自主车方案调研报告.doc

自主车控制方案调研报告 目 录一、自主车的关键技术2二、自主车国内外发展状况42.1 国外自主车的发展状况42.2 我国自主车的发展状况7三、采用神经网络实现的可行性探讨93.1 神经网络进行自主车控制原理93.2神经网络的主要控制功能103.3 神经网络用于自主车控制的可行性103.4基于模糊神经网络的自主车避障控制11四 自主车控制的其他方法研究134.1 基于模糊控制理论的智能车辆研究134.2 基于人工神经网络技术的智能车辆研究144.3 基于神经模糊技术的智能车辆研究154.4 智能车辆的其他研究16五、自主车的硬件设计175.1 自主车硬件结构175.2 传感器的设计18六 案例总结和分析226.1 案例1226.2 案例2256.3 案例327自主车控制方案调研报告自主车AGV(Autonomous Ground Vehicle)是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。一、自主车的关键技术自主车作为一套综合系统涉及到多学科的多项技术，其中以下介绍的几项技术是大部分不同类型的自主车研究中都要解决的关键技术。 （1）移动控制技术 移动控制即自主车根据不同的指令做出不同的动作，前进、转弯或者停止，这是自主车执行任务的基础，移动控制技术也是研究自主移动机器人技术较为活跃的课题之一。自主车按照存储在其内部的地图信息，或根据外部环境信息(即通过对环境的实时探测所获得的信息)规划出一条路径后，它还必须能够沿着该路径在没有人工干预的情况下，完成方向控制、速度控制等，到达目的位置，完成各种任务。因此，高效、可靠的移动控制至关重要。 （2）传感器技术 自主车传感器分为内部传感器和外部传感器。内部传感器用于监测和控制自主车本身，获取系统内部的各种参数信息;外部传感器安装在自主车外部，用于感知外部环境信息。使用合适的传感器可以有效地获取内部和外部信息，对自主车正常工作、提高工作效率、节约能源和预防意外事故都是非常重要的。 （3）传感器数据处理通过传感器获得的数据信息是决定自主车如何移动的重要条件，尤其是自主导航的自主车需要根据传感器数据来识别和判断外部环境，刁能选择合适的路径自主移动，因此，必须高效地处理传感器获得的数据。很多自主车为了避免单一传感器采集数据不完整的弊端，往往使用多传感器，而多传感器的数据融合也是一个重要的课题，涉及传感器、信号处理、机器人学、控制理论、系统分析、概率统计、计算机科学、仿生学等很多方面的知识，同时它也是一项用途广泛的技术，利用多传感器信息融合，可以减小由单一传感器所产生的误差，可以扩大感知信息的范围等。多传感器及先进的感知算法，将是在现实环境中实现具有高度灵活性及高鲁棒性行为的机器人的关键。（4）导航与定位定位是指确定自主车在二维工作环境中相对于全局坐标的位置和姿态，导航是指自主车通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主运动。自主车的导航方式可分为:基于环境信息的地图模型匹配导航，基于各种路标的视觉导航和基于其他各种传感器的导航等。定位的主要方法有:惯性定位、陆标定位、声音定位、视觉定位等。（5）路径规划 路径规划是自主车实现自主导航的一个重要问题，是机器人智能化的重要标志。自主车的最优路径规划问题，就是依据某个或某些优化准则(如工作代价最小、行走时间最短、行走路线最短等)，在自主车的工作空间中寻找一条从起始位置到目标位置的无碰撞路径。根据自主车对环境信息的已知程度，路径规划可分为对环境完全已知的全局路径规划和对环境信息完全未知，通过传感器实时地对工作环境进行探测，以获取障碍物的位置、尺寸和形状等环境信息的局部路径规划。在理论和实验层面，路径规划的方法较多，但是，现实复杂环境下的路径规划问题一直是一个没有很好解决的难题，比较多的是尝试用遗传算法来进行路径规划问题并取得一定成功。二、自主车国内外发展状况2.1 国外自主车的发展状况在世界科学界和工业设计界中，众多的研究机构正在研发智能车辆，其中具有代表性的智能车辆包括： 意大利MOB-LAB的研究。 MOB-LAB是开放“移动试验室”的代名词，后来用来研发车载实时图像处理系统，通过计算机视觉系统来检测车道轨迹，实现车辆自主驾驶。MOB-LAB有以下主要特点：车辆前后装备彩色摄像机，用来检测车辆外部环境;两个实时数字图像处理器(利用相应算法结构，以200ms一幅图像速度分析图像);4个车载传感器来测量横向和纵向车辆加速度;在车辆左右侧安装的毫米波雷达感知道路左右两侧环境;两个PC处理器处理雷达和其他融合的传感器数据。 德意志联邦大学的研究。德意志联邦大学己经研发出多辆智能原型车辆。在1985年，第一辆VaMoRs智能原型车辆就已经在户外高速公路上以100km/h的速度进行了测试。使用机器视觉来保证横向和纵向的车辆控制。1988年，在都灵的PROMETHEUS项目第一次委员会会议上，智能车辆维塔(VITA,7t)也进行了展示，该车可以自动停车、行进，并可以向后车传送相关驾驶信息。这两种车辆都配备UBM视觉系统。