基于駕駛員行為的神經(jīng)網(wǎng)絡(luò)無人駕駛控制*

張文明 韓泓冰 楊玨 易筱

(北京科技大學(xué) 機(jī)械工程學(xué)院， 北京 100083)

基于駕駛員行為的神經(jīng)網(wǎng)絡(luò)無人駕駛控制*

張文明 韓泓冰 楊玨?易筱

(北京科技大學(xué) 機(jī)械工程學(xué)院， 北京 100083)

針對鉸接式自卸車的轉(zhuǎn)向特性，提出了一種基于駕駛員行為的神經(jīng)網(wǎng)絡(luò)無人駕駛控制方法.建立了以激光雷達(dá)、角度傳感器為主要環(huán)境信息的采集系統(tǒng)，通過分析鉸接式車輛轉(zhuǎn)向特征建立鉸接式自卸車運(yùn)動學(xué)模型和動力學(xué)模型，利用ADAMS動力學(xué)軟件建立車輛動力學(xué)模型并進(jìn)行車輛穩(wěn)態(tài)測試.建立基于最優(yōu)預(yù)瞄控制的人工神經(jīng)網(wǎng)絡(luò)控制算法的駕駛員模型，通過ADAMS-Matlab/Simulink聯(lián)合仿真驗(yàn)證模型.最后搭建真實(shí)巷道環(huán)境進(jìn)行直線路段回正實(shí)驗(yàn)和曲線路徑跟蹤實(shí)驗(yàn)，結(jié)果顯示，該控制模型在變曲率路段中，橫向位置偏差小于可通過路徑寬度的10%，航向角偏差優(yōu)化90%，表明該神經(jīng)網(wǎng)絡(luò)駕駛員控制模型收斂速度快，穩(wěn)態(tài)特性好，具有良好的無人駕駛能力.

駕駛員模型；神經(jīng)網(wǎng)絡(luò)；動力學(xué)模型；聯(lián)合仿真

鉸接式礦用汽車[1]因具有良好的靈活性、機(jī)動性、高效性等突出優(yōu)點(diǎn)，被廣泛應(yīng)用于大型露天礦山的礦石及巖土運(yùn)輸，而礦下惡劣的環(huán)境，特別是在不適合人員長時間工作的掘進(jìn)過深區(qū)域，直接危害井下駕駛員的健康安全[2- 5].研究無人駕駛鉸接式礦用汽車可以減少井下工作人員數(shù)量，最大限度保護(hù)駕駛員，同時也是礦山設(shè)備智能化的必然趨勢.

鉸接車前后車架間通過鉸接軸和擺動架連接，前后車體之間由液壓缸驅(qū)動進(jìn)行折腰轉(zhuǎn)向.相對于傳統(tǒng)的剛性車，鉸接車獨(dú)特的轉(zhuǎn)向方式具有更復(fù)雜的運(yùn)動模式和特點(diǎn).由于復(fù)雜的線性不確定性，運(yùn)用神經(jīng)網(wǎng)絡(luò)對在建模過程中的假設(shè)和簡化進(jìn)行一定程度的補(bǔ)償，減少模型不精確部分帶來的誤差，其中駕駛員行為數(shù)據(jù)的引入，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，進(jìn)一步提升了無人駕駛的控制精度.

文中針對鉸接車復(fù)雜運(yùn)動特性與環(huán)境特點(diǎn)，建立運(yùn)動學(xué)和動力學(xué)仿真模型，并提取和模擬駕駛員行為特征，最終設(shè)計(jì)了一套基于駕駛員行為的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)，并在實(shí)驗(yàn)中驗(yàn)證該控制的可靠性.

1 鉸接式車輛運(yùn)動學(xué)及動力學(xué)建模

1.1 轉(zhuǎn)向運(yùn)動學(xué)分析

文獻(xiàn)[6]中以前橋中點(diǎn)為參考點(diǎn)，忽略輪胎的軸向彈性形變影響，假設(shè)車體在接地點(diǎn)處不產(chǎn)生橫向運(yùn)動，結(jié)合圖1分析運(yùn)動學(xué)和幾何關(guān)系，推導(dǎo)出鉸接車等半徑穩(wěn)態(tài)轉(zhuǎn)向時前橋角速度：

(1)

式中,vf為鉸接車前進(jìn)速度，θf為航向角，γ為前后車體鉸接角，lf為前橋中點(diǎn)到鉸接點(diǎn)的長度,lγ為后橋中點(diǎn)到鉸接點(diǎn)的長度.

