遺傳算法優(yōu)化的方向駕駛員模型研究

張 琦，張德虎

(遼寧機電職業(yè)技術學院，遼寧 丹東 118009)

近年來隨著我國汽車保有量的逐年增加，面臨著嚴峻的交通安全問題。研究結(jié)果表明，其中絕大部分交通安全事故是由駕駛員的判斷失誤和不規(guī)范操作所導致的[1]。駕駛員主觀方面實際上對車輛安全有著較大的影響，例如：駕駛員操作技術、車況、路況、駕駛員心理等諸多外界因素。這些因素往往是不可控的。因此，用駕駛員模型來替代實際駕駛員是很有前景的研究，能夠降低駕駛員人為主觀原因所引起的交通事故，有效地提高車輛的路徑跟蹤能力。

隨著人工智能技術的推廣，有效的推動智能車輛領域的發(fā)展，將智能控制技術應用到智能駕駛領域中是未來無人駕駛汽車方向的熱門領域。關于駕駛員模型方面的研究很多學者均作出相應貢獻：郭孔輝院士于1982年提出了預瞄-跟隨系統(tǒng)理論，將決策部分為預瞄和補償跟隨兩個部分，并建立預瞄最優(yōu)曲率模型[2]；沈沛鴻等基于自適應模糊推理系統(tǒng)建立了二輸入變量的縱向駕駛員模型和考慮未來預期車速影響的預瞄縱向駕駛員模型[3]； 陳威設計了一種基于模型預測控制(MPC)的自動駕駛車輛橫向路徑跟蹤控制，以分析駕駛員方向盤操作中預瞄時間和車速對車輛跟蹤參考路徑的影響[4]。楊浩設計了一種基于路程預瞄的智能控制駕駛員模型，通過Simulink和CarSim聯(lián)合仿真顯示：建立的駕駛員模型具有較高的路徑跟蹤精度能力和速度控制能力[5]。郭泉成基于雙層前饋神經(jīng)網(wǎng)絡建立了車間AGV駕駛員模型，并通過MATLAB/Simulink耦合Prescan軟件進行聯(lián)合仿真驗證[6]；吳海東設計了基于LMI的智能車軌跡跟蹤控制器，該控制器具有較高的跟蹤精度[7]。

1 建立方向駕駛員模型

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種前饋型神經(jīng)網(wǎng)絡，其信號向前傳遞，誤差向后傳播。若輸出信號誤差較大，則需通過訓練不斷調(diào)整權值和閾值，使網(wǎng)絡的誤差平方和最小。最終，使得網(wǎng)絡的最終輸出與期望輸出盡可能接近，以達到訓練的目的。BP 神經(jīng)網(wǎng)絡通常由三部分構成如圖1所示。

1.2 遺傳算法

遺傳算法是一種隨機全局搜索算法，其借鑒自然界中優(yōu)勝劣汰、適者生存的進化機制。產(chǎn)生初代種群之后，通過遺傳學中的選擇、交叉、變異等過程，產(chǎn)生出具有多樣性及高適應度的新群體，在末代群體中找出適應度最高的個體，將其作為最優(yōu)解。

1.2.1 遺傳算法的優(yōu)點

1)全局搜索

遺傳算法常用于尋找一些復雜問題的最優(yōu)解，具有較好的全局搜索功能，可以在短的時間內(nèi)搜索到全局最優(yōu)解。

2)搜索效率高

遺傳算法是一種啟發(fā)式搜索算法，其不按照固定策略進行搜索，故搜索效率較高。

3)應用廣泛

遺傳算法是智能優(yōu)化算法的一種，其根據(jù)嚴密的理論依據(jù)，在一定的種群范圍內(nèi)找到最優(yōu)解。常用于以下領域：優(yōu)化求解、調(diào)度問題、控制領域、識別分類、圖像處理、軌跡規(guī)劃等。

1.2.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

針對BP網(wǎng)絡易陷入局部最小點、收斂速度慢的問題，結(jié)合遺傳算法高效的全局搜索能力，采用GA優(yōu)化BP神經(jīng)網(wǎng)絡的權值與閾值，將兩者的優(yōu)點結(jié)合在一起，有效地提高了BP神經(jīng)網(wǎng)絡的誤差、精度、搜索時間。

建立一個兩輸入單輸出的GA-BP神經(jīng)網(wǎng)絡方向駕駛員模型(見圖2)，并用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡駕駛員模型的重要影響因素權值及閾值，得到基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡方向駕駛員模型，并轉(zhuǎn)化為Simulink模塊，方向駕駛員模型輸入變量是道路參考線到預瞄點的橫向偏差和道路參考線與車輛X軸之間面積偏差，輸出是車輛方向盤轉(zhuǎn)角。

1.2.4 采集訓練數(shù)據(jù)

本文訓練神經(jīng)網(wǎng)絡的數(shù)據(jù)通過仿真獲得，訓練數(shù)據(jù)通過車輛在Carsim中進行典型路況的仿真來獲取。采集道路參考線到預瞄點的橫向偏差數(shù)據(jù)、道路參考線和車輛X軸之間面積偏差數(shù)據(jù)作為輸入訓練數(shù)據(jù)，采集方向盤轉(zhuǎn)角數(shù)據(jù)作為輸出訓練數(shù)據(jù)，仿真共獲得6 000組輸入輸出數(shù)據(jù)，表1所示列出部分訓練數(shù)據(jù)。

1.2.5 結(jié)果分析(見圖3)

圖3所示是通過GA-BP得到的最優(yōu)權值，圖4是GA-BP方向駕駛員Simulation模塊。

表1 駕駛員模型訓練數(shù)據(jù)

2 Matlab和Carsim聯(lián)合仿真

為了驗證GA-BP方向駕駛員模型的路徑跟蹤性能，搭建Matlab和Carsim聯(lián)合仿真。設定車輛進行雙移線工況的仿真，路面附著系數(shù)設定為0.85，仿真位移設定為210 m，車速分別設定為低速v=80 km/h(圖5 是Matlab和Carsim聯(lián)合仿真模型)。

仿真結(jié)果分析：圖6是車輛路徑跟蹤曲線，車輛實際行駛軌跡與目標軌跡基本重合。圖7是橫向偏差曲線，本文GA-BP的方向駕駛員模型的橫向位移偏差在區(qū)間-0.14～0.14 m跟蹤偏差較小，證明了本文GA-BP的方向駕駛員模型具有較好的路徑跟蹤性能。

3 結(jié)語

為了提高智能車輛方向駕駛員模型的目標路徑的跟蹤能力，基于BP神經(jīng)網(wǎng)絡方向駕駛員模型進行了以下創(chuàng)新:

1)搭建Matlab和Carsim聯(lián)合仿真，縮短了車輛建模時間并提高了車輛模型的精度，通過閉環(huán)仿真更好的驗證車輛的路徑跟蹤性能。

2)將GA-BP神經(jīng)網(wǎng)絡應用于車輛方向駕駛員模型領域。聯(lián)合仿真顯示，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡建立的方向駕駛員模型能夠有效的提高車輛的路徑跟蹤性能。

綜上所述，本文建立的GA-BP神經(jīng)網(wǎng)絡方向駕駛員模型，根據(jù)車輛橫向偏差L_DRV和面積偏差A_DRV 兩個變量，決策出車輛最優(yōu)的方向盤轉(zhuǎn)角對車輛進行轉(zhuǎn)向控制。聯(lián)合仿真顯示：本文建立的GA-BP神經(jīng)網(wǎng)絡方向駕駛員模型具有較好的路徑跟蹤能力，能夠?qū)δ繕寺窂竭M行較好地跟蹤。