基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法

溫劍飛

(冠達(dá)睿投(北京)科技發(fā)展有限公司 人工智能研究院, 北京100000)

0 引 言

人工智能算法憑借著超高的智能化和獨(dú)特應(yīng)用優(yōu)勢(shì),已經(jīng)被應(yīng)用到各個(gè)領(lǐng)域,并展現(xiàn)出巨大的應(yīng)用價(jià)值。 目前,以自主導(dǎo)航車(chē)為代表的新能源產(chǎn)業(yè)已經(jīng)成為未來(lái)汽車(chē)發(fā)展的必然趨勢(shì),但自主導(dǎo)航車(chē)軌跡跟蹤控制成為阻止其發(fā)展的難題。 傳統(tǒng)的控制方法已經(jīng)無(wú)法滿(mǎn)足其對(duì)高精度控制的要求,為此本文提出將人工智能算法應(yīng)用其中,實(shí)現(xiàn)自主導(dǎo)航車(chē)的數(shù)字化和智能化。

1 基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法

基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法是仿照車(chē)輛駕駛員在真實(shí)的駕駛環(huán)境下通過(guò)控制自主導(dǎo)航完成駕駛的完成駕駛過(guò)程［1］。 首先建立自主導(dǎo)航軌跡跟蹤模型,然后運(yùn)用人工智能算法對(duì)模型進(jìn)行計(jì)算,自動(dòng)選擇出模型中的最佳車(chē)輛行蹤軌跡路線(xiàn),實(shí)現(xiàn)對(duì)自主導(dǎo)航車(chē)軌跡跟蹤控制。 基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法原理如圖1 所示。

圖1 基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法原理Fig. 1 Functional block diagram of trajectory tracking control method of autonomous navigation vehicle based on artificial intelligence algorithm

1.1 自主導(dǎo)航車(chē)軌跡跟蹤模型建立

建立自主導(dǎo)航軌跡跟蹤模型是研究控制方法的首要任務(wù),其目的是通過(guò)車(chē)輛導(dǎo)航GIS 地圖自動(dòng)模擬出車(chē)輛運(yùn)動(dòng)軌跡。 由于GIS 地圖具有龐大的信息量,若要實(shí)現(xiàn)快速的建立整個(gè)地圖的軌跡網(wǎng)絡(luò)數(shù)據(jù)集,此次選用網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)自主導(dǎo)航車(chē)軌跡跟蹤模型［2］。 網(wǎng)絡(luò)技術(shù)會(huì)隨機(jī)推薦GIS 地圖中三條車(chē)道,并且獲取車(chē)道上的所有中心線(xiàn)點(diǎn)元素的坐標(biāo)數(shù)據(jù),通過(guò)數(shù)據(jù)編碼將三條車(chē)道上的所有元素坐標(biāo)數(shù)據(jù)進(jìn)行處理,其中包括車(chē)道的停止線(xiàn)距離、軌跡轉(zhuǎn)彎半徑、車(chē)道方向角以及方向角改變量等參數(shù),形成一個(gè)完整的自主導(dǎo)航車(chē)軌跡跟蹤模型。 自主導(dǎo)航車(chē)軌跡跟蹤模型建立步驟如下：

(1)首先確定車(chē)道停止線(xiàn)距離h。 車(chē)道停止線(xiàn)的距離是GIS 地圖中第一車(chē)道與第二車(chē)道兩個(gè)中心點(diǎn)連接的距離,運(yùn)用網(wǎng)絡(luò)技術(shù)對(duì)該部分?jǐn)?shù)據(jù)編碼為uint8；

(2)確定車(chē)道轉(zhuǎn)彎半徑r。 在確定車(chē)道轉(zhuǎn)彎半徑之前,需要得到第一車(chē)道中心線(xiàn)元素與第二車(chē)道中心線(xiàn)元素的交點(diǎn)N,交點(diǎn)N 到第一車(chē)道停止線(xiàn)的距離即可得到車(chē)道轉(zhuǎn)彎半徑［3］；

(3)確定軌跡中心位置d。 通過(guò)計(jì)算轉(zhuǎn)彎半徑與第一車(chē)道的斜率可得到軌跡中心位置；

(4)確定方向角改變量p。 根據(jù)第二車(chē)道的斜率確定第一道路方向角的改變量。

(5)根據(jù)以上參數(shù)量可確定車(chē)輛軌跡跟蹤函數(shù),公式(1)為：

得到自主導(dǎo)航車(chē)軌跡跟蹤模型。 按相同的步驟可以得到整個(gè)GIS 地圖的自主導(dǎo)航車(chē)軌跡跟蹤模型,自主導(dǎo)航車(chē)軌跡跟蹤模型各車(chē)道詳細(xì)信息如表1 所示。

表1 自主導(dǎo)航車(chē)軌跡跟蹤模型各車(chē)道詳細(xì)信息表Tab. 1 Autonomous navigation vehicle trajectory tracking model detailed information table of each lane