鉸接車的前橋中點(diǎn)姿態(tài)可表示為Pf=[xfyfθfγ]，則得到運(yùn)動學(xué)方程組：

圖1 鉸接車的軌跡分析圖Fig.1 Trajectory analysis of articulated vehicle

(2)

1.2 基于ADAMS的模型仿真

文中控制對象為35t礦用鉸接式自卸車，其基本設(shè)計(jì)參數(shù)如表1所示.

表1 35t礦用鉸接式自卸車基本設(shè)計(jì)參數(shù)

Table1Basicdesignparametersof35tonminearticulateddumptruck

設(shè)計(jì)項(xiàng)目設(shè)計(jì)值空載質(zhì)量/t28.8滿載質(zhì)量/t63.8載重量/t35設(shè)計(jì)最高速度/(km·h-1)35輪距/mm2278軸距/mm5120最大折腰角(鉸接角)/(°)45輪胎自由半徑(mm)/滾動半徑(mm)1011.5/961

實(shí)際路面情況復(fù)雜[7]，選用E級路面譜作為三維模型的環(huán)境條件.為驗(yàn)證仿真模型的可行性與真實(shí)性，進(jìn)行了兩組穩(wěn)態(tài)實(shí)驗(yàn).

第1組以穩(wěn)態(tài)轉(zhuǎn)向半徑為參考值，根據(jù)鉸接車設(shè)計(jì)參數(shù)，設(shè)以12°鉸接角、3m/s車速完成穩(wěn)態(tài)轉(zhuǎn)向，驗(yàn)證其運(yùn)行軌跡的重合性與速度跟隨性.運(yùn)行軌跡和車速變化情況如圖2所示.

仿真時長80s,完成500°穩(wěn)態(tài)轉(zhuǎn)向，仿真軌跡很好地重合了實(shí)車運(yùn)行軌跡，仿真速度變化跟隨實(shí)車實(shí)際速度，并仿真出進(jìn)入轉(zhuǎn)向時的速度下降波動，仿真效果良好.

第2組實(shí)驗(yàn)以實(shí)測鉸接角數(shù)據(jù)作為輸入，在相同車速下，考察車輛橫向加速度值，鉸接角輸入值如圖3所示.

圖2 ADAMS模型穩(wěn)態(tài)轉(zhuǎn)向?qū)嶒?yàn)Fig.2 Steady-state steering experiment based on ADAMS model

將仿真數(shù)據(jù)與實(shí)車實(shí)驗(yàn)測得的相同鉸接角輸入下的車體橫向加速度值作比較，結(jié)果如圖4所示.實(shí)測數(shù)據(jù)存在較大波動干擾，仿真數(shù)據(jù)與實(shí)測值均值趨勢一致.

圖4 穩(wěn)態(tài)轉(zhuǎn)向橫向加速度對比

Fig.4 Comparison of lateral acceleration of steady state steering

與實(shí)車實(shí)驗(yàn)結(jié)果相比，仿真實(shí)驗(yàn)結(jié)果很好地重合了實(shí)車運(yùn)行軌跡，跟隨了側(cè)向動力學(xué)狀態(tài)，表明仿真軟件能較好地模擬實(shí)車運(yùn)行過程中的動力學(xué)特性，這為之后的控制器設(shè)計(jì)奠定了基礎(chǔ).

2 駕駛員模型與仿真

2.1 神經(jīng)網(wǎng)絡(luò)駕駛員模型設(shè)計(jì)

駕駛員模型是真實(shí)駕駛員駕駛操作的數(shù)學(xué)表示，文中采用的是駕駛員預(yù)瞄跟蹤模型，根據(jù)預(yù)估位置與未來時刻理想車輛位置的偏差進(jìn)行控制，其基本結(jié)構(gòu)框圖如圖5所示[8- 9]，其中P(s)、F(s)、B(s)分別為預(yù)瞄環(huán)節(jié)、前向調(diào)整環(huán)節(jié)和反饋補(bǔ)償環(huán)節(jié)，f(t)為道路信息，fe(t)為預(yù)瞄路徑(即根據(jù)當(dāng)前車輛運(yùn)行狀態(tài)預(yù)測未來預(yù)瞄時間的車輛位置)，y(t)為車輛實(shí)際位置，yp(t)為預(yù)估環(huán)節(jié)得到的未來預(yù)瞄時間的車輛位置，e為兩個估計(jì)值的偏差，δ為施加到車輛上的控制量.

