基于神經(jīng)網(wǎng)絡駕駛員模型的車間AGV控制算法研究

郭泉成 彭雙凌 王翔真

摘要：人工神經(jīng)網(wǎng)絡作為理論上能夠擬合任何非線性映射的算法被廣泛用在駕駛員模型的構建之中，契合了駕駛員作為一個復雜、離散性和時變性系統(tǒng)的特點。本文研究的車間自動導航車輛（AGV）作為無人駕駛車輛的一種，具有應用場景相對單一和道路結構化的特點，對于人工神經(jīng)網(wǎng)絡擬合過程需要的訓練樣本量的要求不大?；诖藰嫿{駛員在環(huán)的神經(jīng)網(wǎng)絡訓練樣本采集試驗平臺，使用雙層前饋神經(jīng)網(wǎng)絡進行車間AGV駕駛員模型擬合，并通過MATLAB/Simulink耦合Prescan軟件進行算法仿真試驗驗證分析，試驗結果驗證了算法的有效性和一定的速度適應性，為車間AGV控制提供了一條可行的研究路徑。

關鍵詞：車間AGV;人工神經(jīng)網(wǎng)絡;Prescan

中圖分類號：TP391.9 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）25-0173-03

Abstract： As an algorithm that can fit any nonlinear mapping， in theory， an artificial neural network is widely used in the construction of the driver model， which fits the characteristics of a driver as a complex， discrete and time-varying system. As a kind of driverless vehicle， the workshop automatic navigation vehicle （AGV） studied in this paper has the characteristics of a single application scenario and structured road， and has little requirement for the training sample size of the artificial neural network fitting process. Based on this， a driver in the loop neural network training sample collection test platform is constructed， and the double-layer feed-forward neural network is used to fit the driver model of workshop AGV， and the algorithm simulation test is carried out by Matlab / Simulink coupled with Prescan software. The test results verify the validity and speed adaptability of the algorithm， which provides a feasible research path for workshop AGV control.

Key words： Workshop AGV; artificial neural network; Prescan

隨著人工智能技術和現(xiàn)代計算機技術的不斷進步，無人駕駛技術得到了迅速發(fā)展[1]。人工駕駛的車輛，駕駛員是人-車-路閉環(huán)系統(tǒng)中的關鍵環(huán)節(jié)[2]。而尋找一種替代人工駕駛員的模型，成了無人駕駛發(fā)展的一條重要的技術路線。自上世紀中期以來，各國研究者提出了許多基于汽車方向控制的駕駛員模型，最初建立的駕駛員模型是用傳遞函數(shù)的形式表示[3]，比如這類模由Kondo提出的線性預估模型和由Yoshimoto提出的二階預估型[4]。我國學者郭孔輝院士于1982于年提出了預瞄-跟隨系統(tǒng)理論[5]，并在此基礎上建立了駕駛員預瞄最優(yōu)曲率模型。中國農業(yè)大學的余群教授等建立了一個駕駛員模糊控制模型[6]，進行了汽車單移線和雙移線的仿真計算，得到了比較理想的軌跡跟隨效果。而就目前情況來看，這些駕駛員操縱行為模型，距離真正的駕駛員行為特征還比較遠。駕駛員是一個非常復雜的系統(tǒng)，作為人類個體，在心理和生理方面具有個體差異，行為具有很強的跟隨性、自適應性、離散性和時變性[4]。根據(jù)這個特點，人工神經(jīng)網(wǎng)絡作為理論上能夠擬合任何非線性映射的算法被廣泛用在駕駛員模型的構建之中[7]，并展現(xiàn)出了引領主流的潛力。但現(xiàn)實的車輛形式場景復雜多變，人工神經(jīng)網(wǎng)絡需要大量的真實駕駛員行駛記錄作為學習數(shù)據(jù)[8]。而車間自動導航車輛（AGV）作為智能車的一種，具有應用場景相對單一和道路結構化的特點，對于學習樣本量的要求不大?；诖耍疚臉嫿{駛員在環(huán)的神經(jīng)網(wǎng)絡訓練樣本采集試驗平臺，使用雙層前饋神經(jīng)網(wǎng)絡進行車間AGV駕駛員模型擬合，并通過MATLAB/Simulink耦合Prescan無人駕駛開發(fā)軟件進行算法仿真試驗驗證分析，試驗結果驗證了算法的有效性和一定的速度適應性，為車間AGV控制提供了一條可行的研究路徑。

1 人工神經(jīng)網(wǎng)絡算法

人工神經(jīng)網(wǎng)絡（ANN）是近年來發(fā)展起來的新興交叉學科[9]。人工神經(jīng)網(wǎng)絡涉及的學科包括生物學、計算機和數(shù)學物理學等等。要簡單地說，其本質在于使用電子器件等來模擬人腦的結構和功能的人工系統(tǒng)。它模擬的是人的大量的簡單的神經(jīng)元組成的結構，在某種程度上，通過學習，它可以模仿人腦對于外界信息的處理功能，芯片制程技術的快速發(fā)展，極大地促進了神經(jīng)網(wǎng)絡大規(guī)模學習和實時應用，展示出了非常廣闊的應用前景。典型的神經(jīng)元模型如圖1所示，是一個多輸入單輸出（MISO）的非線性元件。