1.2 實(shí)現(xiàn)跟蹤控制

自主導(dǎo)航車(chē)軌跡跟蹤模型模擬出車(chē)輛的行蹤軌跡,要實(shí)現(xiàn)對(duì)其跟蹤控制,需要搭配一個(gè)合理的控制算法,來(lái)保證最終良好的控制效果。 人工智能算法屬于一種種群的進(jìn)化算法,目前有很多種人工智能算法,如遺傳算法、神經(jīng)網(wǎng)絡(luò)算法、蜂群算法、蛙跳算法等。 根據(jù)所建立模型的計(jì)算需求,選取了人工智能算法中的蛙跳算法,該算法具有強(qiáng)大的群體搜索能力,同時(shí)擁有較高的迭代速度,具體計(jì)算過(guò)程如下：

首先,隨機(jī)初始化產(chǎn)生A 個(gè)車(chē)輛軌跡群體,構(gòu)成初始種群B = (X1,X2,...,XA),第i 個(gè)車(chē)輛軌跡表示為Xi,計(jì)算出每個(gè)軌跡的適應(yīng)值, 適應(yīng)值最小的軌跡作為最優(yōu)軌跡,計(jì)算公式(2)如下：

其次,按照每個(gè)自主導(dǎo)航車(chē)軌跡的適應(yīng)值大小對(duì)其進(jìn)行排列,并記錄適應(yīng)值最小的軌跡為K,進(jìn)而將初始軌跡集群劃分成v 個(gè)模因組。 假設(shè)Y 為第i個(gè)模因組軌跡的集合,其計(jì)算公式(3) 如下：

其中,v 為模因組個(gè)數(shù),n 為模因組中的自主導(dǎo)航車(chē)軌跡數(shù)量,h 為初始軌跡集群中車(chē)輛軌跡數(shù)量。 將每組中最差軌跡和最優(yōu)軌跡分別標(biāo)記為Xy和Xc,運(yùn)用公式(3)進(jìn)行模型局部軌跡搜索,并且不斷更新模因組中Xy的位置。 根據(jù)蛙跳迭代方式公式(4)：

其中, rand ⊕ ( Xy- Xc) 為車(chē)輛最小移動(dòng)步長(zhǎng),通過(guò)算法迭代操作,如果得出的最優(yōu)軌跡的適應(yīng)值最小,則取代之前的軌跡；如果公式(4)計(jì)算出的軌跡適應(yīng)值大于原有軌跡適應(yīng)值,則重復(fù)上述計(jì)算過(guò)程,對(duì)模型中所有的軌跡進(jìn)行搜索,直到計(jì)算結(jié)果符合條件為止。 以此方法實(shí)現(xiàn)人工智能算法對(duì)自主導(dǎo)航車(chē)軌跡跟蹤控制。

2 實(shí) 驗(yàn)

為了證明基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法的有效性,將其與傳統(tǒng)控制方法進(jìn)行一組對(duì)比實(shí)驗(yàn),檢驗(yàn)此方法的精準(zhǔn)度。

2.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)設(shè)定車(chē)道停止線(xiàn)距離h 的誤差為0.1,車(chē)道轉(zhuǎn)彎半徑r 的誤差為0.15,軌跡中心位置d 的誤差為0.1,方向角改變量p 的偏差為0.2,自主導(dǎo)航車(chē)軌跡跟蹤模型偏差權(quán)重為0.3,兩輪驅(qū)動(dòng)軸距L 為25 cm。 編寫(xiě)控制器,并為車(chē)輛提供動(dòng)力學(xué)模塊,設(shè)置好車(chē)輛的動(dòng)力學(xué)參數(shù)以及輸入輸出的接口,通過(guò)輸入、輸出接口連接對(duì)車(chē)輛前輪提供控制,控制車(chē)輛四輪轉(zhuǎn)角角度。 實(shí)驗(yàn)采用兩種方法對(duì)自主導(dǎo)航車(chē)控制5 次,來(lái)檢驗(yàn)兩種方法的控制精準(zhǔn)度。

2.2 結(jié)果分析

將基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法用方法1 表示,傳統(tǒng)方法用方法2 表示,兩種方法的控制精度比較結(jié)果如表1 所示。

表2 兩種方法控制精準(zhǔn)度Tab. 2 Two methods to control accuracy %

從表1 可以看出,方法1 的五次實(shí)驗(yàn)平均精準(zhǔn)度為93.87%,且基本每次都超過(guò)90%；而方法2 的五次實(shí)驗(yàn)的精準(zhǔn)度平均值為72.19%,遠(yuǎn)遠(yuǎn)低于方法1 的控制方法。 實(shí)驗(yàn)證明基于人工智能算法的自主導(dǎo)航車(chē)軌跡跟蹤控制方法具有較高的精準(zhǔn)度。

3 結(jié)束語(yǔ)

將人工智能算法應(yīng)用到自主導(dǎo)航車(chē)軌跡跟蹤控制中,有效提高了車(chē)輛軌跡跟蹤的精準(zhǔn)度。 由于能力和研究時(shí)間有限,雖然取得了一定的研究成果,但是該方法還未得以實(shí)際應(yīng)用,還需在今后實(shí)際應(yīng)用過(guò)程中對(duì)該方法進(jìn)行改善,提高其應(yīng)用價(jià)值。