圖5 駕駛員預(yù)瞄跟蹤模型Fig.5 Driver preview tracking model

引入神經(jīng)網(wǎng)絡(luò)來優(yōu)化預(yù)瞄駕駛員模型，簡化后的模型示意如圖6所示.模型建立過程中需要注意坐標(biāo)變換，在相關(guān)文獻(xiàn)[10- 11]中均有詳細(xì)闡述.

圖6 神經(jīng)網(wǎng)絡(luò)駕駛員預(yù)瞄模型Fig.6 Neural network-based driver preview model

理想跟蹤指令為ym(k)，則定義跟蹤誤差為

e(k)=ym(k)-y(k)

(3)

網(wǎng)絡(luò)權(quán)值學(xué)習(xí)誤差指標(biāo)為

(4)

控制鉸接車輸出轉(zhuǎn)角量的神經(jīng)網(wǎng)絡(luò)輸出

u(k)=h1w1+h2w2+…+hmwm

(5)

由梯度下降法，網(wǎng)絡(luò)的學(xué)習(xí)算法為

(6)

wj(k)=wj(k-1)+Δwj(k)+αΔwj(k)

(7)

式中:η為學(xué)習(xí)速率，η∈[0,1]；α為動量因子，α∈[0,1]；wj為第j個神經(jīng)突出權(quán)值；hj為第j個神經(jīng)元高斯函數(shù).

經(jīng)過大量訓(xùn)練實(shí)例確定了該神經(jīng)網(wǎng)絡(luò)包括如下3層網(wǎng)絡(luò)：由4個節(jié)點(diǎn)構(gòu)成的輸入層、10個節(jié)點(diǎn)構(gòu)成的單Sigmoid隱層、1個節(jié)點(diǎn)構(gòu)成的線性輸出層.

輸入變量為一個4維向量，分別包含道路信息、車輛側(cè)向加速度、側(cè)向速度和側(cè)向位移，輸出層為線性輸出，輸出量為鉸接角δsw.

圖7 駕駛員-車輛閉環(huán)系統(tǒng)模型Fig.7 Driver-vehicle closed loop system model

在ADAMS中建立車輛動力學(xué)模型[12]，輸入設(shè)置為鉸接角角度和四輪驅(qū)動力矩，輸出設(shè)置為車體橫向加速度值、車速、前車體中心點(diǎn)坐標(biāo)值.

2.2 神經(jīng)網(wǎng)絡(luò)駕駛員模型仿真驗(yàn)證

為了驗(yàn)證該神經(jīng)網(wǎng)絡(luò)駕駛員模型的正確性和可靠性，進(jìn)行了兩種理想路徑的實(shí)驗(yàn):單移線與雙移線.鉸接車以恒定車速15 km/h行駛，從側(cè)向位移驗(yàn)證模型的可行性.理想路徑如圖8所示，其中，變道距離b=10 m，a1-a0=24 m，s2=30 m，s3=25 m，s4=30 m.

圖9所示為單移線和雙移線的兩次仿真結(jié)果,仿真軌跡與預(yù)期軌跡的重合驗(yàn)證了神經(jīng)網(wǎng)絡(luò)駕駛員模型對無人駕駛鉸接車有良好的控制效果.

圖8 理想實(shí)驗(yàn)路徑Fig.8 Ideal experience path

圖9 神經(jīng)網(wǎng)絡(luò)駕駛員模型移線仿真實(shí)驗(yàn)結(jié)果

Fig.9 Simulation results of neural network-based driver model lane change

3 無人駕駛實(shí)車實(shí)驗(yàn)

3.1 實(shí)車實(shí)驗(yàn)設(shè)置

模擬巷道由鋼管作為骨架支撐，在模擬巷道兩側(cè)用不透光的聚丙烯彩條布圍成，現(xiàn)場模擬巷道與試驗(yàn)巷道平面圖如圖10所示.

道路信息采集依靠激光雷達(dá)，文中選用的激光雷達(dá)測距儀掃描范圍為40 m，可視角度為190°，設(shè)定分辨率為0.25°，即每一場數(shù)據(jù)包括了190°扇角范圍內(nèi)的761個點(diǎn)的距離值.角度傳感器安裝在前后車體中間的鉸接體處，測量范圍為0°～135°.

