一种无人车转向控制方法与流程

本发明涉及车辆自动驾驶技术领域，特别是一种用于无模型的自适应无人车转向控制方法。

背景技术：

无人驾驶汽车，也称智能汽车，是一种能够实现自主驾驶的轮式移动机器人，是一个集环境感知、规划决策、运动控制等功能于一体的高度智能化、信息化系统。无人驾驶汽车的研究目的是使计算机代替人来完成车辆驾驶任务，弥补人工驾驶的不足，实现车辆的安全、可靠、高效的驾驶。无人驾驶汽车将有效减轻驾驶员的负担，减少驾驶员疲劳驾驶的现象，有利于提高交通安全；同时，配合城市交通控制系统，可以合理分配交通流，实现交通系统的顺畅运行。目前，国外在无人驾驶汽车方面已经取得了长足进展。国内的很多研究机构和高校已经开始了无人驾驶汽车的相关研究，并已取得了一定的成果，但与欧洲和美国的无人驾驶技术仍有一定差距，而且使无人驾驶汽车进入产业化、实用化阶段还有很长一段路要走。

车辆的在道路上的平稳行驶需要其对转向进行一个很好的控制，特别是车辆在遇到急弯时更是对驾驶员驾驶技术的一个极大的考验。无人车在自主行驶时，它的转向控制是通过感知周围行驶的道路环境，通过感知算法并融合各种滤波器算法计算出自身在赛道中的位姿，然后由内部的转向控制器基于已获得的位姿，计算出所需要的转角信息控制内部的转向执行器调节车辆的转向，进而调节车辆的位姿。

技术实现要素：

(一)要解决的技术问题

鉴于上述问题，本发明提出的一种无人车转向控制方法，通过在线采集数据不断的学习进而获得一个近似的模型，在获得模型后，通过多次迭代获得近似最优控制的执行网络。

(二)技术方案

一种无人车转向控制方法，包括以下步骤：

采集行驶车辆的转向数据；

构建感知器网络，并利用所述转向数据训练所述感知器网络，得到近似车辆转向的模型；

利用所述近似车辆转向的模型获得近似最优控制的执行网络。

优选地，所述转向数据包括车辆转向控制信息和车辆在道路上的横向偏移信息。

优选地，采集的转向数据保存在一个数据文件中，并为每一次采集的转向数据添加时间标签。

优选地，采集的转向数据作为训练数据，利用随机梯度下降算法训练所述感知器网络，直至训练误差小于预先设定的阈值，完成一次模型的训练过程，如此反复进行多次，最终完成训练得到近似车辆转向的模型。

优选地，感知器网络的输入为当前时刻的转向控制量和车辆的横向位移偏量，输出为下一时刻的车辆的横向位移偏量；

优选地，所述车辆转向控制信息从车辆的硬件控制板获取；

所述横向偏移信息利用摄像头、激光雷达或gps通过计算获得。

优选地，以所述近似车辆转向的模型作为被控对象，利用基于策略迭代的自适应动态规划算法离线计算获得最优控制。

优选地，采用开源的标准的策略迭代自适应动态规划算法计算获得最优控制。

(三)有益效果

本发明提出的一种无人车转向控制方法，不需要列写复杂的方程，通过在线采集数据不断的学习进而获得一个近似的模型。这个近似模型的精度可以通过增加数据的采集和训练的次数以及提高模型的复杂度来提高。在获得模型后，控制器的设计完全通过迭代的方式获得。

附图说明

图1是本发明实施例的无人车转向控制方法流程图。

图2是本发明实施例的无人车转向控制方法的整体流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

传统的无人车转向控制方法一般需要先建立被控对象的数学模型。这一建模的过程是非常繁琐的，需要弄清楚各个部件的物理关系，然后再依据物理规律列写复杂的微分甚至偏微分方程，建立模型后还需要进行大量的实验和测量来确定方程中各个常量的值。

本发明提出的一种无人车转向控制方法，不需要列写复杂的方程，通过在线采集数据不断的学习进而获得一个近似的模型。这个近似模型的精度可以通过增加数据的采集和训练的次数以及提高模型的复杂度来提高。在获得模型后，控制方法完全通过迭代的方式获得。

