基于模型预测控制的自动驾驶车辆车道检测和轨迹跟踪控制外文翻译资料

 2022-08-10 03:08

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于模型预测控制的自动驾驶车辆车道检测和轨迹跟踪控制

摘要：为保持自动驾驶车辆轨迹跟踪控制的精度和稳定性，提出了一种车道检测与模型预测控制( MPC )相结合的新方法。对于该方法，以装有摄像头的自动驾驶车辆作为研究对象，应用动态感兴趣区域( ROI )提取、边缘检测和Hough直线检测等图像识别技术对车道线进行提取。接下来，为了对提取的车道线进行跟踪，构建了基于三自由度车辆动力学模型的MPC控制器，利用基于横摆角和横摆角速度的模糊控制器对前轮转向角进行修正。为了验证所设计控制器的有效性，基于Matlab / Simulink-Carsim建立了仿真模型。并在双移线道路下进行仿真。仿真结果表明，优化后的跟踪轨迹与期望轨迹均方根误差减小了19.35 %，表明所设计的控制器具有良好的鲁棒性和适应性。

关键词：车道检测、模型预测控制、轨迹跟踪、自动驾驶车辆

命名

：

上边界线平移系数

：

图像坐标中的点

：

道路上的要点

：

相机水平和纵向焦距

：

前后轮胎受到的纵向力

：

前后轮胎受到的侧向力

：

前后轮胎受到的x方向的力

：

前后轮胎受到的y方向的力

：

车辆整备质量

：

车辆绕Z轴的转动惯量

A

：

轮胎侧偏角

S

：

滑移率

：

轮胎纵向速度

：

轮胎侧向速度

：

预测时域

：

控制时域

：

车辆侧向加速度

：

取样时间

：

仿真步长

：

权重矩阵

：

松弛因子

：

前轮转角最高界限

：

前轮转角最低界限

：

前轮转角最高界限增量

：

前轮转角最低界限增量

：

航向角

：

簧载质量

：

质心高度

：

轴距

：

前轮轮距

：

后轮轮距

：

车辆绕X轴的转动惯量

：

车辆绕Y轴的转动惯量

1.引言

近年来，由驾驶员因素引起的交通事故迅速增加，自动驾驶技术成为解决问题的重要途径(施晓明和孙晓明，2018 )。然而，在这些交通事故中，大部分是由车辆越过车道线和车辆失控引起的。在自动驾驶研究中，环境感知和轨迹跟踪技术是加快自动驾驶应用的关键因素。因此，该领域的许多研究者对车道检测技术和轨迹跟踪技术进行了大量深入的探索( Bila等，2017 )。

在结构化道路的车道检测领域，( Ozgunalp amp; Dahnon，2016 )提出了一种改进的RANSAC算法和双车道模式拟合法，仿真结果表明，该车道检测方法在很多道路条件下具有较好的实时性，但研究中没有对图像进行感兴趣区域的选择。为了提高车道检测的精度，（Zheng等，2018）提出了基于IPM和抛物线拟合的特征映射，检测精度达到96 %。但是，感兴趣区域的提取不能适应纵向车速的变化。另一方面，文献( Ozgunalp等，2017 )提出了基于密集消失点估计的车道线检测算法，大大提高了车道线检测的准确性，同样，该方法不提取ROI，适应纵向速度的变化，提高了实时性。为提高复杂环境下车道线检测的效率，Lee和Kim ( 2016 )采用部分ROI提取车道线，但该方法不能适应变速车道线的提取。在轨迹跟踪领域，研究人员开展了许多研究，通过PID、LQR和MPC算法实现有效的轨迹跟踪（Guo等，2016）。（Li等，2016）提出了一种PID转向控制器和SMC驱动控制器来控制自动驾驶车辆。与传统方法相比，该控制器具有较好的控制性能，但该控制器不能用于高速车辆，在车速变化时也会发生抖动。（Levinson等，2011）将LQR控制器应用于斯坦福大学自动驾驶车辆的水平和垂直一体化控制。但未分析车辆动力学约束对最优控制的影响。文献( Attia等，2014 )采用非线性横向和纵向动态耦合模型对自动驾驶车辆进行控制，仿真结果表明，该方法具有良好的横向可控性，计算复杂，实时性较差。为了提高实时性，（Cao等，2017）提出了一种基于最优模型的轨迹跟踪策略。但该策略只有在假设曲率路径下才能有效跟踪。（Gutjahr等，2017）中将线性时变模型预测控制器应用于轨迹跟踪优化，但该模型未对控制器本身的性能进行检验，并结合实际提取的车道进行控制器性能评价。

