帕萨特2.0改装而成，外表看来与普通家庭汽车并无差别，但却可以在错综复杂的城市公路系统中实现无人驾驶。

行驶过程中，车内安装的全球定位仪随时获取汽车所在准确方位的信息数据。

隐藏在前灯和尾灯附近的激光扫描仪是汽车的"

眼"

，它们随时"

观察"

汽车周围约183m内的道路状况，构建三维道路模型。

除此之外，"

还能识别各种交通标识，如速度限制、红绿灯、车道划分、停靠点等，保证汽车在遵守交通规则的前提下安全行驶。

最后由无人驾驶汽车的"

脑"

----安装在汽车后备厢内的计算机，将两组数据汇合、分析，并根据结果向汽车传达相应的行驶命令。

多项先进科技确保这款无人驾驶汽车能够灵活换档、加速、转弯、刹车甚至倒车。

在茫茫车海和人海中，它能巧妙避开建筑、障碍、其他车辆和行人，从容前行。

此外，韩国理工大学的PRV系列车并不是直接将神经网络输出给执行器，而是经过基于神经网络模块的处理然后控制执行器，模仿了人类的驾驶习惯。

2.2我国自主车的发展状况

　　我国在自主车的开发方面要比国外稍晚。

国防科技大学从20世纪80年代开始进行该项技术研究。

1989年，我国首辆智能自主车在国防科技大学诞生，这辆自主车长100cm、宽60cm、重175ks，有3个轮子，前轮是一个导向轮，后边有两个驱动轮。

它包含了自动驾驶仪、计算机体系结构、视觉及传感器系统、定位定向系统、路径规划及运动控制系统，还有无线电通信、车体结构及配电系统。

1992年，国防科技大学研制成功了我国第一辆真正意义上的无人驾驶汽车。

由计算机及其配套的检测传感器和液压控制系统组成的汽车计算机自动驾驶系统，被安装在一辆国产的中型面包车上，使该车既保持了原有的人工驾驶性能，又能够用计算机控制进行自动驾驶行车。

2000年6月，国防科技大学研制的第4代无人驾驶汽车试验成功，最高时速达76km，创下国内最高纪录。

其智能控制系统主要由3部分组成：

传感器系统、自动驾驶仪系统和主控计算机系统。

　　由上海和欧盟科学家合作的中国城市交通中的无人驾驶技术（CyberC3）项目取得了阶段性成果，首辆城市无人驾驶车在上海交通大学研制成功。

“无人驾驶技术”主要依靠车上的5个“器官”来保证。

首先是位于车头上的俯视摄像头，它是车辆的“眼睛”，能够准确识别地上的白线，从而判断前进方向。

在“眼睛”的一旁，一个凸出车头的激光雷达就像车辆的“鼻子”，随时“嗅”着前方80m范围内车辆和行人的"

气息"

。

而在车辆的左右两侧，两只超声传感器就像车辆的"

耳朵"

，倾听着四面八方的声音。

除了用"

眼睛"

指挥前进外，该车还可以通过另一种方式----用一只无形的"

手"

来感知地面的磁性物体，从而判断前进方向，而这只"

就是位于车头底部的磁传感器。

但这种方法需要在车辆运行的道路上埋人磁钉。

最后的"

器官"

便是车辆的"

了，位于远处的遥控指挥中心是车辆的"

大脑"

，通过无线传输向车辆下达特殊指令；

而车辆内部的计算机则是它的"

小脑"

，通过汇聚"

、"

鼻子"

