自動駕駛模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法*

王 猛,陳玨璇,鄧正興

(1.華中科技大學人工智能與自動化學院,湖北 武漢 430074;2.武漢光庭信息技術股份有限公司K+Lab實驗室,湖北 武漢 430073;3.武漢光庭科技有限公司智能駕駛部,湖北 武漢 430200)

1 引言

自動駕駛是當前研究熱點，但仍然存在著安全性、穩(wěn)定性和舒適性等方面的不足，研究者也在從不同方面進行改進和優(yōu)化[1]。運動規(guī)劃作為自動駕駛的核心環(huán)節(jié)之一[2,3]，其功能是生成自動駕駛車輛的運動軌跡，以躲避行駛路線上的障礙物，該軌跡包含了車輛行駛的路徑和以何種速度(加速度)運動的信息。運動規(guī)劃相關研究主要有啟發(fā)式搜索算法、人工勢場法和離散優(yōu)化方法等[4]。文獻[5]指出，由于動態(tài)障礙物的存在，運動規(guī)劃方法需要將時間作為一個維度，疊加在路徑搜索、路徑生成環(huán)節(jié)后的空間軌跡上，構成時間和空間上的可行軌跡。空間和時間維度的疊加計算會增加算法的時間復雜度。文獻[6]提出了路徑-速度分解法，先構造一條曲率連續(xù)有界的可行路徑，再在該路徑上規(guī)劃速度。文獻[7,8]在生成的最優(yōu)路徑基礎上，建立每個路徑點的速度(加速度)與時間和路徑長度的關系模型，合成時間和空間上的運動軌跡。此類方法能夠保證速度規(guī)劃的連續(xù)性和平滑性，但生成的運動軌跡，尤其是速度軌跡，難以在后繼控制模塊中準確跟蹤[9]，因而無法滿足設計初衷。

為了降低自動駕駛運動規(guī)劃的計算復雜度，保證自動駕駛的舒適性和穩(wěn)定性，本文提出了一種基于模糊神經(jīng)網(wǎng)絡的智能化速度規(guī)劃方法。相比于現(xiàn)有的速度規(guī)劃方法，本文方法具有以下特點：(1)直接計算實時期望加速度，而不是生成速度曲線，能夠降低速度規(guī)劃的計算時耗，工程實現(xiàn)極為簡便；(2)計算的加速度連續(xù)平穩(wěn)變化，易于后繼控制模塊準確跟蹤；(3)分析了典型場景，建立了不同的模糊神經(jīng)網(wǎng)絡速度規(guī)劃模型，以匹配自動駕駛車輛復雜的駕駛行為。

2 自動駕駛運動規(guī)劃方案

通常自動駕駛的功能軟件由3個模塊構成，即感知定位模塊、決策規(guī)劃模塊和控制模塊。

2.1 自動駕駛的功能軟件整體結構

自動駕駛的功能軟件整體結構如圖1所示。感知定位模塊包含感知模塊和定位模塊，其中，感知模塊獲取環(huán)境信息；定位模塊通過高精度慣導獲取位置、航向和速度等信息；決策規(guī)劃模塊規(guī)劃局部路徑以及速度、加速度信息；控制模塊負責軌跡跟蹤控制和縱向速度跟蹤控制。另外，人機交互HMI(Human Machine Interface)處理部分處理與外部的交互信息，CAN總線處理負責輸入和輸出控制信息。

Figure 1 Block diagram of functional software of autonomous vehicle圖1 自動駕駛功能軟件框圖

2.2 自動駕駛運動規(guī)劃

運動規(guī)劃模塊是決策規(guī)劃模塊的核心模塊之一。本文中，運動規(guī)劃采用了路徑-速度分解法，首先進行路徑規(guī)劃，獲得局部最優(yōu)路徑，然后進行速度規(guī)劃，最終合成空間和時間軌跡。