这是一个双目视觉系统，具有极高的稳定性，同时还包括一些其他种类的传感器：三个加速度计、一个车轮位置编码器(可作为里程表或速度计)，在VaMoRs车中，GPS接收机可以实现车辆位置的初步估算。 美国俄亥俄州立大学的研究。美国俄亥俄州立大学智能交通研究所所研发的三辆智能原型车辆，配备不同的传感器来实现数据融合和错误检测技术：基于视觉的系统;雷达系统(检测与车道的横向位置);激光扫描测距器(障碍物检测);其他传感器，如侧向雷达、转向陀螺仪。利用基于视觉的方法实现道路检测。利用一台安装在后视镜处的CCD摄像机，位置要尽可能高，车道检测系统可以处理这样的单幅灰度图像。算法假设道路是水平地，并且有连续或点化的车道标志线。前几帧检测的车道标志线数据也用来决定下一步兴趣热点区域，以简化图像处理。算法从图像中提取出重要的亮域，并以向量行驶存储，如道路消失点或道宽这样的数据参数，都可以作为计算车道标志线的参考，最后为了处理点划车道线，可以通过一阶多项式曲线来拟合，在进行向量计算。如果检测到左右车道标志线，就可以利用左右标志线来估计车道中心线;否则也可以利用估计的车道宽度及相关可视标志来估算中心线。发达国家从20世纪70年代开始进行自主车研究，目前在可行性和实用性方面，美国和德国走在前列。美国是世界上研究无人驾驶车辆最早、水平最高的国家之一。早在20世纪80年代，美国就提出自主地面车辆(ALV)计划，这是一辆8轮车，能在校园的环境中自主驾驶，但车速不高。美国其它一些著名大学，如卡耐基梅隆大学、麻省理工学院等都先后于20世纪80年代开始研究无人驾驶车辆。然而，由于技术上的局限和预期目标过于复杂，到20世纪80年代末90年代初，各国都将研究重点逐步转移到问题相对简单的高速公路上的民用车辆的辅助驾驶项目上。1995年，一辆由美国卡耐基梅隆大学研制的无人驾驶汽车Navlab-V，完成了横穿美国东西部的无人驾驶试验。在全长5000km的美国州际高速公路上，整个实验96%以上的路程是车辆自主驾驶的，车速达50-60km/h。尽管这次实验中的Navlab-V仅仅完成方向控制，而不进行速度控制(油门及档位由车上的参试人员控制)，但这次实验已经让世人看到了科技的神奇力量。丰田汽车公司在2000年开发出无人驾驶公共汽车。这套公共汽车自动驾驶系统主要由道路诱导、车队行驶、追尾防止和运行管理等方面组成。安装在车辆底盘前部的磁气传感器将根据埋设在道路中间的永久性磁石进行导向，控制车辆行驶方向。1991年日本学者Kageyama等将模糊控制理论引入驾驶员模型建立了模糊控制驾驶员模型。模型中考虑到外界对驾驶员开车行为的影响，引入“风险等级”的概念来表示这一影响。在轨迹决策中的“风险等级”即驾驶员从前方路况获得的“危险感觉”，这种感觉来自十四个方面:车辆与道路左侧的间距、与道路右侧的间距、前方道路曲率变化和有无障碍物。这四方面的风险感觉由参数为速度、路宽、道路形状等因素的指数函数来表示，并由模糊推理来决定。驾驶员心目中的理想轨迹是由这四方面因素综合。由模糊推理得到的最小风险等级来决定的;轨迹跟踪过程中，主要考虑了轨迹跟随反馈控制和加速/制动控制。假定驾驶员能够获得由最小风险等级得到的理想行驶轨迹和汽车实际行驶轨迹的误差及其变化率，驾驶员通过控制方向盘转角和转动角速度来控制转向轮，同时根据相应的路况进行加减速等。加减速的指令也为最小风险等级的函数。该模型由于考虑了驾驶员对汽车行驶轨迹的决策过程，从而使传统的驾驶员方向控制模型得到了更全面的推广。1993年Kageyama等为了更好地研究描述驾驶员模型中的非线性因素，又建立了基于神经网络的驾驶员一汽车一道路系统模型。整个模型包括三个部分：驾驶员轨迹决策神经网络模型、驾驶员轨迹跟随神经网络模型和汽车动力学神经网络模型。2005年，美国国防部“大挑战”比赛上，最终由美国斯坦福大学工程师们改装的一辆大众途锐多功能车经过7个半小时的长途跋涉完成了全程障碍赛，第一个到达了终点。在赛道上，无人驾驶汽车需要穿越沙漠、通过黑暗的隧道、越过泥泞的河床并需要在崎岖险峻的山道上行使，整个行程无人驾驶汽车需要绕过无数个障碍。在无人驾驶技术研究方面位于世界前列的德国汉堡Ibeo公司，最近推出了其研制的无人驾驶汽车。这辆无人驾驶智能汽车由德国大众汽车公司生产的帕萨特2.0改装而成，外表看来与普通家庭汽车并无差别，但却可以在错综复杂的城市公路系统中实现无人驾驶。行驶过程中，车内安装的全球定位仪随时获取汽车所在准确方位的信息数据。隐藏在前灯和尾灯附近的激光扫描仪是汽车的眼，它们随时观察汽车周围约183m内的道路状况，构建三维道路模型。除此之外，眼还能识别各种交通标识，如速度限制、红绿灯、车道划分、停靠点等，保证汽车在遵守交通规则的前提下安全行驶。最后由无人驾驶汽车的脑-安装在汽车后备厢内的计算机，将两组数据汇合、分析，并根据结果向汽车传达相应的行驶命令。多项先进科技确保这款无人驾驶汽车能够灵活换档、加速、转弯、刹车甚至倒车。在茫茫车海和人海中，它能巧妙避开建筑、障碍、其他车辆和行人，从容前行。此外，韩国理工大学的PRV系列车并不是直接将神经网络输出给执行器，而是经过基于神经网络模块的处理然后控制执行器，模仿了人类的驾驶习惯。