to prof.liutoprof.liuto prof.liuto prof.liu.doc

1、基于PreScan的无人驾驶仿真系统简介：无人驾驶技术是当前智能控制、网络通信、车辆工程等领域的新兴的、热门的研究方向，对提高交通效率、降低交通事故率有着不可估量的作用。本系统是一种基于PreScan的具备主动适应城市道路自动导航功能的无人驾驶仿真系统，采用车联网技术和道路交通信息中心平台，基于改进蚁群算法的路径规划神经网络集成PID控制控制系统对于突发事件有快速正确的反应对于延迟有较大程度的容忍车辆动力学的控制稳定快速不超调；路径规划算法能在最短的时间内得到最优解，保证了系统的实时性。 基于信息中心的自动导航及无人驾驶系统模型 基于信息中心的自动导航及无人驾驶系统模型如图利用信息中心的无线基站网络对车辆和道路的状态进行感知，解算出当前所有车辆的最佳路径，并且发送到智能车辆进行执行的装置。架构为信息中心是信息中心通过路侧基站的DSRC与车辆进行数据交换，可以车辆的坐标，速度，加速度等信息同时连接到撞车传感器，实时道路安全状况。当事故发生或数据表明存在严重安全隐患时，获取事故发生的路口，并且查找所有期望路径中有该路口节点但是还没有到的车辆，重新为其计算路径。 1 无人驾驶系统架构图 车辆的纵向动力学控制 图 2基于神经网络的加速度控制 ②车辆的横向动力学控制模型 因此，建立车辆的横向动力学控制 图 3改进的PID控制车辆转角的模型 （3）基于退火思想的蚁群算法的实时路径规划算法 传统的蚁群算法的信息素挥发速度是固定的，如果取得太大，收敛变得缓慢，如果取得太小，容易陷入局部极小。退火算法的思想是，开始的熵值足够大，防止陷入局部极小，表现为有一定概率接受比当前最优解差的一个解。本引入退火算法的思想，开始的时候信息素挥发的速度足够快，随着迭代次数的增加慢慢降低，加速收敛。同时建立简化的拓扑模型，道根据当前坐标实时确认当前的曲率和偏差，自动确定当前的操作。 4所示，它是镇江市某地段真实道路的微缩场景。该场景中一共有20个路口，共计29段路，每段路都是双向四车道。路测分布32个DSRC全双工基站，用于与车辆通讯。行驶车辆上安装有车载全双工DSRC模块和用于检测车身周围环境的距离传感器。实验软硬件环境如下：PreScan6.4、Matlab 2012a、CPU为i7 4700MQ(2.4GHz*8)，内存 GTX 765M。 图 4 PreScan中2D路段设计与搭建 （2）信息中心设计与实现 信息中心主要由通信硬件、收发控制程序构成，它通过DSRC基站与智能车辆进行双向通信，以便获取车辆的信息，并向车辆推送路径信息。信息中心的信息流设计如图5所示。 图 5 信息中心的信息流图 在道路场景DSRC的布置如图6DSRC发送信息的作用范围，在此区域内DSRC设置正确就可收发信息，主要包括车速、转向、坐标等等。 图 6 DSRC 全双工19信道收发一体模块 7设置了车辆静态质量惯量参数。图8为选型车辆的引擎参数设置，车辆的引擎参数表示在不同的节气门开度下，不同的转速所能输出的转矩，图9为选型车辆的自动换挡时机设置。 图 7 关于车辆静态质量惯量参数设置 图 8 车辆引擎参数设置 横坐标：引擎转速(rpm)纵坐标：引擎转矩(N*m) 9 自动换挡时机设置 横坐标：节气门开度(%)纵坐标：车速(m/s) 图10为传统神经网络控制与神经网络整合PID控制车辆加速度的误差比较。图11为基于神经网络减速的加速度控制误差曲线12为加速度正弦响应误差 图 10 传统神经网络控制与神经网络整合PID控制车辆加速度的误差比较 (输入：0.75m/s2的阶跃 横坐标：纵坐标： 加速度误差(m/s2) 11 神经网络减速的加速度控制误差曲线 (虚线：常规神经网络控制实线) 横坐标：纵坐标： 加速度误差(m/s2) 12 加速度正弦响应误差 (虚线：常规神经网络控制实线) 输入sin(t) 横坐标：纵坐标： 加速度误差(m/s2) 图13为车辆自动调整变道时的轨迹比较图。图14为自动变道的转向盘操作记录比较图。 图 13 车辆自动调整变道的时候的轨迹比较 (虚线实线：常规PID+角度偏差输入) 横坐标：地图坐标纵坐标：地图坐标 图 14 自动变道的转向盘操作记录比较 (虚线实线：常规PID+角度偏差输入) 横坐标：时间(s) 纵坐标：转向盘转角(deg) 图15为图4联通状态拓扑结构图，道路之间，连接都是双向的，不存在单行线 图 15 事故前道路联通状态图 假设当16 为事故后道路联通状态图。 图 16 事故后道路联通状态图 图17为控制系统控制下车辆行走的路径的实时、动态更新图。图18将期望路径与实际行驶路径轨迹映射到图4所示的仿真交通场景中，系统在11号路口发生交通事