(1) 路徑規(guī)劃方法。

本文采用狀態(tài)格算法[10]進行路徑規(guī)劃，將道路進行網(wǎng)格化處理，道路網(wǎng)格沿道路參考線分布，并隨參考線方向延伸。每個網(wǎng)格格點定義為狀態(tài)格點，且狀態(tài)格點的方向和曲率中心點與道路參考線一致，如圖2所示?；跔顟B(tài)格的路徑規(guī)劃流程如圖3所示。具體描述如下：①構建狀態(tài)格，確定狀態(tài)向量。按照參考線延伸方向劃分網(wǎng)格格點，依據(jù)路徑-速度分解法，本文僅考慮空間維度，即每個格點的狀態(tài)量包含位置、方向和曲率半徑。②路徑生成。以5次多項式函數(shù)作為連接曲線，結合車輛運動學模型，采用梯度下降法求解5次多項式，生成每2個狀態(tài)格點間的連接曲線。③設計評價函數(shù)?？紤]安全性能、舒適性能和能耗性能等，設計評價函數(shù)計算每段曲線的代價函數(shù)值。④路徑尋優(yōu)。計算從當前點到目標點綜合性能最優(yōu)的路徑，作為最優(yōu)路徑。

Figure 2 Schematic diagram of path planning圖2 路徑規(guī)劃示意圖

Figure 3 Flow chart of path planning圖3 路徑規(guī)劃流程

(2) 速度規(guī)劃方法。

在前文已經(jīng)規(guī)劃出的最優(yōu)路徑上，若存在有停止線、指定停車點、靜止障礙物或動態(tài)障礙物等，速度規(guī)劃模塊將根據(jù)這些信息以及到自車的距離，實時規(guī)劃加(減)速度，發(fā)送至控制模塊執(zhí)行，使車輛減速停車或跟隨動態(tài)障礙物行駛。本文提出的速度規(guī)劃方法將上述場景歸納為2類：遇靜態(tài)障礙物場景和遇動態(tài)障礙物場景。分別構建2類場景模型，然后針對上述2類模型，設計靜態(tài)障礙物場景速度規(guī)劃算法和動態(tài)障礙物場景速度規(guī)劃算法，最后對算法輸出進行速度信息處理。速度規(guī)劃方法的流程如圖4所示。具體步驟為：①實時獲取感知定位信息。速度規(guī)劃模塊從感知模塊和定位模塊讀取前方障礙物信息(動靜態(tài)、距離和速度等)，從地圖系統(tǒng)獲得停止線或終點線信息(包括類型和位置等)。②分別構建2種場景模型。自動駕駛車輛遇到前方有停止線、終點線或設定停車點等場景時，車輛都應該降速停車，這些場景等同于自動駕駛車輛遇到前方靜態(tài)障礙物而降速停車，因此將此類場景統(tǒng)一歸類為遇靜態(tài)障礙物場景。對于遇動態(tài)障礙物的場景，如前方有行駛車輛等，速度規(guī)劃方法應生成實時加(減)速度指令，使得車輛跟隨動態(tài)障礙物行駛，因此歸類為遇動態(tài)障礙物的場景，分別建立2類場景的模型。③分別針對靜態(tài)障礙物和動態(tài)障礙物2種場景模型設計基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃方法，將在下節(jié)詳述。④速度信息處理。評價2類場景的規(guī)劃結果，以加速度較小者作為輸出，并對規(guī)劃結果進行平滑和限幅等處理。

Figure 4 Flow chart of velocity planning圖4 速度規(guī)劃流程

3 基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃方法

速度規(guī)劃模塊的功能是根據(jù)道路環(huán)境及自車狀態(tài)，實時計算出車輛的期望加速度[11]。本文提出了基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃方法，用于建立從輸入狀態(tài)量到輸出加速度的神經(jīng)網(wǎng)絡模型。