2.2 我国自主车的发展状况我国在自主车的开发方面要比国外稍晚。国防科技大学从20世纪80年代开始进行该项技术研究。1989年，我国首辆智能自主车在国防科技大学诞生，这辆自主车长100cm、宽60cm、重175ks，有3个轮子，前轮是一个导向轮，后边有两个驱动轮。它包含了自动驾驶仪、计算机体系结构、视觉及传感器系统、定位定向系统、路径规划及运动控制系统，还有无线电通信、车体结构及配电系统。1992年，国防科技大学研制成功了我国第一辆真正意义上的无人驾驶汽车。由计算机及其配套的检测传感器和液压控制系统组成的汽车计算机自动驾驶系统，被安装在一辆国产的中型面包车上，使该车既保持了原有的人工驾驶性能，又能够用计算机控制进行自动驾驶行车。2000年6月，国防科技大学研制的第4代无人驾驶汽车试验成功，最高时速达76km，创下国内最高纪录。其智能控制系统主要由3部分组成：传感器系统、自动驾驶仪系统和主控计算机系统。由上海和欧盟科学家合作的中国城市交通中的无人驾驶技术(CyberC3)项目取得了阶段性成果，首辆城市无人驾驶车在上海交通大学研制成功。“无人驾驶技术”主要依靠车上的5个“器官”来保证。首先是位于车头上的俯视摄像头，它是车辆的“眼睛”，能够准确识别地上的白线，从而判断前进方向。在“眼睛”的一旁，一个凸出车头的激光雷达就像车辆的“鼻子”，随时“嗅”着前方80m范围内车辆和行人的气息。而在车辆的左右两侧，两只超声传感器就像车辆的耳朵，倾听着四面八方的声音。除了用眼睛指挥前进外，该车还可以通过另一种方式-用一只无形的手来感知地面的磁性物体，从而判断前进方向，而这只手就是位于车头底部的磁传感器。但这种方法需要在车辆运行的道路上埋人磁钉。最后的器官便是车辆的脑了，位于远处的遥控指挥中心是车辆的大脑，通过无线传输向车辆下达特殊指令；而车辆内部的计算机则是它的小脑，通过汇聚眼睛、鼻子、耳朵、手所得到的信息来避开周围车辆和行人。再配合程序中设计好的各景点的位置，无人驾驶车便能顺利地将乘客送到他们想去的地方。最近，国防科技大学机电工程与自动化学院和中国第一汽车集团公司联合研发的红旗旗舰无人驾驶轿车，其总体技术性能和指标已经达到世界先进水平。该车装备了摄像机、雷达，可以自己导航，对道路环境、障碍物进行判断识别，自动调整速度，不需要人做任何干预操作。与电子巡航、GPS导航不同的是，它的定位更加精确，转弯和遇到复杂情况也不需要人来控制。车内的环境识别系统识别出道路状况，测量前方车辆的距离和相对速度，相当于驾驶员的眼睛；车载主控计算机和相应的路径规划软件根据计算机视觉提供的道路信息、车前情况以及自身的行驶状态，决定继续前进还是换道准备超车，相当于驾驶员的大脑；接着，自动驾驶控制软件按照需要跟踪的路径和汽车行驶动力学，向方向盘、油门和刹车控制器发出动作指令，操纵汽车按规划好的路径前进，起到驾驶员的手和脚的作用。这辆无人驾驶轿车在正常交通情况下，在高速公路上行驶的最高稳定速度为130km/h，最高峰值速度为170km/h。1994年中国农业大学的余群等人建立了一个驾驶员的模糊控制模型。该模型将汽车的侧向位移与横摆角速度作为模糊输入，方向招转角作为模糊输出，进行了单移线和双移线的仿真计算，随后余群及孙仪刚等又利用神经网络理论和模糊控制理论建立了一个基于汽车方向控制的具有自学习功能的驾驶员模糊神经网络智能控制模型，设计了具有实现驾驶员模糊神经控制模型的网络拓扑结构。“九五”期间，我国继续组织研究了第二代地面自主车ALVLAB II，由南京理工大学、国防科大、浙江大学、清华大学、北京理工大学联合研制。该车道路环境下自主行驶最高速度为74km/h，正常行驶速度为30.6Km/h，越野环境白天行驶最高速度为24kKm/h，夜间行驶最高速度为15 km/h，同时支持临场感遥控驾驶及战场侦察等功能。 此外，国防科技大学研制的全自主无人驾驶汽车，能够在无人干预情况下，自主点火，起步，换档，停车等，高速公路环境下，最高时速达75.6公里。国内具有代表性的系统还有:清华大学研制的THMR-V，吉林大学研制的JLUIV系列实验车以及西安交通大学研制的Springrobot实验车等。在我国，吉林大学智能车辆课题组长期从事智能车辆自主导航机理及关键技术研究。20世纪90年代以来，课题组开展的组态式柔性制造单元及图像识别自动引导车的研究对我国独立自主开发一种新型自动引导车辆系统，从而为我国生产组织模式向柔性或半柔性生产组织转化提供了有意义的技术支撑和关键设备。课题组己开发出JUTIV-1, JUTIV-2, JLUIV-3三种型号的自动引导车辆，其中JLUIV-3实用型视觉导航AGV已投入工厂进行中试，并得到吉林省科委“新型视觉引导AGV及自动物流运输系统开发”项目、长春市政府科技引导计划新星创业项目、吉林大学科技园高新技术产品孵化项目的立项资助，目前该种AGV己完成商品化研制，即将投入市场。由于JUTN-3型AGV性能优越，智能化程度高，属国内首创，必将会产生重大的社会效益和经济效益。三、采用神经网络实现的可行性探讨3.1 神经网络进行自主车控制原理随着神经网络的发展，人们开始尝试将神经网络结合其它技术，开发出新的轨迹跟踪控制方法。