所得到的信息来避开周围车辆和行人。

再配合程序中设计好的各景点的位置，无人驾驶车便能顺利地将乘客送到他们想去的地方。

最近，国防科技大学机电工程与自动化学院和中国第一汽车集团公司联合研发的红旗旗舰无人驾驶轿车，其总体技术性能和指标已经达到世界先进水平。

该车装备了摄像机、雷达，可以自己导航，对道路环境、障碍物进行判断识别，自动调整速度，不需要人做任何干预操作。

与电子巡航、GPS导航不同的是，它的定位更加精确，转弯和遇到复杂情况也不需要人来控制。

车内的环境识别系统识别出道路状况，测量前方车辆的距离和相对速度，相当于驾驶员的眼睛；

车载主控计算机和相应的路径规划软件根据计算机视觉提供的道路信息、车前情况以及自身的行驶状态，决定继续前进还是换道准备超车，相当于驾驶员的大脑；

接着，自动驾驶控制软件按照需要跟踪的路径和汽车行驶动力学，向方向盘、油门和刹车控制器发出动作指令，操纵汽车按规划好的路径前进，起到驾驶员的手和脚的作用。

这辆无人驾驶轿车在正常交通情况下，在高速公路上行驶的最高稳定速度为130km/h，最高峰值速度为170km/h。

1994年中国农业大学的余群等人建立了一个驾驶员的模糊控制模型。

该模型将汽车的侧向位移与横摆角速度作为模糊输入，方向招‘转角作为模糊输出，进行了单移线和双移线的仿真计算，随后余群及孙仪刚等又利用神经网络理论和模糊控制理论建立了一个基于汽车方向控制的具有自学习功能的驾驶员模糊神经网络智能控制模型，设计了具有实现驾驶员模糊神经控制模型的网络拓扑结构。

“九五”期间，我国继续组织研究了第二代地面自主车ALVLABII，由南京理工大学、国防科大、浙江大学、清华大学、北京理工大学联合研制。

该车道路环境下自主行驶最高速度为74km/h，正常行驶速度为30.6Km/h，越野环境白天行驶最高速度为24kKm/h，夜间行驶最高速度为15km/h，同时支持临场感遥控驾驶及战场侦察等功能。

此外，国防科技大学研制的全自主无人驾驶汽车，能够在无人干预情况下，自主点火，起步，换档，停车等，高速公路环境下，最高时速达75.6公里。

国内具有代表性的系统还有:

清华大学研制的THMR-V，吉林大学研制的JLUIV系列实验车以及西安交通大学研制的Springrobot实验车等。

在我国，吉林大学智能车辆课题组长期从事智能车辆自主导航机理及关键技术研究。

20世纪90年代以来，课题组开展的组态式柔性制造单元及图像识别自动引导车的研究对我国独立自主开发一种新型自动引导车辆系统，从而为我国生产组织模式向柔性或半柔性生产组织转化提供了有意义的技术支撑和关键设备。

课题组己开发出JUTIV-1,JUTIV-2,JLUIV-3三种型号的自动引导车辆，其中JLUIV-3实用型视觉导航AGV已投入工厂进行中试，并得到吉林省科委“新型视觉引导AGV及自动物流运输系统开发”项目、长春市政府科技引

导计划新星创业项目、吉林大学科技园高新技术产品孵化项目的立项资助，目前该种AGV己完成商品化研制，即将投入市场。

由于JUTN-3型AGV性能优越，智能化程度高，属国内首创，必将会产生重大的社会效益和经济效益。

三、采用神经网络实现的可行性探讨

3.1神经网络进行自主车控制原理

随着神经网络的发展，人们开始尝试将神经网络结合其它技术，开发出新的轨迹跟踪控制方法。

神经网络进行智能控制的主要特点有：

（1）能够充分逼近任意复杂的非线性系统;

（2）能够学习和适应严重不确定性系统的特性;

（3）由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的容错性;

（4）采用并行分布处理方法，使得快速进行大量运算成为可能。

典型的控制结构包括如下方案:

神经网络监督控制、神经网络直接逆控制、神经网络自适应控制、神经网络内模控制、神经网络预测控制;

神经网络自适应评判控制。

但是采用神经网络仍存在以下缺点：

（1）缺乏系统化的方法来构造网络的结构;

（2）网络需要一定时间来训练，训练完成前不能很好地控制系统;

（3）网络权值没有明确的物理意义，权值的初始化过分依赖经验;

