-
>
湖南省志(1978-2002)?铁路志
-
>
公路车宝典(ZINN的公路车维修与保养秘籍)
-
>
晶体管电路设计(下)
-
>
基于个性化设计策略的智能交通系统关键技术
-
>
德国克虏伯与晚清火:贸易与仿制模式下的技术转移
-
>
花样百出:贵州少数民族图案填色
-
>
识木:全球220种木材图鉴
智能驾驶决策规划与控制 版权信息
- ISBN:9787030729866
- 条形码:9787030729866 ; 978-7-03-072986-6
- 装帧:一般胶版纸
- 册数:暂无
- 重量:暂无
- 所属分类:>
智能驾驶决策规划与控制 内容简介
智能驾驶是未来解决交通拥堵并且提高交通安全的重要枝术,本著作从基础知识、协同驾驶、智能网联测试三个方面介绍智能驾驶技术。**部分从绪论、智能车辆行为决策、智能车辆运动规划、智能车辆运动控制等方面介绍了单车智能驾驶基础理论与方法;第二部分从智能车辆列队控制、基于多智能体的车辆群体决策与控制、基于V2X的智能车辆协同驾驶等方面介绍了目前多车协同驾驶理论与方法;第三部分从评测体系、测试技术两方面介绍了智能汽车的仿真测试与评估手段。
智能驾驶决策规划与控制 目录
“交通安全科学与技术学术著作丛书”序
前言
第1章 绪论 1
1.1 研究背景 1
1.2 发展现状 2
1.2.1 汽车智能化发展现状 4
1.2.2 汽车网联化发展现状 7
1.2.3 发展趋势 10
1.3 技术概述 12
1.3.1 智能网联汽车决策规划方法 13
1.3.2 智能网联汽车控制方法 16
1.4 本章小结 18
参考文献 18
第2章 智能驾驶行为决策 20
2.1 概述 20
2.1.1 智能驾驶车辆行为决策定义 20
2.1.2 智能驾驶车辆行为决策设计准则 20
2.2 基于规则的行为决策方法 21
2.2.1 有限状态机 21
2.2.2 混成状态机 24
2.3 基于学习的行为决策方法 26
2.3.1 决策树算法 26
2.3.2 深度学习算法 28
2.4 基于马尔可夫过程的决策方法 32
2.4.1 马尔可夫决策过程 32
2.4.2 强化学习算法 33
2.4.3 逆强化学习算法 36
2.5 典型案例 37
2.5.1 人类驾驶行为特性分析 38
2.5.2 基于有限状态机的驾驶场景转换模型设计 39
2.5.3 基于ID 3决策树的驾驶行为决策方法 40
2.6 本章小结 41
参考文献 41
第3章 智能驾驶轨迹规划 43
3.1 概述 43
3.2 状态栅格法 46
3.2.1 车辆运动学建模 46
3.2.2 道路建模 47
3.2.3 高斯牛顿法生成轨迹 48
3.2.4 仿真验证 52
3.3 人工势场法 54
3.3.1 人工势场法基本原理 54
3.3.2 障碍物势场建模 54
3.3.3 道路环境建模 55
3.3.4 车辆势场建模 58
3.3.5 目标点势场建模 61
3.3.6 基于模型预测的局部路径规划与跟踪 62
3.3.7 仿真试验分析 67
3.4 随机采样法 76
3.4.1 RRT算法简介 76
3.4.2 基于高斯的采样过程 77
3.4.3 RRT扩展过程 78
3.4.4 RRT后处理过程 81
3.4.5 仿真验证 83
3.5 本章小结 86
参考文献 86
第4章 智能驾驶跟踪控制 88
4.1 概述 88
4.2 基于PID的车辆控制 91
4.2.1 基本原理 91
4.2.2 基于ITAE准则的PID参数优化 91
4.2.3 基于PID的车辆纵、横向控制 93
4.3 基于MPC的车辆控制 104
4.3.1 基于车辆动力学模型的MPC控制建模 104
4.3.2 基于车辆运动学模型的MPC控制建模 110
4.3.3 基于指数权重MPC算法的车辆控制器设计与建模仿真分析 115
4.4 本章小结 121
参考文献 121
第5章 智能驾驶列队控制 124
5.1 概述 124
5.2 车辆列队建模与动力学控制 125
5.2.1 信息流拓扑结构 125
5.2.2 车车跟随策略 126
5.2.3 车辆列队模型 127
5.2.4 车辆动力学控制 128
5.2.5 车辆跟踪控制器仿真验证 133
5.3 基于非线性PID的车辆列队控制 137