圖10 模擬巷道與平面圖(單位：mm)Fig.10 Simulation roadway & plan(Unit：mm)

為實(shí)現(xiàn)無人駕駛，設(shè)計(jì)相應(yīng)的控制程序來協(xié)調(diào)各系統(tǒng)工作，基本的程序流程如圖11所示.無人駕駛實(shí)驗(yàn)系統(tǒng)從初始化開始順序執(zhí)行，通過CAN總線匯總車身狀態(tài)信息，通過雷達(dá)數(shù)據(jù)生成道路信息，完成數(shù)據(jù)采集，控制系統(tǒng)輸入控制量為車輛橫向誤差、航向角誤差和曲率誤差，輸出為轉(zhuǎn)向角角度,完成自主駕駛.

圖11 無人駕駛主控制器控制流程圖Fig.11 Flow chart of the control of unmanned driving

3.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

通過模擬巷道的駕駛員行駛，獲得大量實(shí)際車輛駕駛數(shù)據(jù)，作為駕駛員模型的訓(xùn)練樣本.并將駕駛員行駛信息(包括橫向位置偏差與航向角偏差)進(jìn)行統(tǒng)計(jì)處理，作為主要監(jiān)控參數(shù)得到駕駛員操作規(guī)律.

真實(shí)道路與數(shù)據(jù)顯示如圖12所示.雷達(dá)原始數(shù)據(jù)經(jīng)由濾波、補(bǔ)點(diǎn)環(huán)節(jié)之后顯示為圖中實(shí)線，斷點(diǎn)點(diǎn)列為由雷達(dá)數(shù)據(jù)擬合出來的道路中心線；斷點(diǎn)直線為擬合的當(dāng)前航向角偏差.

圖12 真實(shí)道路與數(shù)據(jù)顯示Fig.12 Real road and data display

根據(jù)真實(shí)的駕駛員駕駛數(shù)據(jù)，按照順時針和逆時針進(jìn)行分類處理，得到駕駛員橫向位置與航向角偏差數(shù)據(jù)，如圖13所示.

從數(shù)據(jù)統(tǒng)計(jì)得到：駕駛員逆時針駕駛時，橫向偏差算術(shù)平均值為-270 mm，航向角偏差算術(shù)平均值為-7.9°；駕駛員順時針駕駛時，橫向偏差算術(shù)平均280 mm，航向角偏差為10°，整體出現(xiàn)駕駛員靠彎道內(nèi)側(cè)駕駛的情況，這種情況的產(chǎn)生與駕駛員預(yù)瞄行為模式、道路環(huán)境[8]和駕駛車輛本身有關(guān)[11- 13].

由雷達(dá)傳感器的特性，產(chǎn)生761個數(shù)據(jù)點(diǎn)，改良神經(jīng)網(wǎng)絡(luò)輸入端為761個節(jié)點(diǎn)，設(shè)置中間隱層節(jié)點(diǎn)數(shù)為5[14].實(shí)驗(yàn)中單一輸出會導(dǎo)致車輛出現(xiàn)“蛇形”行走現(xiàn)象，為削弱“蛇形”現(xiàn)象.將輸出定為31個輸出節(jié)點(diǎn)，每一個節(jié)點(diǎn)表示一個輸出角度，網(wǎng)絡(luò)輸出為各節(jié)點(diǎn)概率.將激光雷達(dá)單場761個距離數(shù)據(jù)和此時的鉸接角作為一組樣本供神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí).

圖13 駕駛員駕駛數(shù)據(jù)Fig.13 Driver’s driving data

神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)需要進(jìn)行統(tǒng)一的歸一化處理，這樣有助于減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間.文中采用最大最小法，即

(8)

式中,xk為數(shù)據(jù)序列中任意值，xmin為數(shù)據(jù)序列中的最小值，xmax為數(shù)據(jù)序列中的最大值.

為了提升神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，改善傳統(tǒng)神經(jīng)網(wǎng)絡(luò)單一輸出數(shù)值向量，運(yùn)用高斯分布函數(shù)將單一角度值轉(zhuǎn)化為一系列轉(zhuǎn)角的概率分布，保證車輛在直線段行駛時“蛇形”現(xiàn)象得到改善,

(9)

式中,Pxi為輸出值在該節(jié)點(diǎn)上的分布概率，di為參考輸出值到某個節(jié)點(diǎn)的距離.

利用高斯概率分布函數(shù)可以很容易地將樣本輸出向量表示出來，例如，樣本輸出角度為14.8°時，可以得出其樣本輸出向量在第20號節(jié)點(diǎn)附近為[0.208 5 0.523 1 0.879 9 0.992 0 0.749 8 …0.379 8 0.129 0]，向量中的數(shù)值可以理解為在該特定節(jié)點(diǎn)上的分布概率.