圖中x1…xn分別代表其他神經(jīng)元對此神經(jīng)元的輸入，w1j….wnj則分別表示神經(jīng)元1，2，3…n與第j個神經(jīng)元的連接強度，即權值。θj稱為閾值，f（.）為神經(jīng)元的激活函數(shù)。

一個完成某種任務的人工神經(jīng)網(wǎng)絡還需要有特定的拓撲結構，一個多層前饋是神經(jīng)網(wǎng)絡，其神經(jīng)網(wǎng)絡拓撲圖如圖2所示。

人工神經(jīng)網(wǎng)絡的學習過程可以概括為以下描述：

（1）初始化：用小的隨機數(shù)初始化網(wǎng)絡里的各個權值和閾值;

（2）設定參數(shù)：根據(jù)用戶需求，設定期望誤差，學習次數(shù)等參數(shù);

（3）訓練樣本：獲取足夠的輸入和期望輸出數(shù)據(jù)，并提供神經(jīng)網(wǎng)絡學習使用;

（4）代入：用獲取的輸入數(shù)據(jù)代入神經(jīng)網(wǎng)絡，得到輸出結果并與期望輸出進行比對;

（5）比對誤差：根據(jù)比對之后的輸出誤差，調整權值和閾值;

（6）繼續(xù)重復步驟4、5，直到達到用戶設定的期望誤差或者最大學習次數(shù)即停止;

（7）得到符合用戶需求的人工神經(jīng)網(wǎng)絡模型;

完成學習之后的人工神經(jīng)網(wǎng)絡模型即可投入使用。

2 網(wǎng)絡訓練樣本試驗平臺

訓練樣本的數(shù)量和質量是神經(jīng)網(wǎng)絡準確度最重要的因素之一[10]，然而獲取神經(jīng)網(wǎng)絡訓練樣本是一件費時費力的高成本事情，因此，設計一個合理的獲取樣本的方法對于神經(jīng)網(wǎng)絡駕駛員模型的擬合非常重要。使用實際的車輛和駕駛員在不同道路場景下進行駕駛，以獲取訓練樣本，是一個直觀的想法，然而這個過程不僅需要汽車開放各種傳感器以實時記錄數(shù)據(jù)，還需要駕駛員長時間駕駛，有不小的安全隱患。為了克服這種困境，本文采用基于Prescan的駕駛員在環(huán)仿真試驗平臺，以獲取訓練樣本，具有安全，快速，傳感數(shù)據(jù)易獲得等優(yōu)點?；赑rescan的駕駛員在環(huán)仿真試驗平臺構成原理如圖3所示。

PreScan是一個基于智能車輛仿真平臺，用于汽車工業(yè)中開發(fā)基于傳感器技術的先進駕駛員輔助系統(tǒng)（ADAS），其傳感器包括如雷達、激光/激光雷達、照相機和GPS等?？梢詫崿F(xiàn)軟件在環(huán)（SIL）和硬件制在環(huán)（HIL）系統(tǒng)的仿真測試。Prescan通過耦合MATLAB/Simulink軟件，控制算法由Simulink編輯，Prescan提供的各種交通要素和車輛模型，均可以在Simulink中得以模型的表達。

在Prescan場景中搭建AGV的工作車間路況，然后通過基于Prescan的駕駛員在環(huán)仿真試驗平臺，獲取訓練樣本的輸入和期望輸出。車間一般道路高度結構化，為了各功能區(qū)的規(guī)整，車間道路一般只包含直道和直角轉彎或T、十字路口。所以Prescan對車間道路場景建模時，以直道和直角轉彎構成。從實際駕駛任務劃分，分析可知駕駛任務可以劃分為直道行駛，直角左轉和直角右轉三種典型工況，為了涵蓋著三種典型工況，本文決定采用8字形的場景建模，建設一個封閉連續(xù)的道路，方便駕駛員循環(huán)往復的獲得訓練樣本數(shù)據(jù)，如圖6所示。駕駛員在環(huán)的樣本數(shù)據(jù)采集試驗平臺如圖7所示。

3 人工神經(jīng)網(wǎng)絡駕駛員模型擬合

本文人工神經(jīng)網(wǎng)絡駕駛員模型為雙層前饋神經(jīng)網(wǎng)網(wǎng)絡，其基本結構如圖8所示。

各層的說明如下：

（1）輸入：本文設計的神經(jīng)網(wǎng)絡駕駛員模型的輸入是一個四維向量，分別是車間AGV的位置x，y，橫向速度[x]和縱向速度[y]，即I=[x y [xy]]T。經(jīng)過駕駛員在環(huán)仿真試驗平臺的駕駛數(shù)據(jù)采集，采集到神經(jīng)網(wǎng)絡訓練樣本輸入數(shù)據(jù)為21678行4列的矩陣。