3.1 基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃方法原理

基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃方法分為離線學習和在線計算2個階段。

(1) 離線學習階段。

將人工駕駛經(jīng)驗總結為模糊規(guī)則表(模糊規(guī)劃模型)。然后提取模糊規(guī)則表中每個規(guī)則轉化為輸入輸出樣本，構成樣本集合。初始化一個3層結構的神經(jīng)網(wǎng)絡模型，利用樣本集合，離線訓練神經(jīng)網(wǎng)絡，獲得離線訓練后的神經(jīng)網(wǎng)絡模型，將其定義為模糊神經(jīng)網(wǎng)絡規(guī)劃模型。

模糊規(guī)劃模型描述了輸入狀態(tài)量到輸出量的映射關系。自動駕駛車輛遇到動、靜障礙物時，主要依據(jù)自車與障礙物之間相對位置和速度關系，推算目標加速度。定義距離狀態(tài)量為d，速度狀態(tài)量為v，將輸入狀態(tài)變量分別模糊化為語言變量集合D和V：

V={V1,V2,…,Vi,…,Vm}

(1)

D={D1,D2,…,Dj,…,Dn}

(2)

其中，m、n分別為距離狀態(tài)量和速度狀態(tài)量的語言變量數(shù)量。

定義輸出量為a，將輸出量模糊化為語言變量集合A：

A={A1,A2,…,Ak,…,Al}

(3)

其中，l為輸出語言變量的數(shù)量。

式(1)～式(3)中，為了便于后續(xù)統(tǒng)一分析，用語言變量Vi、Dj和Ak代替常規(guī)的語言變量，例如負大NB(Negative Big)、負小NS(Negative Small)、正大PB(Positive Big)等。根據(jù)模糊系統(tǒng)理論，首先對每個輸入變量和輸出變量建立隸屬度函數(shù)，如圖5所示。結合人工駕駛經(jīng)驗，建立模糊規(guī)則表，如表1所示。

Figure 5 Membership functions圖5 隸屬度函數(shù)

Table 1 Fuzzy rule table A

表1中，第i個速度語言變量Vi與第j個距離語言變量Dj作為輸入時，所對應的加速度輸出語言變量為Aij，且Aij∈A。

根據(jù)建立的模糊規(guī)則表和變量的隸屬度函數(shù)，可以建立速度規(guī)劃模型，該模型描述了輸入狀態(tài)量到輸出量的映射關系，即aij=f(vi,dj),其中，vi、dj和aij分別為語言變量Vi、Dj和Aij的最大隸屬度值。提取模糊規(guī)則表1中的每個規(guī)則，如第[i,j]個規(guī)則為Sij=[Vi,Dj,Ak]，取語言變量Vi、Dj和Ak的最大隸屬度對應的實數(shù)域值為vi、dj和ak，則對應的第[i,j]個樣本為sij=[vi,dj,ak]。由此，構成了m×n個輸入輸出樣本集合，如式(4)所示：

sij=[vi,dj,ak],

i=1,2,…,m;j=1,2,…,n;k=1,2,…,l

(4)

建立3層神經(jīng)網(wǎng)絡模型，其中輸入層神經(jīng)元數(shù)量為輸入狀態(tài)量數(shù)目，隱含層神經(jīng)元數(shù)量為N，輸出層神經(jīng)元數(shù)量為輸出量數(shù)目。神經(jīng)網(wǎng)絡輸入層到隱含層、隱含層到輸出層的權值向量分別為w1和w2，隱含層和輸出層的偏置向量分別為b1和b2，隱含層和輸出層采用的傳輸函數(shù)為雙曲正切函數(shù)(tansig)。將sij作為學習樣本，采用BP算法訓練神經(jīng)網(wǎng)絡的權值向量和偏置向量，反向訓練過程如式(5)～式(8)所示[12]：

(5)

(6)

(7)

(8)

其中，k為迭代訓練次數(shù)，Δw和Δb為BP算法的調(diào)整量。最后，將訓練好的神經(jīng)網(wǎng)絡模型作為模糊神經(jīng)網(wǎng)絡速度規(guī)劃模型。