神经网络进行智能控制的主要特点有： (1)能够充分逼近任意复杂的非线性系统; (2)能够学习和适应严重不确定性系统的特性; (3)由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的容错性; (4)采用并行分布处理方法，使得快速进行大量运算成为可能。典型的控制结构包括如下方案:神经网络监督控制、神经网络直接逆控制、神经网络自适应控制、神经网络内模控制、神经网络预测控制;神经网络自适应评判控制。 但是采用神经网络仍存在以下缺点： (1)缺乏系统化的方法来构造网络的结构; (2)网络需要一定时间来训练，训练完成前不能很好地控制系统;(3)网络权值没有明确的物理意义，权值的初始化过分依赖经验;3.2神经网络的主要控制功能1) 规划路径：神经网络作为一种高度并行的分布式系统，为机器人的路径规划提供了可能，其基本原理是将环境障碍等作为神经网络的输入层信息，经由神经网络并行处理，神经网络输出层输出期望的转向角和速度等，引导机器人避障行驶，直至到达目的地。优点是并行处理效率高，具有学习功能，能收敛到最优路径。近年来，许多研究工作已取得较好的效果。但是传统的神经网络对环境的表示方法都采用根据障碍的形状，对每一个障碍都用一定的神经元来表示，当障碍物较多，网络规模往往庞大，处理运动的障碍时，由于障碍物边界方程的不定性，通常要求网络神经元的闭值随着障碍边界的方程变化而不断地调整，使得实际中难应用。为尽量简化网络的规模，Hopfield网络、自组织网络、PAC和MLP相结合的网络等被用于对机器人的路径进行规划，取得了一定的成果。2) 避障：对于避障系统而言，我们可以通过在采样状态的障碍物信息的输入和控制输出数据中找出避障的各种行为模式，从而生成相应的模糊逻辑控制规则。另一方面，神经网络虽然可以通过训练来学习给定的经验，并据此生成映射规则，但是这些映射规则在网络中是隐含而无法直接理解的。因此，想从神经网络内部去调整它的权值参数，进而改进它的性能，对于现在的我们具有一定的难度。然而，如果把模糊逻辑控制引入到神经网络中，就会发现它能给神经网络带来很多优点，比如减少了对存储器的要求，增加了神经网络的泛化能力和容错能力等。再者，还可以利用相应的模糊系统来初始化神经网络结构，从而使得模糊控制器规则的在线精度和神经网络的学习速度均能得到较大的提高。通过上述分析可以看出:模糊逻辑和神经网络这两种技术具有互补性，对于自主车避障这样复杂的系统，模糊神经控制技术有着巨大的优势。3.3 神经网络用于自主车控制的可行性对于自主车的控制算法，神经网络应该是不错的选择，神经网络技术对于对非线性问题有很好的适应能力。自主车系统中通常使用神经网络模型的前馈多层感知网络，系统将传感器获得的视频图像作为神经网络输入，将转向方向作为期望输出。自主车控制算法要解决的重要问题是: 输入控制模型输出控制参数。以下主要讨论神经网络用在自主车控制算法上的可能性以及如何利用神经网络于自主车控制算法：1) 一般自主车控制器建模过程。控制器建模主要是建立一个输入和输出之间的关系模型。要建立自主车车直线、弧线行走的控制模型，需要通过实测数据建立驱动控制和自主车转弯偏移量的关系，那么输入的参数是当前速度，曲率大小，转弯弧度，最大安全速度，目前偏移角度等等参数，而输出的就是目标速度，目标角度。2) 主要使用神经网络的回归拟合功能对自主车进行控制。神经网络用于自主车控制算法上的优势比较明显，模型可以随时调整，而且模型不是通过公式表示，只是一个神经网络来表达，避免复杂的参数调整和试算过程。通过新的环境参数得到新的网络，增强系统的适应性。神经网格的核心就是得到一组网络参数，控制模型就是一个神经网络，它包含很多参数，如权值，隐含层数，训练方法，神经元模型，传递函数等，只要建立一个神经网络，那么输入和输出的关系就建立起来了。3) 在决策层和数据层同时运用神经网络。正如数据融合一样，有决策层和数据层的融合，神经网络也一样，有决策层和数据层的运用。由于自主车的路径是连续的，那么数据层的神经网络能一定程度上预测输入数据变化。4) 重视归一化处理和神经网络训练算法。这两点很重要，归一化可以改进数据的规范性，加快收敛。训练算法的重要性不言而喻，如用梯度下降法训练法使误差达到最小。3.4基于模糊神经网络的自主车避障控制随着自主车应用日益广泛，对自主车的智能要求也越来越高，而其智能程度主要依赖于对环境的正确理解。因此，多传感器的信息融合就成为提高自主车智能的关键技术。由于模糊逻辑技术和神经网络技术在自主车避障控制中具有各自独到的优点，所以下面重点介绍这两种方法，然后在这两种方法的基础上给出一种组合方法模糊神经网络法。（1） 模糊控制自主车在避障过程中所面对的环境对象非常复杂，实践证明最优控制和随机控制往往不能保证自主车避障控制的最佳特性，效果不十分明显。而模糊控制有适应系统变化的能力，在本质上可以实现非线性控制。对于自主车避障的模糊控制而言，其关键问题是建立合适的模糊控制器，主要完成障碍物距离值的模糊化、避障模糊关系的运算、模糊决策以及避障决策结果的非模糊化(即精确化)处理等重要过程，从而智能地控制自主车的避障行为。