3.3 實(shí)車實(shí)驗(yàn)結(jié)果及分析

運(yùn)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行直線路徑回正跟蹤實(shí)驗(yàn)和曲線路徑跟蹤實(shí)驗(yàn).直線回正路徑用來測試該控制模型的快速回正性能和直線行駛穩(wěn)定性，基本測試方案采用將車輛放置在模擬巷道直道入口處，使車頭偏離中心線并且使車輛航向角與直道方向呈一定夾角.實(shí)驗(yàn)結(jié)果如圖14所示.

圖14 直線回正數(shù)據(jù)Fig.14 Head back data

在巷道環(huán)境中，初始橫向位置偏差和航向偏差分別為-737 mm和-21°(車頭偏左)、760 mm和22°(車頭偏右).從圖14可以看到，在車頭偏左和車頭偏右的情況下，系統(tǒng)回正的數(shù)據(jù)點(diǎn)均在200 mm左右，表示由控制系統(tǒng)指令發(fā)出到車頭首次回正的調(diào)節(jié)時間為3 s.在首次回正之后，超調(diào)量均在100 mm以內(nèi)且迅速回到了系統(tǒng)穩(wěn)態(tài)值附近，而且在之后的行駛過程中，并未出現(xiàn)控制系統(tǒng)發(fā)散等現(xiàn)象，能夠良好的完成直線段的跟蹤回正任務(wù).

曲線路徑跟蹤任務(wù)是將無人駕駛自卸車置于模擬巷道中，按照正常駕駛流程沿模擬巷道逆時針進(jìn)行自主駕駛，記錄駕駛過程中的橫向位置偏差、航向角偏差等信息，其實(shí)驗(yàn)數(shù)據(jù)如圖15所示.

圖15 神經(jīng)網(wǎng)絡(luò)駕駛員駕駛數(shù)據(jù)Fig.15 Neural network-based driver driving data

從圖15可以發(fā)現(xiàn)，綜合橫向偏差為-54 mm，綜合航向角偏差為-0.47°，相較于真實(shí)駕駛員，神經(jīng)網(wǎng)絡(luò)駕駛員模型部分區(qū)域調(diào)節(jié)幅度優(yōu)于真實(shí)駕駛員，且顯著改善了真實(shí)駕駛員靠彎道內(nèi)側(cè)的駕駛習(xí)慣[15].

4 結(jié)論

文中提出了一種基于駕駛員行為的神經(jīng)網(wǎng)絡(luò)駕駛控制系統(tǒng)，建立了以激光雷達(dá)、角度傳感器為主要環(huán)境數(shù)據(jù)接收的信息采集系統(tǒng)，通過研究駕駛員駕駛方式和習(xí)慣設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)駕駛員模型完成了基本的無人駕駛實(shí)驗(yàn)，改善了駕駛員靠彎道內(nèi)的不精準(zhǔn)駕駛習(xí)慣，提高了鉸接車的運(yùn)行平穩(wěn)性與控制精確度.結(jié)果顯示該控制模型在變曲率路段中，綜合橫向偏差為-54 mm，綜合航向角偏差為-0.47°，橫向位置偏差小于可通過路徑寬度的10%，航向角優(yōu)化90%，車輛運(yùn)行平穩(wěn)，無明顯抖動、超調(diào)，神經(jīng)網(wǎng)絡(luò)駕駛員模型能夠較好地完成巷道環(huán)境下的無人駕駛實(shí)驗(yàn).

[1] 劉晉霞,張文明,董翠燕．鉸接式自卸車與剛性自卸車的比較 [J]．礦山機(jī)械,2003,31(9):21- 23. LIU Jin-xia,ZHANG Wen-ming,Dong Cui-yan.Articulated dump truck and rigid self unloading [J].Mining Machinery,2003,31(9):21- 23.

[2] JOHN Chadwick.Advanced mine automation [J].Mining Magazine,1996,175(5):258- 263.

[3] TASCILLO A,MILLER R.An in-vehicle virtual driving assistant using neural networks [C]∥Proceedings of the International Joint Conference on.[S.l.]:IEEE,2003:2418- 2423.

[4] DEMIRLI K,KHOSHNEJAD M.Autonomous parallel parking of a car-like mobile robot by a neuro-fuzzy sensor-based controller [J].Fuzzy Sets and Systems,2009,160(19):2876- 2891.

