洞察无人车辆技术发展(4)
在路径规划方法层面,大致可分为两类:一种基于环境建模进行规划,另一种将无人车辆路径规划视为一个优化问题,并利用典型的智能优化算法进行求解。前者根据环境建模方法的不同,主要分为栅格法、人工势场法以及可视图法,主要用于微观实时路径规划;后者除以上方法之外,还会采用模拟自然界智能行为的启发式算法,如遗传算法、蚁群算法、模拟退火算法和粒子群算法等,主要用于宏观路径规划。
控制技术
动控制系统是实现无人车辆自主控制和提高自主水平的关键组成部分,属于底层的运动控制系统。虽然无人车辆的控制系统十分复杂,但相关科研人员却对此兴趣十足。由于无人车辆给先进的控制算法提供了很好的测试平台,其控制问题吸引了控制界和机器人界大量研究力量的投入。
针对无人车辆,科研人员探索出众多不同的控制结构和算法。从现有的发展情况来看,具有典型代表性的有:基于运动学/动力学模型的控制方法和基于学习的控制方法两种。
第一,车辆动力学控制技术。
对于无人车辆来说,在完成了感知导航与路径规划后,必须通过车辆动力学控制技术控制车辆沿着既定轨迹行驶,也有学者将其称之为“轨迹跟踪”技术。可以说,车辆动力学控制技术是无人车辆是否充分发挥车辆性能的重要保障。
现阶段,无人车辆动力学控制技术主要包括纵向控制、横向控制两方面。其中,纵向控制主要是指车辆行驶速度的控制(即对车辆油门、制动的控制),横向控制主要是指车辆轨迹的控制(即对车辆方向盘的控制)。无人车辆发展早期,由于环境感知和路径规划等环节的速度、精度的限制,无人车辆自动行驶速度较低,对车辆动力学控制技术要求不高。目前,无人车辆控制技术中大部分仍采用与地面机器人相同的基于运动学假设的算法,虽然这种方法具有较大的成熟性与便利性,但它限制了无人车辆充分发挥动力学的极限性能,限制了无人车辆行驶速度的进一步提高。
因此,现在无人车的研究热点主要集中在如何基于车辆动力学极限开展车辆动力学控制与轨迹跟踪,以及面向轮毂电机电驱动、全轮独立转向等新型结构车辆的动力学控制技术。
第二,深度学习控制技术。
深度学习的概念源于对人工神经网络的研究,是机器学习研究中的一个比较新的领域,其动机在于建立并模拟人脑进行分析学习的神经网,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。人工智能的深度学习技术在无人车辆技术上的应用目前主要集中在机器视觉对物体的识别,以及通过对人类驾驶员驾驶行为反应的观察来学习驾驶,使无人车辆面对相似的情况时,能做出和人类相似的反应。
道路荆棘,前途光明
文章来源:《小型内燃机与车辆技术》 网址: http://www.xxnrjycljs.cn/qikandaodu/2021/0408/682.html
上一篇:提升出租车机务技术管理这些要点得记住
下一篇:广州车展不靠美女也吸睛