（2）神经网络神经网络是人工智能领域的一个重要分支，它具有学习能力和非线性映射能力，利用它可以解决一些复杂的系统控制。自主车的避障系统是一个非常复杂的非线性控制系统，具有模型不精确性和不确定性。因此，神经网络在这方面有很大的应用潜力。（3）模糊控制和神经网络相结合的解决方法避障系统可以通过在采样状态的障碍物信息的输入和控制输出数据中找出避障的各种行为模式，从而生成相应的模糊逻辑控制规则。另一方面，神经网络虽然可以通过训练来学习给定的经验，并据此生成映射规则，但是这些映射规则在网络中是隐含而无法直接理解的。因此，想从神经网络内部去调整它的权值参数，进而改进它的性能，对于现在的我们具有一定的难度。然而，如果我们把模糊逻辑控制引入到神经网络中，就会发现它能给神经网络带来很多优点，比如减少了对存储器的要求，增加了神经网络的泛化能力和容错能力等。再者，我们还能利用相应的模糊系统来初始化神经网络结构，从而使得模糊控制器规则的在线精度和神经网络的学习速度均能得到较大的提高。通过上述分析可以看出:模糊逻辑和神经网络这两种技术具有互补性，对于自主车避障这样复杂的系统，模糊神经控制技术有着巨大的优势。（4）基于模糊神经网络的自主车避障对于自主车而言，在运动过程中是否能快速、准确地对周围环境作出反应，比如避开前方障碍物并且不间断地移动到目的地是非常重要的。考虑到神经网络的学习收敛性差以及模糊逻辑控制的控制规则过多的缺点，采用一种通过应用一定量的模糊规则与模糊Kohonen聚类网络相结合的方法，生成一种启发式的模糊神经网络，并且通过对该模糊神经网络进行离线非监督式训练，从而建立起超声波传感器输入信号与自主车速度之间的模式映射关系。此算法提供给自主车较为迅速的反应能力，从而实现自主车连续、快速地避障。基于模糊神经网络的信息融合模型如下图。3.5神经网络自主车控制的难点神经网络常用的一般有：感知器，BP，HOPFILED，RBF，ANN，ART和Kohonen网络。自主车中选用的神经网络的要求：收敛快，计算量小，泛化性能好。神经网络比PID，模糊控制，遗传算法，bangbang等算法，更宏观，可以理解为从系统整体入手建模。1) 难点在于计算量和收敛特征的问题。2) 另外，神经网络的缺点还在于无论在分类还是拟合作用上，计算精确性并不是100%。3) 神经网络的实时性较差。神经网络的训练过程会耗费过多的时间，同时神经网络的训练数据也是需要进行选择的，这也耗费了一定的时间。个人觉得利用神经网络进行速度控制有较大优势，比PID控制起来精度会有些缺陷，但速度快。四 自主车控制的其他方法研究4.1 基于模糊控制理论的智能车辆研究我们知道，操纵和控制车辆实质上可被看作是一复杂、时变、非线性大系统的控制过程，驾驶员对汽车的认识是建立在模糊认识的基础之上的，如对汽车速度的认识就是车速很快、快、较快、较慢、很慢，对汽车的转向操纵是左转大、左转小、零、右转小、右转大等。模糊理论是建立在人类思维模糊性的基础之上的，其特点是可以用模糊性的自然语言表示知识和用知识实现模糊推理，模糊控制的核心是在于它用具有模糊性的语言条件语句，作为控制规则去执行控制，控制规则往往是由对被控制过程十分熟悉的专门人员给出的，所以模糊控制本质上是一种专家控制，充分反映了人类的智能活动。所以，国内外的学者基于模糊控制理论对智能汽车开展了大量的研究工作。基于模糊控制理论的车辆的引导控制系统的目标是使各车辆都装有该系统的车队保持前后车辆的合适车距，由引导车辆(Leading Vehicle)引导随后的车辆自动的行驶。车辆的动力学模型反映了车辆的纵向速度和加速度以及引起其变化的车辆轮胎的侧滑、道路等级、滚动阻力、空气阻力和减速器作用等影响因素的变化。车辆模糊引导控制系统利用了节气门开度值和引导车辆的即时速度，根据车辆的前视距离(Headway range)和前视距离的变化来确定模糊控制系统的输出对车速和转向进行控制，从而完成车辆的自动行驶。结果表明在车队行进过程中，对于速度的突然变化，模糊控制系统也能很好地工作。模糊汽赛车型和模糊驾驶员控制模型是在汽车驾驶员环境闭环系统的研究中，模仿人类驾驶员操纵和驾驶车辆的行为，取得了满意的效果。模糊汽赛车型和驾驶员控制模型是通过对驾驶员驾驶一辆切诺基而得到的实验数据(车速、加速度、方向盘转角、方向盘转角变化、横摆角速度等等)进行模糊辩识而形成的，实验结果也表明，其模糊汽赛车型和驾驶员模糊控制模型是可行的，在一定程度上反映了驾驶员的智能行为。还有的研究者对汽车预期轨迹驾驶员模糊决策模型进行了研究并进行了典型路况的仿真。随着驾驶员模型研究的深入和汽车智能驾驶系统研究的兴起，实际道路环境下驾驶员的操纵车辆的行为特性的研究及其数学模型的建立变得越来越重要，对汽车智能系统而言，合理地决策出汽车预期轨迹是进一步发展的焦点，基于模糊理论建立起汽车轨迹驾驶员模糊决策模型，该模型完全可以合理地控制汽车安全通过各种道路曲率变化的路段，为汽车辅助驾驶和智能驾驶中决策的研究提供了一条可行的途径。4.2 基于人工神经网络技术的智能车辆研究人工神经网络在更高层次上体现了人脑的智能行为，神经网络为解决非线性系统、模型未知系统的控制问题提供了新的思路。