5.3.1 非线性PID介绍 137
5.3.2 车辆列队稳定性 141
5.4 基于深度强化学习的车辆列队控制 152
5.4.1 基于深度强化学习的车队纵向控制 152
5.4.2 仿真试验 156
5.5 本章小结 169
参考文献 169
第6章 智能网联测试技术 170
6.1 概述 170
6.2 仿真测试 171
6.2.1 软件在环仿真测试 171
6.2.2 硬件在环仿真测试 172
6.2.3 车辆在环仿真测试 180
6.3 道路测试 182
6.3.1 基本概念 182
6.3.2 典型测试案例 184
6.4 平行测试 185
6.4.1 平行系统概述 185
6.4.2 平行测试理论 188
6.4.3 典型应用 189
6.5 本章小结 190
参考文献 190
智能驾驶决策规划与控制 节选
第1章 绪论 1.1 研究背景 当今世界正经历百年未有之大变局,新一轮科技革命和产业变革方兴未艾,智能驾驶技术已成为引领交通运载工具走向下一个时代的革命性技术,也是物联网、大数据、人工智能等新兴技术赋能汽车与交通行业的产物。智能驾驶技术作为智慧交通的*新发展方向,涉及汽车、交通基础设施、光电子信息等多个行业,可通过高度或完全的自动驾驶,部分或全部取代人类的驾驶活动,可极大地改善、甚至消除交通事故、交通拥堵等难题。2019年9月发布的《交通强国建设纲要》中明确要求,加强智能网联汽车(智能汽车、自动驾驶、车路协同)研发,形成自主可控完整的产业链。2020年2月,国家发改委联合科技部等11个部门,在《智能汽车创新发展战略》总体要求中指出,到2025年,中国标准智能汽车的技术创新、产业生态、基础设施、法规标准、产品监管和网络安全体系基本形成。实现有条件自动驾驶的智能汽车达到规模化生产,实现高度自动驾驶的智能汽车在特定环境下市场化应用。 政府和国家战略层面,从德国率先提出的“工业4.0”,到美国的“工业互联网”,再到我国力推的“中国制造2025”,均将智能网联汽车的产业化发展作为*核心的任务之一。2015年5月,在国务院发布的《中国制造2025》行动纲领中,明确指出对智能网联汽车实施分级发展,逐步推动智能网联汽车的自动化进程。同时,还特别强调了要利用信息技术推动传统汽车产业的转型升级,推动互联网技术(internet technology,IT)产业与汽车产业之间的交叉与优势互补。2015年10月,中国汽车工业协会正式提出将智能网联汽车定义为,搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与 X(人、车、路、云)智能信息交换共享,具备复杂的环境感知、智能决策、协同控制和执行等功能,可实现安全、舒适、节能、高效行驶,并*终可替代人来操作的新一代汽车[1]。 智能驾驶涵盖了以主动安全为导向的辅助驾驶和自动驾驶,并可实现汽车与所有交通要素之间的智能协作。智能网联汽车的应用范围非常广泛,包括各种先进的辅助驾驶、主动安全控制与联网信息服务功能,是未来智能交通系统的主要发展趋势之一。它可在提高交通安全、提高交通效率、促进节能环保等方面发挥重要的作用。 提高交通安全方面,前向碰撞预警、车道偏离预警、自适应巡航控制、自动紧急制动等先进驾驶辅助系统(advanced driving assistance system,ADAS)已经广泛应用于各类车型,通过在危险驾驶场景中进行驾驶员警示或汽车主动控制,有效弥补了极限驾驶工况下的人类驾驶能力局限,大大提高了行车安全性。显而易见,随着智能网联汽车所具备的环境感知能力、决策规划能力和运动控制能力的不断提高,其在避免交通事故方面的能力也会相应增强。从《中国制造2025》提出的发展目标来看,我国将通过完全自主驾驶级智能汽车减少80%的交通事故,基本消除交通死亡,可见智能网联汽车对于提高交通安全的强大支撑作用。 提高交通效率方面,智能网联汽车通过与移动智能终端、交通基础设施、交通管理中心之间的实时信息交互,大幅提高了交通信息采集的效率和精度,有助于实现在大范围内的交通信号协调控制、实时路径诱导、公交优先控制等智能化交通管控。