积分商城

最新搜索： KEA128 电源 ide手册 传感器 STM32入门教程 晶体管脉冲与数字电路
您现在的位置是：首页 > 技术资料 > 无人驾驶铰接式车辆强化学习路径跟踪控制算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

无人驾驶铰接式车辆强化学习路径跟踪控制算法

更新时间：2020-01-02 21:58:51 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：无人驾驶路径跟踪控制 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对无人驾驶铰接式运输车辆无人驾驶智能控制问题,提出了一种强化学习自适应PID路径跟踪控制算法。首先推导了铰接车的运动学模型,根据该模型建立实际行驶路径与参考路径偏差的模型,以PID控制算法为基础,设计了基于强化学习的自适应PID路径跟踪控制器,该控制器以横向位置偏差、航向角偏差、曲率偏差为输入,以转角控制量为输出,通过强化学习算法对PID参数进行在线自适应整定。最后在实车道路试验中验证了控制器的路径跟踪质量并与传统PID控制结果进行了对比。结果表明,相比于传统PID控制器,强化学习自适应PID控制器能够有效减小超调和震荡,实现精确跟踪参考路径,可以较好地实现系统动态性能和稳态误差性能的优化。


部分文件列表

文件名 大小
无人驾驶铰接式车辆强化学习路径跟踪控制算法.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
2 0 1 7  
3
农 业 机 械 学 报  
48  
3
卷 第 期  
年
月
第
doi: 10． 6041 /j． issn． 1000-1298． 2017． 03． 048  
无人驾驶铰接式车辆强化学习路径跟踪控制算法  
1
1，2  
1
1
1
1
邵俊恺 赵 翾  
杨 珏 张文明 康翌婷 赵鑫鑫  
( 1．  
，
北京科技大学机械工程学院 北京  
100083; 2．  
， 100085)  
北京华为数字技术有限公司 北京  
: ，  
摘要 针对无人驾驶铰接式运输车辆无人驾驶智能控制问题 提出了一种强化学习自适应  
PID  
。
路径跟踪控制算法  
， ，  
首先推导了铰接车的运动学模型 根据该模型建立实际行驶路径与参考路径偏差的模型 以  
PID  
，
控制算法为基础  
PID  
， 、 、 ，  
路径跟踪控制器 该控制器以横向位置偏差 航向角偏差 曲率偏差为输入 以  
设计了基于强化学习的自适应  
，
转角控制量为输出 通过强化学习算法对  
PID  
。
参数进行在线自适应整定 最后在实车道路试验中验证了控制器的  
PID  
。
，
PID PID  
，
路径跟踪质量并与传统  
。
器能够有效减小超调和震荡 实现精确跟踪参考路径 可以较好地实现系统动态性能和稳态误差性能的优化  
控制结果进行了对比 结果表明 相比于传统  
控制器 强化学习自适应  
控制  
，
，
: ; ; ;  
关键词 铰接式车辆 驾驶 强化学习 路径跟踪  
+
: TP273; U463. 32 5  
: A  
: 1000-1298( 2017) 03-0376-07  
文章编号  
中图分类号  
文献标识码  
Reinforcement Learning Algorithm for Path Following  
Control of Articulated Vehicle  
1
1，2  
1
1
1
1
SHAO Junkai ZHAO Xuan  
YANG Jue ZHANG Wenming KANG Yiting ZHAO Xinxin  
( 1． School of Mechanical Engineering，University of Science and Technology Beijing，Beijing 100083，China  
2． Beijing Huawei Digital Technologies Co． ，Ltd． ，Beijing 100085，China)  
Abstract: With the industry 4. 0 embraced a number of contemporary automation，data exchange and  
manufacturing technologies，the autonomous driving system is widespread． In order to enable the  
autonomous driving，path following strategies are essential to maintain the normal work of the vehicles．  
The articulated frame steering vehicles ( ASV ) are flexible，efficient and widely implemented in  
agriculture，mining，construction and forestry sectors due to their high maneuverability． The articulated  
vehicle usually composes of two units，a tractor and a trailer，which are connected by an articulation  
joint． However，as the ASV dynamics are significantly different from the conventional vehicles with front  
wheel steering，the path following controller derived for conventional vehicles is considered not to be  
applicable for the ASVs． Thus the path following control is challenging the robustness． A path following  
strategy is proposed for the ASVs on the basis of reinforcement learning adaptive PID algorithm． The  
kinematic model of the ASV is derived by neglecting the vehicle dynamics． Three measurable errors are  
defined to indicate the deviation of real path from reference path，i． e． ，lateral displacement error，  
orientation error and curvature error． These errors are served as the inputs in order to synthesize the path  