人工神经网络在智能车辆的研究中主要是用于智能驾驶员控制模型的建立，这种模型实质是一种智能控制系统，用于车辆的智能化操纵，部分或全部地代替人类驾驶员。美国密执根大学交通研究所提出的基于神经网络的汽车转向智能控制系统是人工神经网络在智能车辆研究中的一例。研究该系统的目的是，根据来自能反应当前车辆相对于路面边缘的位置和运动取向的传感器的信息，对驾驶员控制方向的模型进行模式辩识，以最终达到用神经网络模仿人的行为驾驶车辆的目的。它的工作原理是，车上装有一种既能向前“看”，也能向车体侧面“看”的测距装置，以便提供未来个时刻车体相对于公路边缘1,2 和3 点的侧位移s1 ,s2 和s3,sl 是未来0.1 s 时，车前端距道路边缘的距离;s2 和s3 分别为未来0.4s 和0.7s 时，当前车体的x 轴线距道路边的距离。sl(t) ,s2(t)和s3 (t)是通过一台直径为2.54 cm 的小型单色CCD摄像机获取的。摄像机安装在驾驶员侧的反光镜上。从车左前轮算起的纵向观测距离为前方70m。侧向观测范围是紧靠车身的1.7m 处直到全路面宽度。摄像机镜头的取向使其能同时观察到近、中、远三处的路面情况。目前，美国正在研究的智能车高速公路系统IVHS ( Intelligent Vehicle Highway Systems)也是为了实现模仿人的行为驾驶车辆的目的。利用人工神经来模仿人类驾驶员操纵车辆的行为，模仿驾驶员驾驶车辆通过连续的障碍(只有某一门口可通过)和选择最佳的行驶(轨迹)路线。驾驶员操纵车辆的2 个主要动作，汽车方向的控制和行驶路径的选择(寻优)是分别由2 个神经网络进行学习模仿的。控制行驶方向的神经网络把方向误差和到下一门口的距离作为输入，而行驶路径选择的神经网络则学习到了人类驾驶员在操纵车辆时对路径选择的偏好。实验和仿真结果是令人满意的，车辆的速度对驾驶员的操纵和对路径的选择都有实质性的影响，也应作为网络的输入。总之，基于人工神经网络技术的智能车辆的研究方兴未艾。4.3 基于神经模糊技术的智能车辆研究模糊逻辑和神经网络是两个截然不同的研究领域，但它们的目的是一致的，即研究人工智能。用神经网络解决问题时，在知识的推理上还存在着相当大的困难;而在知识的获取方面，模糊技术也显得十分的软弱。把神经网络和模糊技术结起来，就能互相弥补它们的不足，使得知识的获取和加工成为一种较为容易实现的事情，在越来越复杂的动态系统和高度不确定的情况下能获得优质的控制效果，神经网络和模糊理论结合起来产生了新的学科即模糊神经网络学科或是神经网络模糊技术是21 世纪的核心技术之一。正是由于神经模糊技术的诱人之处，国内外汽车工程界的专家和学者及时的把该技术用到了智能车辆的研究中，做了一些有意义的探索。通过学习有技巧司机的驾驶技术去控制一个无人车是模糊控制神经网络NFCN 的实例，这个模糊车具有学习训练样本的能力，并且能沿着有直角转向的轨迹自动运动，说明在NFCN 的控制下，模糊车能够学习熟练司机的驾驶经验，并且在相似的路面上能像熟练司机一样自动运行。模型的输入语言变量为模糊车距轨迹内边界的距离、模糊车距拐角转点的距离和当前驾驶角，输出变量为下一驾驶角。训练数据由一个熟练司机驾驶模糊车通过拐角的过程中获得。一个神经模糊驾驶员控制模型由模糊化网络、控制规则基网络和反模糊化网络组成，其拓扑结构有10 层，大约200 个节点。把驾驶员对车辆的操纵看成一个控制器，基于模糊神经网络理论，用BP 网络实现了控制规则的模糊映射，通过学习训练来实现控制规则基网络的记忆，从而实现模糊输入输出的映射。过去，曾有人试图建立模糊神经驾驶员控制模型，但由于输入变量较多，需要的神经网络节点数巨大，而无法实现。如果把横向预瞄偏差作为模糊神经驾驶员控制模型的输入，很好地解决了这个问题，从而成功设计并实现了模糊神经驾驶员控制模型网络拓扑结构。仿真结果表明，神经模糊驾驶员控制模型网络能很好地映射模糊隶属度函数，能对驾驶员操纵汽车运动的知识进行学习和记忆。还把虚拟现实技术用于神经模糊车辆驾驶员控制模型的研究中，借助于虚拟现实技术等交互手段，使参与者产生了“身临其境”的感觉，能通过交互控制，实现诸如变换视口、改变车辆参数、变换仿真数据、实验场景更换、仿真暂停与重复功能等，能够观察、分析、体验和控制整个动态仿真的全过程，在智能汽车研究中采用了新的方法。总的说来，基于神经模糊技术的智能车辆的研究工作在国内外都还处于起步的阶段。4.4 智能车辆的其他研究除上所述 ，智能车辆的研究主要是基于模糊控制理论、人工神经网络技术和神经模糊技术等人工智能的最新理论和技术而开展研究的，同时，现代控制理论，自主导航技术等先进技术在智能车辆的研究中也有所应用。上海交通大学用现代控制理论的方法设计出了一种自动驾驶汽车的模型，是在汽车系统的动力学建模的基础上，设计的自动驾驶汽车的转向系统，它能根据道路的弯曲程度变化实时地计算出车辆的转向盘角度输入，控制车辆按预设道路行驶。在智能车辆的研究中，车辆的自主导航技术也是其研究的核心问题，人们先后把地下埋线导航、光学导航、视觉导航、超声导航和红外导航等技术用于智能车辆的研究中。