(2) 在線計算階段。

實時讀取距離狀態(tài)量dt和速度狀態(tài)量vt，然后將這2個狀態(tài)量作為模糊神經(jīng)網(wǎng)絡規(guī)劃模型的輸入，在線計算加速度，在線計算公式如式(9)所示：

a′t=tansig(w2·tansig(w1·[v′t,d′t]T+b1)+b2)

(9)

其中，a′t,v′t,d′t分別為歸一化的加速度、速度狀態(tài)量和距離狀態(tài)量，w1，w2,b1和b2分別為訓練好的神經(jīng)網(wǎng)絡權值向量和偏置向量。最后，將a′t反歸一化作為輸出。

3.2 靜態(tài)障礙物速度規(guī)劃模型

對于遇靜態(tài)障礙物的場景，目標是規(guī)劃出實時減速度，使車輛在障礙物前平穩(wěn)降速。本文研究的自動駕駛車輛最高車速為70 km/h，因此取自車速度為[0,20]，單位為m/s,將自車速度模糊化為12(m=12)個模糊語言構成的模糊集合V={V1,V2,…,V12}，以三角函數(shù)作為隸屬度函數(shù)，利用模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法，分別確定模糊語言最大隸屬度對應的實數(shù)值如式(10)所示：

v={v1,v2,…,v12}=

{1,2,3,4,5.5,7,8.5,10,12,14,16,20}

(10)

感知系統(tǒng)穩(wěn)定的探測距離為110 m，因此取自車到目標點的距離為[0,110]，單位為m,將距離模糊化為9(n=9)個模糊語言構成的模糊集合D={D1,D2,…,D9}，以三角函數(shù)作為隸屬度函數(shù)，利用模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法，分別確定最大隸屬度對應的實數(shù)值如式(11)所示：

d={d1,d2,…,d9}=

{2,5,9,15,24,37,55,79,110}

(11)

乘用車制動系統(tǒng)能夠提供0.7g以內(nèi)的減速度，因此取加速度為[-6,0]，單位為m/s2,將加速度模糊化為11(l=11)個元素構成的模糊集合A={A1,A2,…,A11}，確定最大隸屬度對應的實數(shù)值如式(12)所示：

a={a1,a2,…,a11}={-6,-5,-4,-3,

-2.5,-2,-1.5,-1,-0.5,-0.25,0}

(12)

速度、距離和加速度變量對應的隸屬度如圖6所示。

Figure 6 Membership functions of all variables when encountering statics obstacles圖6 遇靜態(tài)障礙物時各變量的隸屬度函數(shù)

結合人工駕駛經(jīng)驗，以自車速度和到障礙物的距離作為輸入，以期望加速度作為輸出，建立表2所示的模糊規(guī)則表，得到模糊速度規(guī)劃模型，如圖7所示。

由圖7可知，模糊速度規(guī)劃模型明顯存在加速度平面不平滑的現(xiàn)象，容易導致自動駕駛車輛因頓挫感帶來的舒適性差的問題。為此，本文將模糊速度規(guī)劃模型的模糊規(guī)則轉化為輸入輸出樣本集合，利用神經(jīng)網(wǎng)絡自學習的功能，離線修正規(guī)劃模型。

Table 2 Fuzzy rule table A in static obstacle scenes表2 遇靜態(tài)障礙物場景的模糊規(guī)則表A

將車速集合v和距離集合d中的元素組合，形成由108個樣本構成的輸入樣本集合，如式(13)所示：

Figure 7 Fuzzy planning model in static obstacle scenes圖7 遇靜態(tài)障礙物場景的模糊規(guī)劃模型

P={[vi,dj]|vi∈v,dj∈d,

i=1,2,…,12;j=1,2,…,9}

(13)

根據(jù)模糊規(guī)則表查找相對應的加速度aij，形成由108個元素構成的輸出樣本集合，如式(14)所示：

T={aij|i=1,2,…,12;j=1,2,…,9}

(14)

