基于混合自动机的自动驾驶车队路径规划和协调控制外文翻译资料

 2021-11-04 10:11

英语原文共 16 页

基于混合自动机的自动驾驶车队路径规划和协调控制

黄子超,褚端峰,吴超仲,贺宜

摘要

联合驾驶系统可以通过协调控制和对单个车辆进行排队来提高道路基础设施资源的利用率,从而提高交通安全性和效率。车辆协同驾驶本质上是混合系统,其实是离散事件的组合,即离散协作机动模式的转换,例如车辆合并和排分,以及连续车辆动力学。本文将一种由离散协同机动开关和连续车辆运动控制组成的新型混合动力系统引入到具有分布式控制结构的多车辆协同控制系统中,使每个自动车辆分别进行路径规划和运动控制。本文的主要创新之处在于它提出了一种将人工势场(APF)与模型预测控制(MPC)相结合的控制算法,并使用MPC控制器的优化器来代替传统APF方法中的梯度下降方法。这种方法可以同步完成路径规划和运动控制。其次,基于混合自动机建立了由系统状态集和离散机动转换规则组成的协同机动切换模型,用于协同驱动系统中的两个离散机动,即单车巡航和多车队。几种典型交通场景中的模拟证明了所提出方法的有效性。

关键词 自动车队,路径规划和跟踪,模型预测控制,人工势场。

介绍

在过去的几十年中,车辆数量的增加已经对交通安全、拥堵和环境污染造成严重问题。研究表明,超过90%的车辆碰撞是由人为错误引起的[1]。自动驾驶技术目前被认为是可能具有改善道路交通安全性和效率的可能解决方案之一[2],[3]。自动车辆通常利用诸如LiDAR,雷达和摄像机之类的车载传感器来感测用于路径规划的交通环境信息,然后进行车辆运动控制以跟踪计划的路径。目前,有许多研究在单车辆自动控制的一些关键技术上取得了重大进展,例如自适应巡航控制(ACC)[4],自动紧急制动(AEB)[5]-[7],车道保持辅助(LKA)[8],[9]等。通常,这种自动控制器的性能在很大程度上取决于测量精度和车载传感器的范围。一些研究表明,完全自动驾驶的车辆必须被驱动数百万英里以证明其可靠性[10]。因此,如何提高这种基于传感器的自动车辆的实用性已成为一个重要问题。随着无线通信技术的快速发展,如专用短路通信(DSRC)和蜂窝通信LTE-V/5G,协同驱动技术逐渐引起了许多研究者的关注。

相对于单个车辆自动驾驶,通信支持的协作驱动系统(CDS)的一些优点可以被识别出来。首先,无线电波可以长距离传播并通过障碍物,这可以大大扩展检测范围,从而提供前所未有的驾驶环境视野。例如,Kim等人。[11]提出了一种使用协作感知的多车辆协同驱动系统架构,该架构可以将感测范围扩展到所有连接车辆的并集。其次,通过可靠的V2X(车辆到车辆),即车辆到车辆(V2V)和车辆到基础设施(V2I)通信,可以在车辆和基础设施之间共享的信息的测量或估算相较于使用板载传感器远程可以更丰富,质量更高。[12],[13]除了车辆运动状态之外,每辆车的预期机动可以直接与他人共享,而不是对周围车辆信息的估计。最后,通信允许车辆协调其操作以实现安全或效率目标,例如避免碰撞或排队。在诸如传输之类的CDS中使用网络通信也存在一些延迟,网络带宽有限问题,以及相同的媒体共享问题。就解决这些问题进行的相关研究。Ouml;ncuuml;等人[14]设计了一个网络控制系统框架,用于分析车辆之间无线通信对CACC弦稳定性能的影响。Harfouch等[15]提出了一种自适应交换控制方法来处理车辆间通信损失的异构队列。然而,从长远来看,协同驱动技术可以是一种有效的方法,可以结合路径规划和跟踪控制以及V2X信息来提高自动驾驶汽车的性能[16],[17]。

许多CDS试图将多个车辆组成一队。CDS车队是一组由领导车辆组成的车队,该领导者在道路上引导车队,并且跟随者在短距离跟随他们的前车。由于更高的平均巡航速度,更短的车间间隙和更低的空气阻力,自动车辆的排队能够提高交通吞吐量并降低油耗[3]。通常,为了开发CDS,需要解决两个主要问题:第一个是协调每个车辆控制器的动作;第二个是每个自动车辆的分布式控制[18]。