吉林工业大学设计并制造了一辆用CCD 识别地面铺设的条状路标而进行导航的智能车辆，车辆由图像识别、行驶、转向驱动、制动、避障和其他辅助系统组成，目前，该车可以稳定跟踪直线、弧线、S 型线等轨迹自动行驶，车速可达20km/h。五、自主车的硬件设计可在自主车上装有超声波传感器和避障传感器以获取外界环境信息，其中在车的前部安装8个超声波传感器和1个避障传感器;在车的左右两侧分别装有2个超声波传感器;在车的尾部装有1个避障传感器。5.1 自主车硬件结构自主车硬件系统由工控机、PMAC控制卡、光电编码器、变速器、放大器以及驱动电机等组成，如图所示。工控机：自主车的控制核心，用以完成有关障碍物信息融合处理并将计算出的相关参数传递给PMAC控制卡。PMAC分析由工控机传来的信息，对驱动电机发出相应的运动指令以确保自主车可以准确地、安全地进行避障行走。PMAC控制卡：由于PMAC可以比较容易地实现各种复杂控制，目前，PMAC己广泛的应用于各种数控机床、机器人35等的控制中。与使用继电器和计数卡进行电机控制相比，使用PMAC控制器不但具有更高的准确性，实时性和稳定性也显著提高，可以使自主车以精确的速度进行持久性的行走。5.2 传感器的设计5.2.1 传感器概述自主车需要实时收集环境信息，然后进行路径规划，以实现避障。这些任务必须依靠能够实时感知环境信息的传感器系统来完成，没有传感器也就谈不上“自主”车。自主车的行为控制向环境感知提出了很高的要求。使用单一传感器获得的信息非常有限，它获得的是局部的、片面的环境特征信息。由于还受到传感器自身品质、性能的影响，采集到的信息往往不完善，带有较大的不确定性，有时甚至是错误的。这就决定了任何形式的自主车，如要有目的地完成一项任务，必须具备一个多传感器环境感知结构。传感器选择是自主车多传感器系统设计的重要一环。一般来说，就传感器本身而言，应根据其可靠性、工作范围以及功耗等基本性能进行选取。对于整个系统而言，传感器的选择则要根据所需采集的信息类型及应用环境来进行。 传感器是机器人感知外界环境的主要手段，目前室内导航的避障与规划算法主要基于摄像头、声纳和激光雷达三种传感器。 目前几乎所有机器人上都安装有摄像头，其优点是信号范围较宽、获取信息比较完整，因此是未来移动机器人导航的一个重要的发展方向，也是目前研究的一个热点。但摄像机视觉信息精度有限，计算量大且较为复杂，对于实时导航不利。同时由于无法在黑暗中工作，也影响了其在特殊场合中的应用。 超声传感器能在黑暗中工作，而且其结构简单、体积小、性价比高，因此目前室内机器人实时避障中比较多的是采用声纳作为环境的感知设备。由于往往是在机器人车体周围安装多个声纳以获取较全面的环境信息，因此需要对于多个声纳信息的进行快速融合，以实现实时决策。但是超声传感器本身具有许多缺点和局限。首先是单个声纳发射的声波具有一定的波束角，无法感知障碍相对于机器人的精确角度信息。其次，受环境影响也较大，对于物体表面粗糙比较敏感，易产生镜面反射。近年来，2D激光雷达在室内移动机器人导航中的应用日益增多。这主要是由于基于激光的距离测量技术具有很多优点，与其它距离传感器相比，激光雷达能够同时考虑精度要求和速度要求，这一点特别适用于移动机器人领域。而且除了避障外很多室内的应用如环境的地图生成，机器人的自定位等等的研究都是基于2D激光测距雷达的。1991年Borenstein针对势场法存在的问题提出了向量场直方图法(VectorField Histogram method, VFH)。由于此方法建立以移动机器人为中心的极坐标系，将障碍物对机器人的影响量化为各个角度上的障碍强度值，与2D激光雷达数据有很强的相似性，因此很多采用激光雷达作为传感器的机器人都采用与VFH相结合的导航算法。现今的AGV基本上由导向模块、行走模块、导向传感器、微处理器、通讯装置、移载装置和蓄电池等构成,如图1所示。其中,微处理器是车的控制核心部分,它把车的各个部分有机地联系在一起,它不仅控制整个车的运行,而且,还通过通讯系统接收地面管理站传来的各种指令,并不断地把车的所处位置、运行状况等信息返回给地面站。通讯装置根据车的通讯方式不同可以是：红外通讯、感应通讯、无线电通讯等。移载方式有手动和自动2种,根据需要可以配置货叉、升降平台、辊子输送机、外伸形货叉、机械手等设备。一定数量的AGV在地面设施的支持下,按工序完成一定的物料输送任务就构成AGV系统。图1中的导向传感器是现代AGV的基础。在没有人为干涉的情况下,AGV的所有动作均来自于导向传感器对外界事物的感知。由此可知,传感器技术是AGV技术中非常重要的一环。5.2.2. 基于多传感器信息融合的环境信息采集传感器选择是自主车多传感器系统设计的重要一环。一般来说，就传感器本身而言，应根据其可靠性、工作范围以及功耗等基本性能进行选取。对于整个系统而言，传感器的选择则要根据所需采集的信息类型及应用环境来进行。(1) 超声波传感器超声波具有波长较短，绕射小，能够成为射线而定向传播。且超声波的频率越高，就越与光波的某些特性(如反射、折射)相似。这些特性使其在检测技术中获得广泛的应用。