[5] SEBASTIAN Thrum,MAREN Bennewitz,WOLFRAM Burgard,et al.A second-generation museumtour-guide robot [J].IEEE International Conference on Robotics & Automation,1999,3:1999- 2005.

[6] 趙翾,楊玨,張文明,等.農(nóng)用輪式鉸接車輛滑模軌跡跟蹤控制算法 [J].農(nóng)業(yè)工程學(xué)報,2015(10):198- 203. ZHAO Xuan,YANG Jue,ZHANG Wen-ming,et al.Agricultural wheeled articulated vehicle sliding mode trajectory tracking control algorithm [J].The Chinese Society of Agricultural Engineering,2015(10):198- 203.

[7] 馬曉．不同輪胎模型對重型載貨汽車整車性能仿真的影響分析 [D].吉林:吉林大學(xué)汽車工程學(xué)院,2013.

[8] 趙陽．基于激光測距儀的井下設(shè)備模型車避障研究 [D].北京：北京科技大學(xué)機(jī)械工程學(xué)院，2012.

[9] POMERLEAU D.Efficient training of artificial neural network for autonomous navigation [J].Neural Computation,1991,3(1):88- 97

[10] 郭孔輝,潘峰,馬鳳軍,等．預(yù)瞄優(yōu)化神經(jīng)網(wǎng)絡(luò)駕駛員模型 [J]．機(jī)械工程學(xué)報,2003(1):26- 28. GUO Kong-hui,PAN Feng,MA Feng-jun,et al.A preview optimization neural network driver model [J].Chinese Journal of mechanical engineering,2003(1):26- 28.[11] 李英．方向與速度綜合控制駕駛員模型及在ADAMS中的應(yīng)用 [D]．吉林:吉林大學(xué)汽車工程學(xué)院,2008.

[12] 周鑫．基于Adams與Matlab的汽車電動助力轉(zhuǎn)向系統(tǒng)的聯(lián)合仿真 [D]．武漢：武漢理工大學(xué)汽車工程學(xué)院,2009.

[13] 冀秉魁．基于駕駛員視覺特性的駕駛行為預(yù)測方法研究 [D]．吉林：吉林大學(xué)交通學(xué)院,2014.

[14] 王武宏．汽車駕駛員行為模式及其心理因素對可靠性的影響 [J]．汽車技術(shù),1994(11):13- 18. WANG Wu-hong.Automobile driver behavior patterns and their psychological factors on the reliability of the impact of [J].Automotive Technology,1994(11)：13- 18.[15] 付坤．基于駕駛員與道路環(huán)境因素的駕駛行為差錯數(shù)學(xué)分析 [D]．吉林:吉林大學(xué)交通學(xué)院,2013.

A Neural Network-Based Autonomous Articulated Vehicle System Considering Driver Behavior

ZHANGWen-mingHANHong-bingYANGJueYIXiao

(School of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

In view of the steering characteristics of articulated dump trucks, an autonomous articulated vehicle system is proposed based on neural networks and by considering driver behaviors. First, a sensor collecting system based on the laser radar and the angular transducer is established, and an articulated vehicle kinematics model and a dynamics model of articulated dump trucks are constructed by analyzing the steering characteristics of articulated dump trucks. Then, by using the ADAMS software, a dynamic model of the trucks is constructed to perform a steady state test. Moreover, a driver model of the artificial neural network control algorithm is constructed based on the optimal preview control, and it is verified by an Adams-Matlab/Simulink co-simulation. Finally, this control model is also verified by establishing a simulation ground tunnel to perform the straight-road-return and curve-road-following tests. The results show that, when the constructed control model is applied to the variable curvature road, the lateral position error is less than 10% of the passable distance, and 90% of the course angle deviation is optimized, which indicates that the constructed control model has a high convergence speed, a good steady state and an excellent unmanned driving performance.

driver model; neural networks; dynamic model; co-simulation

2016- 05- 12

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2011AA060404) Foundation items: Supported by the National High-Tech R & D Program of China(863 Program)(2011AA060404)

張文明(1955-),男，博士，教授，主要從事非公路車輛設(shè)計(jì)、非公路車輛狀態(tài)檢測與故障診斷研究.E-mail:wmzhang@ustb.edu.cn

? 通信作者: 楊玨(1975-)，男，博士，副教授，主要從事非公路車輛設(shè)計(jì)研究.E-mail:yangjue@ustb.edu.cn

1000- 565X(2016)12- 0074- 07

U 461.1

10.3969/j.issn.1000-565X.2016.12.011