3.2神经网络的主要控制功能

1）规划路径：

神经网络作为一种高度并行的分布式系统，为机器人的路径规划提供了可能，其基本原理是将环境障碍等作为神经网络的输入层信息，经由神经网络并行处理，神经网络输出层输出期望的转向角和速度等，引导机器人避障行驶，直至到达目的地。

优点是并行处理效率高，具有学习功能，能收敛到最优路径。

近年来，许多研究工作已取得较好的效果。

但是传统的神经网络对环境的表示方法都采用根据障碍的形状，对每一个障碍都用一定的神经元来表示，当障碍物较多，网络规模往往庞大，处理运动的障碍时，由于障碍物边界方程的不定性，通常要求网络神经元的闭值随着障碍边界的方程变化而不断地调整，使得实际中难应用。

为尽量简化网络的规模，Hopfield网络、自组织网络、PAC和MLP相结合的网络等被用于对机器人的路径进行规划，取得了一定的成果。

2）避障：

对于避障系统而言，我们可以通过在采样状态的障碍物信息的输入和控制输出数据中找出避障的各种行为模式，从而生成相应的模糊逻辑控制规则。

另一方面，神经网络虽然可以通过训练来学习给定的经验，并据此生成映射规则，但是这些映射规则在网络中是隐含而无法直接理解的。

因此，想从神经网络内部去调整它的权值参数，进而改进它的性能，对于现在的我们具有一定的难度。

然而，如果把模糊逻辑控制引入到神经网络中，就会发现它能给神经网络带来很多优点，比如减少了对存储器的要求，增加了神经网络的泛化能力和容错能力等。

再者，还可以利用相应的模糊系统来初始化神经网络结构，从而使得模糊控制器规则的在线精度和神经网络的学习速度均能得到较大的提高。

通过上述分析可以看出:

模糊逻辑和神经网络这两种技术具有互补性，对于自主车避障这样复杂的系统，模糊神经控制技术有着巨大的优势。

3.3神经网络用于自主车控制的可行性

对于自主车的控制算法，神经网络应该是不错的选择，神经网络技术对于对非线性问题有很好的适应能力。

自主车系统中通常使用神经网络模型的前馈多层感知网络，系统将传感器获得的视频图像作为神经网络输入，将转向方向作为期望输出。

自主车控制算法要解决的重要问题是:

输入——>

控制模型——>

输出控制参数。

以下主要讨论神经网络用在自主车控制算法上的可能性以及如何利用神经网络于自主车控制算法：

1）一般自主车控制器建模过程。

控制器建模主要是建立一个输入和输出之间的关系模型。

要建立自主车车直线、弧线行走的控制模型，需要通过实测数据建立驱动控制和自主车转弯偏移量的关系，那么输入的参数是当前速度，曲率大小，转弯弧度，最大安全速度，目前偏移角度等等参数，而输出的就是目标速度，目标角度。

2）主要使用神经网络的回归拟合功能对自主车进行控制。

神经网络用于自主车控制算法上的优势比较明显，模型可以随时调整，而且模型不是通过公式表示，只是一个神经网络来表达，避免复杂的参数调整和试算过程。

通过新的环境参数得到新的网络，增强系统的适应性。

神经网格的核心就是得到一组网络参数，控制模型就是一个神经网络，它包含很多参数，如权值，隐含层数，训练方法，神经元模型，传递函数等，只要建立一个神经网络，那么输入和输出的关系就建立起来了。

