基于人工智能算法的自主導航車軌跡跟蹤控制方法

溫劍飛

(冠達睿投(北京)科技發展有限公司 人工智能研究院, 北京100000)

0 引 言

人工智能算法憑借著超高的智能化和獨特應用優勢,已經被應用到各個領域,并展現出巨大的應用價值。 目前,以自主導航車為代表的新能源產業已經成為未來汽車發展的必然趨勢,但自主導航車軌跡跟蹤控制成為阻止其發展的難題。 傳統的控制方法已經無法滿足其對高精度控制的要求,為此本文提出將人工智能算法應用其中,實現自主導航車的數字化和智能化。

1 基于人工智能算法的自主導航車軌跡跟蹤控制方法

基于人工智能算法的自主導航車軌跡跟蹤控制方法是仿照車輛駕駛員在真實的駕駛環境下通過控制自主導航完成駕駛的完成駕駛過程［1］。 首先建立自主導航軌跡跟蹤模型,然后運用人工智能算法對模型進行計算,自動選擇出模型中的最佳車輛行蹤軌跡路線,實現對自主導航車軌跡跟蹤控制。 基于人工智能算法的自主導航車軌跡跟蹤控制方法原理如圖1 所示。

圖1 基于人工智能算法的自主導航車軌跡跟蹤控制方法原理Fig. 1 Functional block diagram of trajectory tracking control method of autonomous navigation vehicle based on artificial intelligence algorithm

1.1 自主導航車軌跡跟蹤模型建立

建立自主導航軌跡跟蹤模型是研究控制方法的首要任務,其目的是通過車輛導航GIS 地圖自動模擬出車輛運動軌跡。 由于GIS 地圖具有龐大的信息量,若要實現快速的建立整個地圖的軌跡網絡數據集,此次選用網絡技術實現自主導航車軌跡跟蹤模型［2］。 網絡技術會隨機推薦GIS 地圖中三條車道,并且獲取車道上的所有中心線點元素的坐標數據,通過數據編碼將三條車道上的所有元素坐標數據進行處理,其中包括車道的停止線距離、軌跡轉彎半徑、車道方向角以及方向角改變量等參數,形成一個完整的自主導航車軌跡跟蹤模型。 自主導航車軌跡跟蹤模型建立步驟如下：

(1)首先確定車道停止線距離h。 車道停止線的距離是GIS 地圖中第一車道與第二車道兩個中心點連接的距離,運用網絡技術對該部分數據編碼為uint8；

(2)確定車道轉彎半徑r。 在確定車道轉彎半徑之前,需要得到第一車道中心線元素與第二車道中心線元素的交點N,交點N 到第一車道停止線的距離即可得到車道轉彎半徑［3］；

(3)確定軌跡中心位置d。 通過計算轉彎半徑與第一車道的斜率可得到軌跡中心位置；

(4)確定方向角改變量p。 根據第二車道的斜率確定第一道路方向角的改變量。

(5)根據以上參數量可確定車輛軌跡跟蹤函數,公式(1)為：

得到自主導航車軌跡跟蹤模型。 按相同的步驟可以得到整個GIS 地圖的自主導航車軌跡跟蹤模型,自主導航車軌跡跟蹤模型各車道詳細信息如表1 所示。

表1 自主導航車軌跡跟蹤模型各車道詳細信息表Tab. 1 Autonomous navigation vehicle trajectory tracking model detailed information table of each lane

1.2 實現跟蹤控制

自主導航車軌跡跟蹤模型模擬出車輛的行蹤軌跡,要實現對其跟蹤控制,需要搭配一個合理的控制算法,來保證最終良好的控制效果。 人工智能算法屬于一種種群的進化算法,目前有很多種人工智能算法,如遺傳算法、神經網絡算法、蜂群算法、蛙跳算法等。 根據所建立模型的計算需求,選取了人工智能算法中的蛙跳算法,該算法具有強大的群體搜索能力,同時擁有較高的迭代速度,具體計算過程如下：

首先,隨機初始化產生A 個車輛軌跡群體,構成初始種群B = (X1,X2,...,XA),第i 個車輛軌跡表示為Xi,計算出每個軌跡的適應值, 適應值最小的軌跡作為最優軌跡,計算公式(2)如下：

其次,按照每個自主導航車軌跡的適應值大小對其進行排列,并記錄適應值最小的軌跡為K,進而將初始軌跡集群劃分成v 個模因組。 假設Y 為第i個模因組軌跡的集合,其計算公式(3) 如下：

其中,v 為模因組個數,n 為模因組中的自主導航車軌跡數量,h 為初始軌跡集群中車輛軌跡數量。 將每組中最差軌跡和最優軌跡分別標記為Xy和Xc,運用公式(3)進行模型局部軌跡搜索,并且不斷更新模因組中Xy的位置。 根據蛙跳迭代方式公式(4)：

其中, rand ⊕ ( Xy- Xc) 為車輛最小移動步長,通過算法迭代操作,如果得出的最優軌跡的適應值最小,則取代之前的軌跡；如果公式(4)計算出的軌跡適應值大于原有軌跡適應值,則重復上述計算過程,對模型中所有的軌跡進行搜索,直到計算結果符合條件為止。 以此方法實現人工智能算法對自主導航車軌跡跟蹤控制。

2 實 驗

為了證明基于人工智能算法的自主導航車軌跡跟蹤控制方法的有效性,將其與傳統控制方法進行一組對比實驗,檢驗此方法的精準度。

2.1 實驗設計

實驗設定車道停止線距離h 的誤差為0.1,車道轉彎半徑r 的誤差為0.15,軌跡中心位置d 的誤差為0.1,方向角改變量p 的偏差為0.2,自主導航車軌跡跟蹤模型偏差權重為0.3,兩輪驅動軸距L 為25 cm。 編寫控制器,并為車輛提供動力學模塊,設置好車輛的動力學參數以及輸入輸出的接口,通過輸入、輸出接口連接對車輛前輪提供控制,控制車輛四輪轉角角度。 實驗采用兩種方法對自主導航車控制5 次,來檢驗兩種方法的控制精準度。

2.2 結果分析

將基于人工智能算法的自主導航車軌跡跟蹤控制方法用方法1 表示,傳統方法用方法2 表示,兩種方法的控制精度比較結果如表1 所示。

表2 兩種方法控制精準度Tab. 2 Two methods to control accuracy %

從表1 可以看出,方法1 的五次實驗平均精準度為93.87%,且基本每次都超過90%；而方法2 的五次實驗的精準度平均值為72.19%,遠遠低于方法1 的控制方法。 實驗證明基于人工智能算法的自主導航車軌跡跟蹤控制方法具有較高的精準度。

3 結束語

將人工智能算法應用到自主導航車軌跡跟蹤控制中,有效提高了車輛軌跡跟蹤的精準度。 由于能力和研究時間有限,雖然取得了一定的研究成果,但是該方法還未得以實際應用,還需在今后實際應用過程中對該方法進行改善,提高其應用價值。