对于第一个问题,即车辆协同,建立合适的系统架构至关重要。大多数研究人员认为CDS是一种混合系统,包括离散协同机动开关和连续运动控制。Cassandras指出,混合系统架构通常可以自然地将系统分层分解为代表以时间驱动动力学为特征的物理过程的低级组件,以及代表与这些物理过程相关的离散事件的高级组件[19]。加州大学伯克利分校PATH小组的研究人员对自动公路系统进行了一系列研究,这是CDS的早期版本[20]-[22]。他们提出了一种五层分布式控制架构,包括网络,链路,协调,调节和物理层,分层控制架构的思想被广泛应用于其他合作驱动系统的后续研究[18],[23]。与PATH组相同,Iftekhar等将自动驾驶车队视为多目标植绒,并提出了一种多智能体模型来执行分离/重新加入机动。同时,他们指出整个框架是一个混合系统,具有与相应驱动模式相关的有限数量的离散状态[24]。通常,CDS的任务是保证车辆控制器在正确的时间执行正确的操纵,例如巡航,合并,分裂,换道,超车等。

第二个问题是根据协同算法分布式执行车辆的特定操纵。它可以通过完成路径规划和跟踪的过程来解决。对于公路车辆,路径规划的主要任务是确保安全。路径规划领域的研究一般可分为两类全局和局部方法。全局方法有几个缺点,尤其是密集计算。它通常仅适用于离线路径规划,不能用于实时避障。局部方法的主要优点是它们的计算要求远低于全局方法。因此,它们可用于实时控制。对于局部路径规划,通常有两种技术类型。一种是基于地理信息的方法,另一种是基于人工势场(APF)。尽管APF起源于机器人避障领域[25],但由于其简洁和优雅,许多研究人员现在将APF方法应用于自动驾驶车辆的路径规划[26]-[28]。沃尔夫等人提出了APF功能,包括车道,道路,车辆和速度功能,用于高速公路上的自动或半自动车辆的路径规划和避障。但是,他们在规划路径时没有考虑车辆模型[29]。轨迹跟踪是指车辆纵向和横向耦合控制器,以产生相应的控制动作并驱动车辆完成计划的路径跟踪。李等人[30]提出了一个集成的局部轨迹规划和跟踪控制框架,以使车辆顺利地遵循参考路径。弦稳定性是队列的重要特征。与其他大多数研究不同,郭等人[31]为异构车队设计了一个自适应分布式控制器,并分析了弦的稳定性。关于协同机动控制算法有很多研究[32]-[38]。然而,目前关于CDS的研究经常将合作驾驶的任务分解为上述各种自动车辆控制操纵。这些研究倾向于将这些动作视为相对独立的动作。为了实现自动车辆更好的灵活性,不应单独控制这些操作。例如,自适应巡航机动不仅需要执行车道保持,而且当障碍车辆突然出现在主车辆前方时也需要超车。因此,提供一种统一的算法非常重要,该算法可以使自动车辆能够处理一般的交通场景。

假设自动车辆已经配备了车载传感器和无线通信模块,以获得其周围环境和自身运动状态的丰富信息。本文提出了一种基于混合动力自动机的多车辆协同驱动系统混合动力学特性的分布式混合动力控制结构。基于APF和MPC的组合,引入了多车辆协同控制系统。本文的贡献如下。首先,基于车载传感器和无线通信的信息,建立了APF模型,能够有效地描述车辆与周围环境之间的相互影响和协作。之后,提出了一个结合APF的MPC控制器,以同步完成路径规划和运动控制。这种控制器是根据考虑车辆运动学约束和安全性的优化设计的。最后,它建立了一个混合自动机模型,该模型具有离散机动转换规则,包括双机动开关,即单车巡航和多车队队,实现自动车队队的合作驾驶。

本文的提醒组织如下。在第二节中,我们描绘了自动车队队的系统架构。第三节介绍了协同驱动系统的人工势场模型。组合APF的MPC控制器在第IV节中设计,混合自动机模型在第IV节中构建。在第五节中,案例研究用于验证所提出的算法。第六节给出了仿真结果分析,论文在最后一节总结。

自动化系统架构

车队在协同驱动系统中,自动车辆不仅可以使用车载传感器自主安全地驾驶,而且还具有通过使用V2V的合作与相邻自动车辆进行排队的功能。如图1所示,用于自动车辆的协同控制器包括三个功能部分:1)通过车载传感器和V2V处理包括车辆运动状态和交通环境的组合信息;2)在当前交通事件下,基于混合自动机模型生成车辆机动转换规则的控制目标和约束;3)输出控制命令,即转向角和纵向加速度,以实现车辆的横向和纵向运动控制。自动车队的协同控制有两个任务:连续车辆运动控制和离散机动转换规则。在这项研究中,基于混合动力学建立了由连续车辆系统状态和离散机动转换组成的混合系统自动机。

图1.协同控制系统示意图

为了简化自动驾驶车辆和系统控制结构的离散机动转换, 我们在此重点介绍具有单车巡航和多车队队的双机动切 换逻辑。也就是说,每辆车要么排成一排,要么单独巡航。如图2所示,混合动力系统通过两个离散操纵的过渡建模,包括用于单车巡航的排分操纵和用于多车队队的合并操纵,以及基于连续车辆运动控制的连续车辆运动控制。关 于MPC方法。

因此,这两个MPC控制器之间唯一的功能差异是车头距离 保持,MPC控制的成本函数中的相同术语,即车辆模型, 人工势场(APF)模型和约束条件。此外,APF模型负责交 通环境感知,以产生用于自动车辆的路径规划的最佳轨迹。