由此可得，遇靜態(tài)障礙物場景模糊規(guī)劃模型的樣本集合如表3所示。

對于任意元素vi∈v,dj∈d，按照式(15)對輸出加速度樣本進行檢驗，以滿足安全性能：

(15)

對輸入輸出樣本集合對[P,T]中的每一個樣本[vi,dj,aij]，按式(16)進行歸一化處理，獲得歸一化后的輸入輸出樣本集合對[P′,T′]。

Table 3 Sample set T in static obstacle scenes表3 遇靜態(tài)障礙物場景的樣本集合T

(16)

建立3層神經(jīng)網(wǎng)絡模型，以輸入輸出樣本集合對[P′,T′]作為訓練樣本，離線訓練神經(jīng)網(wǎng)絡，獲得神經(jīng)網(wǎng)絡的權值向量和偏置向量。最后，以訓練好的神經(jīng)網(wǎng)絡作為速度規(guī)劃模型，以自動駕駛車輛實時車速、到靜止障礙物的距離作為神經(jīng)網(wǎng)絡規(guī)劃模型的輸入，在線計算加速度。圖8為訓練好的神經(jīng)網(wǎng)絡規(guī)劃模型，可知該速度規(guī)劃模型相比于模糊規(guī)劃模型，加速度平面更加光滑，因此能夠提高自動駕駛的舒適性。

Figure 8 Fuzzy neural network planning model in static obstacle scenes圖8 遇靜態(tài)障礙物場景的模糊神經(jīng)網(wǎng)絡規(guī)劃模型

3.3 動態(tài)障礙物速度規(guī)劃模型

對于遇動態(tài)障礙物的場景，速度規(guī)劃的目標是規(guī)劃出實時加速度，使自動駕駛車輛跟隨障礙物，并保持較穩(wěn)定的安全距離。在該場景中，速度狀態(tài)量有障礙物速度vO和自車速度vS，距離狀態(tài)量為自動駕駛車輛到障礙物的距離d。為減少規(guī)劃模型的維度，將輸入狀態(tài)量定義為相對速度Δv=vS-vO(單位為m/s)和時距τ=d/vS(單位為s)。確定相對速度為[-7,7],單位為m/s，時距為[0,6],單位為s。跟車時距設定為τset=2.5 s。分別定義相對速度、時距和期望加速度的模糊語言集合為：V={V1,V2,…,V9}，D={D1,D2,…,D10}，A={A1,A2,…,A14}，其對應的隸屬度函數(shù)如圖9所示。

Figure 9 Membership functions of all variables when encountering dynamic obstacles圖9 遇動態(tài)障礙物時各變量的隸屬度函數(shù)

根據(jù)人工駕駛經(jīng)驗，建立速度規(guī)劃的模糊規(guī)則表如表4所示。確定語言變量最大隸屬度對應的實數(shù)值集合分別為：

Δv={-7,-5,-3,-1,0,1,3,5,7},

τ={0.25,0.5,1,1.5,2,2.5,3,4,5,6},

a={-5,-4,-3,-2,-1.5,-1,-0.5,0,0.5,1,1.5,2,3,4}。

Table 4 Fuzzy rule table in dynamic obstacle scenes表4 遇動態(tài)障礙物場景的模糊規(guī)則表

提取每個模糊規(guī)則并轉換為如表5所示的模糊規(guī)劃模型的樣本集合。以相對速度和時距作為輸入，以加速度作為輸出，則模糊規(guī)劃模型如圖10所示。同樣地，將遇動態(tài)障礙物場景的模糊規(guī)劃模型的規(guī)則轉化為輸入輸出樣本集合對，利用神經(jīng)網(wǎng)絡自學習的性能，離線修正模糊規(guī)劃模型，修正后的模糊神經(jīng)網(wǎng)絡規(guī)劃模型如圖11所示。