美国的自动公路系统(automated highway system,AHS)和车联网(connected vehicle,CV)项目,日本的车载信息与通信系统(vehicle information and communication system,VICS)和 SmartWay项目,欧盟 eSafety计划和 DRIVE C2C项目,以及我国“车路协同系统关键技术”项目的研究与示范应用,都充分地验证了车与车(vehicle to vehicle,V2V)、车与基础设施(vehicle to infrastructure,V2I)之间的互联互通,能够极大地突破现有交通信息采集方式在时效性、精确性等方面的瓶颈[2]。 因此,智能网联汽车将充分利用大数据、云计算、移动互联网等新一代信息技术,综合运用系统科学、知识挖掘、人工智能等理论和方法,以全面感知、深度融合、主动服务、科学决策为目标,通过建设实时、精确的动态交通信息环境,推动智能网联汽车朝着更安全、更高效、更环保、更舒适的方向发展。 1.2 发展现状 根据国际汽车工程师学会(The Society of Automotive Engineers,SAE)制定的汽车自动化水平分级标准(J3016),将自动驾驶分为无自动化(L0)、驾驶辅助(L1)、部分自动化(L2)、有条件自动化(L3)、高度自动化(L4)和完全自动化(L5)共6个等级[3],具体的分级标准见表1.1。 表1.1国际汽车工程师学会的自动驾驶分级标准(J3016) 如表1.1所示,动态驾驶任务主要包括执行层(转向、制动、加速、监测车辆与道路环境)和战术层(事件响应,换道、转弯、灯光使用等决策)的驾驶任务,但不包括战略层(目的地和路径的决策)的驾驶任务;驾驶模式是一种反映动态驾驶任务必要特征的驾驶工况(如高速公路巡航、低速交通拥堵等);干预请求是自动驾驶系统向人类驾驶员发出的提示,人类驾驶员应根据提示立即开始或继续执行相应的动态驾驶任务。 在《交通强国建设纲要》《智能汽车创新发展战略》等多项政策的指引下,我国的智能汽车正在加快融入智能交通体系架构。近年来,工信部已分别在浙江、上海、北京、重庆、武汉等地相继建立智能网联汽车示范区,着力发展基于宽带移动互联网的智慧交通和智能汽车应用示范,以此推动人工智能、移动通信等*新 IT科技在汽车中的研发与应用。 从发展趋势来看,智能汽车主要朝着自动驾驶、车路协同(cooperative vehicle infrastructure,CVI)这两个方面发展。一方面,高度自动化的智能汽车正在向我们快速走来,而推动这个向前发展的重要力量来源于信息科技对汽车的革新,其中的人工智能主要推动汽车朝智能化方向发展,移动通信则推动汽车朝网联化方向发展。人工智能领域的机器人技术正在深刻影响着智能汽车的发展。信息融合、深度学习等一大批*新的人工智能方法用于智能汽车的感知和决策之中,现代控制理论中的模型预测控制、鲁棒控制等方法也使得智能汽车的运动控制更具可靠性。特别地,在近年来 Google AlphaGo的强大推动下,基于深度神经网络的人工智能开始应用于智能汽车研发中。 1.2.1 汽车智能化发展现状 在汽车智能化方面,美国、欧洲、日本等国家和地区研究起步较早,很多汽车厂家与科研机构都进行了深入研究。其中,美国以创造应用环境为主,包括支持自动驾驶技术的研究、相关的法律政策的制定以及基础设施的建设。欧洲部分国家或地区依托历次框架计划项目对自动驾驶开展了长期持续的资助,开发了一系列试验车型(如 Cyber Cars系列)。日本则发挥大型汽车企业的主体作用,积极推动智能汽车技术的应用。 美国是*早启动无人驾驶技术研究的国家之一。1960年起,为改善汽车操纵性能,俄亥俄州立大学开始进行车辆侧向、纵向跟踪控制研究,为之后的无人驾驶技术研究打下了基础。1980年,美国陆军与美国国防高级研究计划局(Defense Advanced Research Projects Agency,DARPA)组织开展地面自主车辆(autonomous land vehicle,ALV)项目,1984年,卡内基 梅隆大学设计了世界上**台真正的无人车 Navlab,次年, Navlab-V完成了横穿美国东西部的无人驾驶试验,在这次试验中, Navlab-V的平均时速为102.3km/h,全程98.2%为无人驾驶。1995年,卡内基 梅隆大学[4]研发了基于 PALPH视觉导航的 Navlab-5系统,并进行了横穿美国的试验。