超声波测距技术是一种有源非接触测距技术，是利用超声波在空气中的定向传播和固体反射特性，通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差和传播速度，计算出传播距离，从而得到障碍物到研究平台的距离。由于超声波传感器具有成本低廉，采集信息速率快，距离分辨率高，质量轻，体积小，易于装卸等优点。并且超声波传感器在采集环境信息时不存在复杂的图像匹配技术，不需要通过大量的计算而获得距离数据，因此其测距速度快，实时性好。同时超声波传感器不易受到如天气条件，环境光照及障碍物阴影，表面粗糙度、裂缝等外界环境条件的影响。鉴于以上的种种优点，使得超声波传感器在室外环境的自主移动的研究平台车应用中有很大优势。超声波测距传感器工作原理：超声波测距是通过不断的检测超声波发射后遇到障碍物所反射的回波，从而测出发射和接收回波的时间差T，计算距离S为：式中，C为超声波波速。由于超声波也是一种声波，其声速C与温度有关。在使用时，如果温度变化不大，则可认为声速是基本不变的。如果测距精度要求很高，则应通过温度补偿的方法加以校正。声速确定后，只要测得超声波往返时间，即可求得距离。超声波测距的原理如图所示。(2) 避障传感器自主车在行走过程中，不可避免的会遇到某些障碍物，如行走中的人等。为了增加自主车行走的安全性，使其具有一定的避障能力，必须安装避障传感器。(3) 环境感知传感器对于自主车来说，其环境感知就是要感知其正在行驶的道路情况，包括道路、车辆、障碍、行人等。常用的传感器有两大类：一类称为主动传感器，其接收自身发出的感知信号，如激光雷达、多普勒雷达等。这类传感器具有感知测量直接对传感器数据处理能力要求低等特点。但这类传感器的使用将会对环境产生污染。特别是在有多个主动传感器共同工作的情况下相互之间将会产生严重的干扰。另一类传感器称为被动传感器，他们的采样过程不会对环境产生污染。多个传感器之间也不会产生相互干扰。但这种传感器采集的数据往往需要大量的运算，早期很难做到实时。随着计算机能力的增强，这个问题已逐步得到了解决。这类传感器的另一个问题就是适应能力较差。但随着传感器制造技术的提高和数据处理算法的研究，这个问题也是有望解决的。因此我们倾向于使用被动传感器。为此自主车通常选择摄像机作为主要的环境传感器。例如，在车顶前方分别安装两台摄像机。其中一台摄像机的视中心点在车前，主要负责车前道路感知，感知结果送给一台流水线结构的视觉处理机来完成道路特征的提取。另外一台摄像则主要完成车前较远的道路情况的感知，感知结果交由一台工控机来完成道路特征和障碍的提取。处理结果用来规划车速和改变车的工作状态，这一工作正在进行之中。(4) 自身状态感知车体自身状态信息对于车的控制来说是非常重要的。自主车系统的自身状态感知主要由里程仪、激光陀螺导航平台、磁敏感转速仪以及几个电位计组成。里程仪：加装在车体左右后轮上的两个由光码盘组成的里程仪能很好地完成车的相对定位同时与激光陀螺导航平台结合能够较好地完成车体的绝对定位其输出直接通过计数器送给处理机。激光陀螺：激光陀螺导航平台能准确地提供车体的方位角，并传输到处理机。磁敏感转速仪：磁敏感转速仪通过将齿轮的齿转化为脉冲而敏感发动机转速，其输出脉冲经过频压转换后由AD转换器输入处理机。另外与各执行机构相对应的反馈电位计的信号也经由AD转换进入处理以供处理机参考。5.2.3 基于多传感器信息融合的自主车定位自主车导航主要由定位、环境感知及建模、运动规划和目标确定几个部分组成，其中定位是最基本的环节。根据自主车工作环境的复杂性、配备传感器的种类和数量的不同，定位方法有多种。主要方法有:惯性定位、陆标定位和声音定位等。惯性定位是在自主车的车轮上装备光电编码器，通过对车轮转动的记录来粗略地确定自主车的位置和姿态;陆标定位是在自主车工作的环境里，人为地设置一些坐标已知的陆标，通过对陆标的探测来确定自主车的位姿，它可获得较高的计算精度且计算量小;声音定位用于物体超出视野之外或光线很暗时，视觉导航和定位失效的情况下，基于声音的无方向性和时间分辨率高等优点，采用最大似然法、时空梯度法和MUSCI法等方法实现自主车的定位。六 案例总结和分析6.1 案例1 智能车系统采用飞思卡尔16位单片机MC9S12DG128为核心控制单元，由车身前面的下排红外传感器和固定在车身上方的激光传感器进行路径信号的采集，由车身后部与差动齿轮耦合的光电编码器进行速度的采集，并将采集到的模拟电压、TTL电平以及脉冲送至MCU，经MCU处理后，分别控制转向舵机、路径跟踪舵机、直流电机，完成智能车的调速，转向以及对特殊标志的识别动作。硬件参数项目参数路径检测方法光电组车模几何尺寸（长、宽、高）（毫米）320*170*250车模轴距/轮距（毫米）138车模平均电流（匀速行驶）(毫安)3300电路电容总量（微法）1800uF传感器种类及个数红外对管：接收管8个发射管16个激光管： 接收管6个发射管6个光电编码器 1 个，新增加伺服电机个数1赛道信息检测空间精度（毫米）2.5mm赛道信息检测频率（次/秒）1000主要集成电路种类/数量LM2940 1片 LM2576 1片BTS7962 2片 9S12DG128 1片车模重量（带有电池）（千克）1.25kg系统