详情

原文传递适用于小型智能车的行驶路况评价及自主避障控制研究

论文题名：	适用于小型智能车的行驶路况评价及自主避障控制研究
关键词：	智能车;行驶路况评价;自主避障控制;BP神经网络;蝙蝠算法
摘要：	随着小型智能车的普及，人们在短距离出行方面有了更多的选择，同时智能车在一些特殊场合的应用也发挥了愈发重要的作用，如在反恐、巡查等特殊任务中的执行协助，因而针对狭窄复杂路面的辅助避障驾驶技术研究越发受到青睐。纵观国内外关于智能车的研究多偏向无人驾驶汽车，无人驾驶汽车具有依托于多传感器技术的高成本及主要于规则道路行驶的应用局限性，因而其核心技术并不完全适用于小型智能车。此外，关于智能车主要技术即自主避障控制的研究，大致分成应用于静态条件的传统算法和动态场景的智能算法两大类，这些方法所做出的避障决策对于周遭环境变化快速的狭窄复杂路面还不能完全达到实时快速的自主避障效果，存在着一定的不足。　　因此，针对上述问题，本文对于小型智能车-未知复杂道路的系统研究了一种基于BA-BP算法的行驶路况评价模型以及一种基于强化学习的仿人智能控制的自主避障方法，旨在对智能车当前行驶的道路进行监测，对障碍物信息进行合理提取，实现有效避障，为辅助驾驶提供决策依据。论文的主要研究内容包括: 　　1、分析并提取了用于行驶路况评价的五项特征。本文利用图像处理进行道路信息的智能检测，提取了路面平整度、路面弯曲度、障碍物宽高比、障碍物有效面积比和障碍系数五项特征，多方面反映当前行驶路况，并在此基础上进一步完成了上述特征参数的定义和量化处理，为后续的行驶路况评价奠定基础。　　2、研究了一种基于BA-BP算法的行驶路况评价方法。本文定义了行驶路况的5种特征作为输入，选择BP神经网络作为行驶路况评价模型的基础，且利用蝙蝠算法搜索BP网络更优的初始权值和阈值，来弥补BP网络连接权值和阂值选择上的随机性缺陷，同时加入调整因子突出障碍物特征对于行驶路况的主要影响，以获取更合理高效的训练过程，最后利用此评价模型得出行驶路况的评价结果。该方法比较方便和准确地描述特征参数与行驶路况的关联情况，获取合理的评价结果。　　3、为了提高智能车辆自主避障控制的精度以及实时性，研究了一种基于强化学习的仿人智能控制的避障控制方法。该方法通过模仿人类控制策略，引入仿人智能控制，同时参考移动机器人的控制算法，加入强化学习予以改进，设计车辆理想规避障碍物的轨迹，构建加速度、转弯半径等避障参数，根据偏差信息不断学习校正，且控制器的部分参数可由强化学习方法实时进行调整。该方法可直观、快速地实现准确的避障。　　仿真实验结果表明，基于BA-BP算法的行驶路况评价模型的评价精度达到了95.15％，能够对未知道路信息进行合理地提取和评价。同时，本文研究的自主避障方法对小型道路段具有很好的适用性，能够很好的实现自主避障，其避障准确率达到92.86％，相比其他方法具有更好的避障效果。证明本文研究的自主避障方法能够满足未知道路下小型智能车自主避障的需求，具有反应迅速、准确率高等优点，这对于智能车的辅助驾驶研究具有比较重要的理论和现实意义。
作者：	吕丹丹
专业：	控制科学与工程
导师：	郏东耀
授予学位：	硕士
授予学位单位：	北京交通大学
学位年度：	2016
正文语种：	中文