following controller and the desired steering angle is served as the output of path following controller．  
Based on the PID algorithm，the reinforcement learning method is selected for optimizing the parameters  
of PID online to reduce the overshoot and chattering． Furthermore，the prototype test is conducted to  
evaluate the performance of the proposed control law． The result shows that compared with the traditional  
PID，reinforcement learning adaptive PID controller can restrain the overshoot and chattering efficiently  
and follow the reference path accurately．  
Key words: articulated vehicle; driving; reinforcement learning; path following  
: 2016-04-18  
: 2016-09-13  
收稿日期  
修回日期  
:
基金项目 国家高技术研究发展计划  
( 863  
)
计划 项目  
( 2011AA060404)  
( FRF-TP-16-004A1)  
和中央高校基本科研业务费专项资金项目  
:
作者简介 邵俊恺  
( 1985—) ， ， ， ，E-mail: shao@ ustb． edu． cn  
男 博士生 主要从事无人驾驶及路径跟踪控制研究  
:
通信作者 杨珏  
( 1975—) ， ， ， ，E-mail: yangjue@ ustb． edu． cn  
男 副教授 主要从事非公路车辆设计研究  
3
:
邵俊恺 等 无人驾驶铰接式车辆强化学习路径跟踪控制算法  
377  
第
期
， ，  
点 因为该点的速度与铰接车的前进方向一致 有利  
引言  
［11］  
。
于分析计算  
［12］  
、 ，  
铰接式车辆作为一种灵活 机动的运输设备 常  
v
定义整车速度 为  
v = v  
( 1)  
，
用于非结构地形运输作业 然而特殊的转向形式使  
f
v———  
，m/s  
。
式中  
整车速度  
其路径跟踪控制与传统车辆有很大差别  
v ———  
f
，m/s  
前车架速度  
，
针对路径跟踪控制算法 国内外众多学者进行  
［13］  
，
了大量研究 主要算法包括比例积分微分  
( PID)  
控
P
前桥中点 速度  
f
为
［1］  
［2］  
［3］  
［4］  
·
、
、
。
等
制
滑模控制  
模糊控制 和智能控制  
x = v cos  
f f  
θ
f
( 2)  
·
{
前桥中点纵坐标  
，
随着被控对象越来越复杂 控制器设计经常结合多  
y = v sin  
f f  
θ
f
［5］  
。ASLAM  
种算法来实现功能互补和性能提升  
等
x ———  
f
，m  
式中  
前桥中点横坐标  
针对滑移转向车动力学模型进行了模糊滑模控制路  
y ———  
f
，m  
［6］  
，
径跟踪 赵翾等 针对铰接式车辆使用  
Ackermann  
———  
，rad  
θ
前桥航向角  
f
。
公式与指数趋近律设计滑模控制进行路径跟踪  
前桥航向角变化率即前桥角速度为  
［7］  
TALEBI  
PID  
等
提出一种用于轮式机器人的模糊  
PID  
v sin  
f
·
γ
=
( 3)  
θ
f
，
路径跟踪控制器 将模糊逻辑用于  
。
参数调校  
l cos + l  
γ
f
r
［5 － 7］  
文献 所使用的路径跟踪算法均为离线算法  
，
l 、l ———  
f r  
、
前 后桥与铰接点距离  
，m  
式中  
［8］  
。
不能根据使用环境在线优化 裴岩 使用强化学  
———  
，rad  
γ
铰接转向角  
，
习算法对车载导航系统路径规划进行优化 并预测  
铰接车稳态转向过程前桥的位姿状态可表示为  
［9］  
［10］  
。
了短时交通流 沈晶等 和付成伟 提出了一种  
P = ( x ，y ， ，) ，  
θ γ  
f
即
f
f
f
·
，
基于分层强化学习的移动机器人路径规划算法 用  
cos  
θ
f
x
f
。 ［8 － 10］  
于位置动态环境的路径规划 文献 均使用  
·
sin  
θ
f
y
f
，
强化学习算法研究路径规划问题 与路径跟踪问题  
=
v
( 4)  
sin  
γ
·
θ
f
。
模型不同  
本文开发一种结合机器学习与  
l cos + l  
γ
f
r
·
PID  
γ
控制的路径  
0
，
跟踪算法并使用实车道路试验验证控制品质 旨在  
2
， P  
为铰接车原地转向模型 因为 为整车状  
f
图
。
实现无人驾驶铰接式车辆路径跟踪在线优化  
，
态参考点 因此认为原地转向过程中该点相对地面  
［6］  
。
静止  
1
铰接车模型  
1. 1  
铰接车数学模型  
2 ，  
铰接车转向过程可以分解为 个运动 即稳态  
， 2  
转向运动和原地转向运动 以下分别就这 种运动  
。
过程进行分析  
1
， O  
为铰接车稳态转向模型 其中 为瞬心  
，
图
P ( x ，y )  
f f f  
P ( x ，y ) ，l  
分别为前后桥中点  
r
l
和 分  
r
和
r
r
f
，
别为前后桥与铰接点距离 θ 和 θ 为前后车体朝向  
r
，
f
， 。  
即航向角 前后车体夹角 γ 为铰接转向角 出于习  
2
图
铰接车原地转向示意图  
， P  
惯考虑 通常以铰接车前桥中点 为整车状态参考  
f
Fig． 2 Schematic of articulated vehicle in pivot steering  
P
XY  
平面上的速度分量为  
则前桥中点  
在
f
·
x = 0  
f
( 5)  
·
{
y = 0  
f
航向角变化率为  
·
l
·
γ
r
=
( 6)  
θ
f 2  
l cos + l  
γ
f
r
铰接车稳态转向过程前桥的位姿状态可表示为  
1
图
铰接车稳态转向示意图  
P = ( x ，y ， ，) ，  
θ γ  
f
即
Fig．1 Schematic of articulated vehicle in steady-state steering  
f
f
f

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号