最后將模糊神經(jīng)網(wǎng)絡規(guī)劃模型作為遇動態(tài)障礙物場景的速度規(guī)劃模型，在線計算加速度。

4 仿真研究

仿真研究基于Matlab/Simulink展開，通過Matlab神經(jīng)網(wǎng)絡工具箱離線訓練獲得網(wǎng)絡模型參數(shù)，在Simulink中建立速度規(guī)劃仿真模型。

Table 5 Sample set a in dynamic obstacle scenes表5 遇動態(tài)障礙物場景的樣本集合a

Figure 10 Fuzzy planning model in dynamic obstacle scenes圖10 遇動態(tài)障礙物場景的模糊規(guī)劃模型

Figure 11 Fuzzy neural network planning model in dynamic obstacle scenes圖11 遇動態(tài)障礙物場景的模糊神經(jīng)網(wǎng)絡規(guī)劃模型

4.1 遇靜態(tài)障礙物場景仿真

遇靜態(tài)障礙物場景，障礙物位于前方100 m處，自動駕駛車輛分別以20 m/s,15 m/s和10 m/s的初始速度開始駛向障礙物，測試車輛能否平滑降速。仿真結果如圖12所示。

Figure 12 Decelerating test in static obstacle scenes圖12 遇靜態(tài)障礙物減速停車測試

由仿真結果可知，當自動駕駛車輛與障礙物距離小于6 s時距時，速度規(guī)劃模塊根據(jù)自車車速和到障礙物的距離計算輸出減速度，車輛開始制動減速。結果表明，在不同的初始車速下，自動駕駛車輛都能夠規(guī)劃出連續(xù)平滑的減速度，實現(xiàn)車輛平穩(wěn)降速。

本節(jié)分別采用模糊規(guī)劃模型和模糊神經(jīng)網(wǎng)絡規(guī)劃模型進行了對比實驗。障礙物位于前方100 m處，自動駕駛車輛以15 m/s的初始速度開始減速，測試不同模型的性能。仿真結果如圖13所示

Figure 13 Comparison test in static obstacle scenes圖13 遇靜態(tài)障礙物場景對比測試

相比于模糊規(guī)劃模型，基于模糊神經(jīng)網(wǎng)絡規(guī)劃模型生成的加速度曲線更加平滑，因而舒適性能更優(yōu)。

考慮到自動駕駛系統(tǒng)中存在的各類擾動，如測量誤差、執(zhí)行誤差和執(zhí)行延時等，根據(jù)實際情況，本節(jié)在仿真系統(tǒng)中增加了擾動因素，以測試模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法的抗干擾性能。

仿真實驗模擬的場景為：障礙物位于前方100 m處，自動駕駛車輛以15 m/s的初始速度開始減速。干擾因素為：速度測量加入了±1.5 m/s以內(nèi)的隨機誤差，對距離測量加入了± 2 m以內(nèi)的隨機誤差，執(zhí)行系統(tǒng)的響應延時為0.5 s，制動系統(tǒng)的執(zhí)行誤差為±10%。仿真結果如圖14所示，結果表明，在各類干擾因素影響下，車輛仍能保持平滑降速，規(guī)劃的減速度僅在小范圍內(nèi)波動。

Figure 14 Anti-interference test in static obstacle scenes圖14 遇靜態(tài)障礙物場景抗干擾測試

以上仿真結果表明，基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃模型，能夠規(guī)劃出較為連續(xù)平滑的加速度，有助于提升自動駕駛車輛在遇到靜態(tài)障礙物時制動減速的舒適性。相比于模糊規(guī)劃模型，其降速過程更加平穩(wěn)，且具有一定的抗干擾能力，適應性強。

4.2 遇動態(tài)障礙物場景仿真

遇動態(tài)障礙物場景，前方車輛作為動態(tài)障礙物，且車速度隨時間動態(tài)變化。自動駕駛車輛初始車速為15 m/s，到前車的初始距離為30 m，目標時距為2.5 s。本節(jié)分別進行了2類模擬測試：自動駕駛車輛跟隨前車減速和自動駕駛車輛跟隨前車連續(xù)變化。