（2）隱層：隱含層使用Sigmod神經(jīng)元，根據(jù)Kolmogorov定理，選擇2×4+1=9個神經(jīng)元，補充為10個加強神經(jīng)網(wǎng)絡的收斂。

（3）輸出層：使用線性輸出神經(jīng)元。

（4）輸出：輸出數(shù)據(jù)為方向盤角度[δ]，輸出數(shù)據(jù)為21678個方向盤角度數(shù)據(jù)。

使用MATLAB的NeutralFitting工具箱，擬合的基本步驟如下：

（1）加載訓練樣本：分別加載輸入和期望輸出數(shù)據(jù)。

（2）設置樣本訓練比例、驗證比例和測試比例，這里設置為70%、15%和15%。

（3）設置隱層神經(jīng)元數(shù)據(jù)，這里設計10個隱層神經(jīng)元。

（4）訓練。

（5）導出神經(jīng)網(wǎng)絡駕駛員模型，本文以simulink函數(shù)文件作為此模型的格式，方便后續(xù)試驗驗證時導入模型。

在IntelCorei5，2.4GHz，內存4G的64位操作系統(tǒng)上，模型擬合使用總時間23秒，迭代次數(shù)801次，訓練回歸R值0.961，測試回歸R值0.959，見表1。

4 仿真試驗結果分析

車間AGV在真實的場景中會受到各種因素的干擾，比如地面對輪胎的擾動，傳動的誤差等，因此在仿真分析時，給予仿真車間AGV一個高斯白噪聲干擾，以檢驗人工神經(jīng)網(wǎng)絡在干擾存在的情況下，是否能夠完成8字環(huán)繞的行駛任務，同時車間AGV在車間行駛速度一般不超過15km/h，設計8 km/h、10 km/h、15km/h三組不同的速度工況，檢驗算法的速度適應性。仿真驗證試驗Simulink算法結構如圖9所示。

仿真結果如圖9所示。

從圖10中可以看到，人工神經(jīng)網(wǎng)絡駕駛員模型能夠完成直道和直角左轉彎和直角右轉彎的車間路徑跟蹤控制，并具有一定速度適應性;車輛控制軌跡沒有嚴格地按照道路中心線行駛，這是因為駕駛員在環(huán)訓練樣本數(shù)據(jù)采集的時候，駕駛員根據(jù)人開車的習慣，并沒有能夠完全貼著道路中心線行駛，因此人工神經(jīng)網(wǎng)絡也將人的這一部分駕駛特性擬合進了駕駛員的網(wǎng)絡模型中。

5 結論

本文結合車間自動導航車輛（AGV）應用場景相對單一和道路結構化的特點，構建涵蓋直道行駛、左右直角轉彎的“8”字道路工況，通過駕駛員在環(huán)的仿真駕駛試驗平臺獲取神經(jīng)網(wǎng)絡學習樣本數(shù)據(jù)，使用雙層前饋神經(jīng)網(wǎng)絡進行車間AGV駕駛員模型擬合，并通過MATLAB/Simulink耦合Prescan軟件進行算法仿真試驗驗證。試驗結果表明人工神經(jīng)網(wǎng)絡駕駛員模型能夠完成直道和直角左轉彎和直角右轉彎的工作任務，并具有一定速度適應性，為車間AGV控制提供了一條可行的研究路徑。

參考文獻：

[1] 汪榆程.無人駕駛技術綜述[J].科技傳播，2019，11（6）：147-148.

[2] 郭孔輝，馬鳳軍，孔繁森.人-車-路閉環(huán)系統(tǒng)駕駛員模型參數(shù)辨識[J].汽車工程，2002，24（1）：20-24.

[3] 馬愛靜.考慮NMS的新型駕駛員模型在轉向控制中的應用研究[D].南京：南京航空航天大學，2014.

[4] 徐瑾.基于ADAMS的不同類型駕駛員模型參數(shù)的選擇[D].南京：南京航空航天大學，2009.

[5]郭孔輝.預瞄跟隨理論與人—車閉環(huán)系統(tǒng)大角度操縱運動仿真[J].汽車工程，1992（1）：1-11.

[6]李世雄，余群.模糊控制理論在駕駛員—汽車—環(huán)境閉環(huán)系統(tǒng)操縱穩(wěn)定性研究中的應用[J].汽車工程， 1999（3）：140-144.

[7] 李偉，高正紅.基于神經(jīng)網(wǎng)絡駕駛員模型的PIO預測分析[J].科學技術與工程，2012，12（8）：1961-1964，1985.

[8] 胡鵬飛，謝誕梅，熊揚恒.一種基于白箱模型的人工神經(jīng)網(wǎng)絡參數(shù)辨識算法[J].中國電機工程學報，2016，36（10）：2734-2741.

[9] 任宏，姜慶五.人工神經(jīng)網(wǎng)絡及其在預防醫(yī)學領域的應用[J].上海預防醫(yī)學，2003，15（1）：22-24.

[10] 王軒.訓練樣本對農作物遙感分類的精度影響研究[D].哈爾濱：黑龍江大學，2017.

【通聯(lián)編輯：唐一東】