3）在决策层和数据层同时运用神经网络。

正如数据融合一样，有决策层和数据层的融合，神经网络也一样，有决策层和数据层的运用。

由于自主车的路径是连续的，那么数据层的神经网络能一定程度上预测输入数据变化。

4）重视归一化处理和神经网络训练算法。

这两点很重要，归一化可以改进数据的规范性，加快收敛。

训练算法的重要性不言而喻，如用梯度下降法训练法使误差达到最小。

3.4基于模糊神经网络的自主车避障控制

随着自主车应用日益广泛，对自主车的智能要求也越来越高，而其智能程度主要依赖于对环境的正确理解。

因此，多传感器的信息融合就成为提高自主车智能的关键技术。

由于模糊逻辑技术和神经网络技术在自主车避障控制中具有各自独到的优点，所以下面重点介绍这两种方法，然后在这两种方法的基础上给出一种组合方法—模糊神经网络法。

（1）模糊控制

自主车在避障过程中所面对的环境对象非常复杂，实践证明最优控制和随机控制往往不能保证自主车避障控制的最佳特性，效果不十分明显。

而模糊控制有适应系统变化的能力，在本质上可以实现非线性控制。

对于自主车避障的模糊控制而言，其关键问题是建立合适的模糊控制器，主要完成障碍物距离值的模糊化、避障模糊关系的运算、模糊决策以及避障决策结果的非模糊化（即精确化）处理等重要过程，从而智能地控制自主车的避障行为。

（2）神经网络

神经网络是人工智能领域的一个重要分支，它具有学习能力和非线性映射能力，利用它可以解决一些复杂的系统控制。

自主车的避障系统是一个非常复杂的非线性控制系统，具有模型不精确性和不确定性。

因此，神经网络在这方面有很大的应用潜力。

（3）模糊控制和神经网络相结合的解决方法

避障系统可以通过在采样状态的障碍物信息的输入和控制输出数据中找出避障的各种行为模式，从而生成相应的模糊逻辑控制规则。

然而，如果我们把模糊逻辑控制引入到神经网络中，就会发现它能给神经网络带来很多优点，比如减少了对存储器的要求，增加了神经网络的泛化能力和容错能力等。

再者，我们还能利用相应的模糊系统来初始化神经网络结构，从而使得模糊控制器规则的在线精度和神经网络的学习速度均能得到较大的提高。

（4）基于模糊神经网络的自主车避障

对于自主车而言，在运动过程中是否能快速、准确地对周围环境作出反应，比如避开前方障碍物并且不间断地移动到目的地是非常重要的。

考虑到神经网络的学习收敛性差以及模糊逻辑控制的控制规则过多的缺点，采用一种通过应用一定量的模糊规则与模糊Kohonen聚类网络相结合的方法，生成一种启发式的模糊神经网络，并且通过对该模糊神经网络进行离线非监督式训练，从而建立起超声波传感器输入信号与自主车速度之间的模式映射关系。

此算法提供给自主车较为迅速的反应能力，从而实现自主车连续、快速地避障。

基于模糊神经网络的信息融合模型如下图。

3.5神经网络自主车控制的难点

神经网络常用的一般有：

感知器，BP，HOPFILED，RBF，ANN，ART和Kohonen网络。

自主车中选用的神经网络的要求：

收敛快，计算量小，泛化性能好。

神经网络比PID，模糊控制，遗传算法，bangbang等算法，更宏观，可以理解为从系统整体入手建模。

1）难点在于计算量和收敛特征的问题。

2）另外，神经网络的缺点还在于无论在分类还是拟合作用上，计算精确性并不是100%。

3）神经网络的实时性较差。

神经网络的训练过程会耗费过多的时间，同时神经网络的训练数据也是需要进行选择的，这也耗费了一定的时间。

个人觉得利用神经网络进行速度控制有较大优势，比PID控制起来精度会有些缺陷，但速度快。

四自主车控制的其他方法研究

4.1基于模糊控制理论的智能车辆研究

我们知道，操纵和控制车辆实质上可被看作是一复杂、时变、非线性大系统的控制过程，驾驶员对汽车的认识是建立在模糊认识的基础之上的，如对汽车速度的认识就是车速很快、快、较快、较慢、很慢，对汽车的转向操纵是左转大、左转小、零、右转小、右转大等。

模糊理论是建立在人类思维模糊性的基础之上的，其特点是可以用模糊性的自然语言表示知识和用知识实现模糊推理，模糊控制的核心是在于它用具有模糊性的语言条件语句，作为控制规则去执行控制，控制规则往往是由对被控制过程十分熟悉的专门人员给出的，所以模糊控制本质上是一种专家控制，充分