全程4587km,其中自主驾驶部分占98.2%,*长自主驾驶距离为111km,全程平均速度为102.72km/h。1997年,美国在圣迭戈到洛杉矶之间的12~15km州际公路上成功进行了自动公路系统的实车演示。此次公开演示试验采用10辆小轿车进行车辆车道自动保持、自动换道、车队编排,以及车车、车路通信等技术的验证。演示结束后一年,美国国会便通过《21世纪交通平等法案》,开始组织实施智能车辆主动(intelligent vehicle initiative,IVI)计划[5]。 2004年,由 DARPA主办的**届无人驾驶挑战赛在美国 Mojave沙漠举行,卡内基 梅隆大学的 Sandstorm无人车完成了11.78km的无人驾驶挑战,获得了**届无人驾驶挑战赛的冠军。2005年,第二届无人驾驶挑战赛将比赛场景由沙漠换为城市,对无人驾驶汽车功能的考验相较于**届比赛有了较大的提升,该届比赛吸引了来自世界各地的23支车队参加,来自斯坦福大学的 Stanley无人车以*短时间完成比赛,夺取了冠军。2007年,第三届比赛在佐治亚空军基地举行,该次比赛包括96km的城市区域赛段,要求车队在6小时内完成比赛,并遵守相应的交通规则,*终,卡内基 梅隆大学的 Boss无人车以均速22.53km/h的成绩获得了冠军。 DARPA无人驾驶挑战赛极大地促进了全世界范围内无人驾驶技术的发展,也让人们看到了无人驾驶技术在民用领域的巨大应用空间。在商业化领域,美国 Google、Tesla、Uber等高科技公司致力于无人驾驶技术的商业化落地,Google公司从2009年开始启动无人驾驶汽车研发,并于2010年开始进行无人驾驶车辆测试,截至2018年,Google无人驾驶测试里程已超过1000万英里(1英里≈1.6093km),2018年10月,Google旗下自动驾驶公司 Waymo开始商业化运营,其在美国亚利桑那州投放的无人车为公众提供出租车服务。2015年年初,Uber公司与卡内基 梅隆大学在匹斯堡设立高等技术研发中心(Advanced Technologies Center,ATC),开始进行自动驾驶汽车的研发,同年5月,Uber的自动驾驶测试车正式在匹斯堡上路,截至2019年,Uber ATG累计里程已达500万英里,其商业落地内容包括个人移动、外卖服务、货运服务等多个领域。 Tesla公司致力于打造 L2~L3级自动驾驶汽车,与 Google及 Uber的技术方案不同, Tesla的自动驾驶硬件方案不使用激光雷达,而是依靠声波雷达和光学相机作为感知元件,截至2018年5月,约有15万辆搭载自动驾驶系统的特斯拉汽车行驶在全球各地。美国无人车研究现状如图1.1所示。 图1.1 美国无人车研究现状 在欧洲,无人驾驶领域的研究也开始得相对较早,其中以欧洲*高效率和前所未有的安全计划(program for European of highest efficiency and unprecedented safety,PROMETHEUS)*为著名。在 PROMETHEUS计划下,迪克曼于1994年带领项目组研发出 VaMP和 VITA-2无人驾驶车,并在法国高速公路完成了超1000km的测试。意大利的帕尔马大学在20世纪就开始启动自动驾驶技术研究,2010年,帕尔马大学的 Vislab用两辆自动驾驶汽车,完成了从意大利到中国13000km的无人驾驶测试[6],此外,牛津大学研制的无人驾驶车辆 WildCat在无全球定位系统(global positioning system,GPS)的条件下,仅依靠激光雷达和相机监控路面情况、交通状态和障碍物,实现了崎岖山路上的自动驾驶和堵车绕道等功能。欧洲车厂如奔驰、大众等都很早布局自动驾驶技术,奥迪更是在2017年推出了搭载 L3级自动驾驶方案的第四代奥迪 A8,成为全球首款 L3级无人驾驶量产车型。从2006年开始,欧洲开始举办欧洲
-
中国传统民俗文化:建筑系列:中国古代桥梁
¥19.6¥58 -
渡河工程
¥20.2¥60 -
津沽铁路的历史记忆
¥17.2¥40 -
图说胶济铁路故事(中)
¥20¥50 -
现代摩托车维修手册
¥66¥89 -
图说摩托车维修
¥60¥82