對于自動駕駛車輛跟隨前車減速的場景，假設前車從25 m/s恒速行駛，以-1.5 m/s2的減速度減速到10 m/s后保持恒速行駛；對于自動駕駛車輛跟隨前車連續(xù)變化的場景，假設前車車速隨時間以正弦函數(shù)變化。在上述2種場景中，測試自動駕駛車輛的跟車性能，仿真結果分別如圖15和圖16所示。結果表明，前車恒速行駛時(圖15，0～40 s)，模糊神經(jīng)網(wǎng)絡模型能夠規(guī)劃連續(xù)平滑的加速度，使自動駕駛車輛保持與前車的2.5 s的跟車時距；前車從第1種恒速變化到第2種恒速運行時(圖15，40～100 s)，自動駕駛車輛能夠迅速響應前車的變化，并達到穩(wěn)定跟車；當前車連續(xù)變化時(圖16)，自動駕駛車輛能夠較好地響應前車車速變化，跟車時距保持在2.5～3.0 s的合理安全范圍內(nèi)。

Figure 15 Test of slowing down with object vehicle圖15 跟隨前車減速測試

Figure 16 Test of varying with object vehicle圖16 跟隨前車連續(xù)變化測試

本節(jié)分別采用模糊規(guī)劃模型和模糊神經(jīng)網(wǎng)絡規(guī)劃模型進行了對比實驗，前車速度隨時間以正弦函數(shù)變化，以測試不同模型的性能。仿真結果如圖17所示，采用基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃模型生成的加速度曲線更加平滑，因而舒適性能更優(yōu)。

Figure 17 Comparison test in dynamic obstacle scenes圖17 遇動態(tài)障礙物場景對比測試

同樣地，為檢驗模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法的抗干擾性能，本節(jié)對自動駕駛系統(tǒng)加入干擾因素。對速度測量加入了±1.5 m/s以內(nèi)的隨機誤差，對距離測量加入了± 2 m以內(nèi)的隨機誤差，執(zhí)行系統(tǒng)的響應延時為0.5 s，制動系統(tǒng)的執(zhí)行誤差為±10%。仿真結果如圖18所示。結果表明，自動駕駛車輛仍能保持較為穩(wěn)定的跟車，加速度僅在小范圍內(nèi)波動。與圖16(無干擾情況)相比，跟車時距在第10 s有明顯的上升，主要原因是執(zhí)行系統(tǒng)的響應延時干擾，加速或減速的時延造成車距急劇增大或減小。

Figure 18 Anti-interference test in dynamic obstacle scenes圖18 遇動態(tài)障礙物場景抗干擾測試

以上仿真結果表明，基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃模型，能夠規(guī)劃出連續(xù)平滑的加速度，實現(xiàn)自動駕駛車輛在遇到動態(tài)障礙物時，較好地跟隨動態(tài)障礙物的變化，保持合理的跟車時距。相比于模糊規(guī)劃模型，其舒適性能更優(yōu)，且具有一定的抗干擾能力，適應性強。

5 結束語

本文將自動駕駛場景歸納為遇靜態(tài)障礙物場景和遇動態(tài)障礙物場景，提出了基于模糊神經(jīng)網(wǎng)絡的速度規(guī)劃方法，相比于傳統(tǒng)的速度規(guī)劃方法，本文所提出的速度規(guī)劃方法的突出優(yōu)點在于僅需簡單的在線計算，因而計算時耗極低、工程實現(xiàn)簡單，有助于提升自動駕駛系統(tǒng)的穩(wěn)定性。同時，仿真研究結果表明本文速度規(guī)劃方法提升了駕駛的舒適性，具有一定的抗干擾能力，適應性強。

在后續(xù)的研究中，將會基于模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法，對其它常見場景設計相應的速度規(guī)劃模型并檢驗其適用性。同時，模糊神經(jīng)網(wǎng)絡速度規(guī)劃方法在自動駕駛實車上的測試驗證也將是下一步的研究工作。