图2.基于混合自动机的自动车队的协同控制

基于车辆的车辆路径规划(人工势场法)

人工势场方法首先由Khatib在机器人避碰的研究中提出, 这是一种路径规划问题[25]。人工势场通常包括迫使物体到达的“碗状”吸引场和“山状”排斥场,力朝向相反方向。由于其类似于人的感知特性,这种方法已成为机器人路径规划的流行方法。

类似于自动车辆的移动机器人可以通过使用APF方法跟踪所生成的轨迹来避开障碍物。在这种情况下,一个精心设计的代表前方障碍的排斥场的形状对于避障有效性起着至关重要的作用。排斥场总是具有影响区域,其到目标障碍物的距离越短,排斥力越大。而且,在影响区域之外,排斥力将迅速减小到最小值或为零。在数学上,排斥场的形状被定义为具有两个独立变量的函数,即势场影响的极限距离和到目标障碍物的最短距离。

  1. 道路环境人工势场模型的结构

通常,自动车辆的安全性和移动性可能受到两种物体的影响,即相邻车辆和交通线路标记。通过板载传感器和V2V通信获得这些目标对象的信息。因此,我们设计了一个人工势场函数来计算道路环境中某点(m,n)的电位,包括以下三个部分[29]。

(1)

其中,,、和分别表示由障碍车辆引起的主车辆的电位,相邻的交通线标记,以及在车辆上施加潜在的向前拖动的行驶方向。

  1. 障碍车辆的电位

通过对相邻障碍车辆的影响建模,保持对象与障碍车辆之间的安全距离是有效的。由于道路几何和车辆动态特征障碍车辆周围部分的危险等级分布不均匀。例如,障碍车的横向危险等级主要取决于两辆车之间的相对距离,但纵向危险等级取决于相对速度。

因此,我们使用不同的函数来描述障碍车辆纵向和横向的人工势场模型。具体地,描述了障碍车辆的影响横向延伸,但是使用其纵向影响作为主机。

基于坐标系进行障碍车辆电位的建模,其中原点位于车身框架末端的中点,x方向位于其纵向运动,如图3所示。我们使用描述障碍车辆纵向影响的主机的粗实线表示为如下的分段函数。

(2)

其中,是车辆电位最大值的常数。和K分别表示主车辆和其障碍车辆之间的相对速度和相对距离。当它们沿相同方向移动时,如果主车辆比其障碍车辆移动得快,则>0,则相反地<0。S是安全间隙,预设为 ,其中是传感器和计算引起的时间延迟,是给定的最小安全间隙。

如图3和方程(2)的下部分所示,在障碍车纵向方向上,位于beta;剖面上的P类点P2的势能值是一个恒定的,对于像P1这样的点属于截面alpha;,相对速度le;0时,=0,反之则等于它揭示了电位的价值是负的,与相对距离有关与被试车辆及其障碍车的相对速度呈正相关。

障碍车辆在主车辆的横向方向上的电位通过使用其作为所述主机架的纵向影响而朝向障碍车辆的两侧延伸。我们使用高斯型函数,其与等效相对距离呈指数相关。结合公式(2)和潜在的计算算法,我们可以得到两个方向的总电位如下。

(3)

其中,如图3的下半部分,等效相对距离D是额叶拐点P3与障碍车辆轮廓边缘之间的欧几里得距离,或在P1和P2的情况下,障碍车辆横向的相对距离。是一个障碍车所在位置的收敛性系数。

图3.障碍车辆的人工势场建模示意图。

图4.主题车辆相关交通车道标记的人工势场建模示意图。

  1. 交通线标志的电位

自动车辆的运动应受到交通线标记的限制,其影响也可以被描述为一种潜在的类型。在路面上有两种线标记:1)不允许车辆像图4中的l1和l4交叉的边界线,2)可交叉的车道线,但可能导致横向冲突,如l2和l3。就交通线标记对主车辆的影响而言,其电位的建模如下进行。

(4)

其中,k(i)(i=1,2,3,4)是增益,是车道电位系数,是交通线标志电位和 收敛系数,i代表点与线标记li之间的距离(i=1,2,3,4)沿横截面A中的Y轴,如图4所示

可以理解的是,车道线和边界线的电位分别与距离d车道呈指数和二次相关。这两种潜在函数根据交通规则揭示了它们对主车辆的影响。注意,k(i)是车道线的增益,其值与主车辆的位置有关。例如,当主车辆在左车道行驶时,到目标车辆的相邻车道线是,因此k(2)=1。由于车道线和主车辆被分开中间车道,k(3)大于k(2),因此取k(3)=2。在另一种情况下,当主车辆在中间车道行驶时,和都是在车辆的相邻车道线,然后我们取。

因此,交通线路的电位总值标记是所有线标记对主题车辆的影响的组合。

原文和译文剩余内容已隐藏,您需要先支付 20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。