在上述车道检测研究中，都没有根据车速的变化自动提取ROI。同样，上述轨迹跟踪研究中提取的车道线没有作为期望轨迹，也没有评价车道检测与轨迹跟踪相结合的效果。

鉴于以上研究，为使ROI提取适应车速变化，准确跟踪提取的车道线，首先提出一种动态ROI提取车道线的方法。接下来对提取的区域进行Hough直线检测和二次曲线拟合处理。然后，将基于三自由度车辆动力学模型的MPC构造为追踪期望轨迹。最终设计了双移线工况和基于前轮转角补偿的模糊控制器，以检验控制性能，提高跟踪控制精度。

2. 车道线图像预处理

为实现自动驾驶车辆跟随期望车道线，首先需要采集道路信息，通过图像处理技术对道路信息进行处理，得到道路输入信息，作为MPC的期望轨迹。本文使用的车道线视频流来自UDACITY。

三原色( RGB )图像中包含的颜色信息对车道线检测无用，因此将RGB图像转换成灰度图像，以减少图像处理中的计算量。

鉴于一个像素的颜色是RGB ( Red，Green，Blue )，通常采用浮点法将RGB图像转换为灰度。灰度值的转换公式为：灰度= 0.3times;红 0.59times;绿 0.11times;蓝，RGB图像的转换直到灰度值代替RGB中各个颜色通道的亮度值时才能完成( Assidiq等，2008 )。

为了突出图像中的有用信息，减弱或消除干扰噪声，需要对原始图像进行图像增强处理( Li等.，2018 )。本文采用实时直方图对原始图像进行均衡。

图1为原始图像与均衡图像的对比图。从图1可以看出，经过直方图均衡化处理后，图像中像素的动态范围得到了扩展。并且直方图均衡化有效地增强了图像对比度，突出了车道线信息。

图 1冲击前后直方图均衡化图像增强对比图

在图像处理中，通常存在大量的干扰信息，如天空和路面的两侧。为了提高车道线检测的实时性，将无用信息剔除。通常，ROI是提取ROI时图像处理中的重点。

在（Tian等，2017）中，首先对图像进行边缘检测和直线检测，得到消失点。然后，提取图像消失点以下的部分作为感兴趣区域。

但图像处理的方法计算了大量的干扰信息，降低了实时性。为了避免误选ROI，提高实时性，本文提出了一种基于垂直车速的动态ROI提取方法。

当车辆纵向速度较高时，对前面道路信息的需求较大。同样，由于汽车横向行驶速度较高，对左右车道信息的需求也较大。因此，RIO的大小与车辆的纵、横向速度密切相关。当车道线曲率较大时，横向车道信息的筛选容易造成近场信息的丢失。由此可见，动态ROI提取仅基于纵向速度的变化。动态ROI的示意图如图2所示。

图 2基于纵向速度的动态ROI示意图

在图2中，动态ROI的边界纵向速度为v0。当自动驾驶车辆纵向速度大于边界速度时，动态ROI的上边界充当边界线，同样，当自动驾驶车辆纵向速度小于边界速度时，动态ROI的上边界向下移动。因此，根据图像平面坐标系关系，得到动态ROI的上边界表达式：

其中，代表纵向边界速度，km/h。代表上边界平移系数，0.75 pixels/(km/h)。代表自动驾驶车辆的纵向速度。

本文根据经验值设定车辆的临界速度，以ROI的上边界作为上边界临界线。图3为ROI提取前后的对比图。

图 3 ROI提取前后对比图

为了减少车道线检测的计算工作量，通过对比文中ROI的像素量，分析了该方法的优缺点。

与采用消失点作为ROI上边界的方法相比，该方法的总像素为1.1084times;109，比传统方法低5.37 %。

3. 边缘检测和车道线检测

为纠正相机透视引起的车道线宽度差异，需要利用惯性坐标系、相机坐标系和成像平面之间的转换关系，将成像平面的车道线转换为惯性坐标系。

图4中，惯性坐标系定义为{} = {,,}，图像坐标系为。相机坐标系表示为，相机坐标系的原点为相机的光心位置( Yang 等，2018 )。

图 4 IPM中3个协调系统之间的关系

为简化计算，将摄像机坐标系的平面定义在惯性坐标系的平面中，摄像机高度为h。表示图像平面中的任意一点。

根据投影关系、旋转关系和平移关系，惯性坐标系和摄像机坐标系可以相互转换。惯性坐标系中某一点与光心的像元差的转换关系为投影关系，惯性坐标系与相机坐标系的夹角和方向的组合关系为旋转关系，直线平移取决于两个坐标系中的平移关系。因此，惯性坐标系与相机坐标系之间的变换矩阵可表示为式( 2 )：

变换关系定义为：

其中表示图像坐标中的一点。为道路上的一点，和分别表示摄像机的水平和纵向焦距，和分别为光心的水平和纵坐标。,，俯仰角和偏移角之间的关系表示为。

为了便于边缘检测、直线检测和拟合过程，需要通过反透视变换将灰度图像转换为平行的垂直车道线。由此可见，IPM图如

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[238551]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章