本发明实施例提供一种无人车转向控制方法，图1是本发明实施例的无人车转向控制方法的整体流程图，如图1所示，通过在线采集一辆能够输出转向控制信号和车辆在道路上横向偏移信号的无人车的数据，并利用采集到的数据训练一个三层的感知器网络，通过检测训练误差是否小于一个阈值来结束一次训练过程，然后再通过检测是否覆盖所有道路来停止总的训练过程，训练完成后即可获得一个可以很好近似车辆转向的模型；利用一个基于策略迭代的自适应动态规划算法迭代求解出最优控制，最后生成一个执行网络来近似这个最优控制。

如图2为本发明实施例提供的无人车转向控制方法流程图，如图2所示，具体包括以下步骤：

s1：采集行驶车辆的转向数据。

行驶无人车的转向数据，包括车辆的转向控制信息和车辆在道路上的横向偏移信息，在线采集行驶车辆的转向输入信号和车辆在道路上的横向偏移信号作为训练车辆转向模型的训练数据。

本实施例中，采用一个基于x86或arm的并安装有linux的车载计算机实现转向数据的采集，计算机上安装gcc、g++、make等c/c++开发工具，同时计算机上安装有摄像头、激光雷达、gps和相应的配套软件等用于获取环境信息，被控车辆能够进行电动助力转向。

利用计算机数据采集模块从车辆的硬件控制板获取车辆的转向控制量作为转向控制信息，再由计算机环境信息感知模块利用摄像头、激光雷达、gps或其它设备通过计算获得车辆在道路上的位姿信息，包括车辆的横向偏移信息，在本实施例中为车辆的横向位移偏量。

获得的转向控制信息和车辆的位姿信息都保存在一个数据文件中，同时为每一次采集的数据添加时间标签。

s2：构建三层感知器网络并利用所述转向数据进行训练得到近似车辆转向的模型。

利用计算机感知器算法训练模块构建一个三层的感知器网络，在本实施例中可采用c语言编写该感知器算法训练模块，三层感知器网络的训练过程为：在输入数据的作用下，计算网络的实际输出，并与相应的目标数据进行比较，然后用比较后的误差，根据随机梯度下降算法进行权值的调整；重新计算网络在新权值作用下的输出，重复权值调整过程，直到网络的输出与目标矢量的误差在一定范围内或训练次数达到事先设置的最大值时训练结束。

当采集到一定数量的转向数据时，将其作为训练数据，利用梯度下降算法训练感知器网络，训练误差大于一个阈值时，重新采集训练数据再进行训练，直至模型的训练误差小于一个阈值，此时完成了一次模型的训练过程。如此反复进行多次，最终完成对被控对象的建模过程。训练时需要多次采集车辆的转向数据进行训练，直至训练数据基本覆盖所有可能的路况，停止训练。阈值可以是1e-3，阈值越低训练精度越高。

感知器网络的输入数据是当前时刻的转向控制量和车辆的横向位移偏量，输出数据是预测的下一时刻的车辆的横向位移偏量。

将训练后的感知器网络作为近似车辆转向的模型。

s3：利用所述近似车辆转向的模型获得近似最优控制的执行网络。

上述步骤结束后我们已经获得了一个可以很好近似车辆转向的模型，将步骤s2获得的近似车辆转向的模型作为被控模型获得近似最优控制的执行网络，在本实施例中，我们利用一个基于策略迭代的自适应动态规划算法离线计算获得最优控制，最后生成一个执行网络来近似这个最优控制，可以采用开源的标准的策略迭代自适应动态规划算法或者用c语言编写最优控制的求解软件，利用上面训练得到的近似车辆转向的模型作为被控对象的模型通过多次迭代以获得用神经网络表示的最优控制。

数据采集模块、三层的感知器网络都是在无人车上的计算机实现，通过在无人车上运行上述方法，并使车辆运行在不同的路况以采集更全面的转向模型数据和更好的车辆转向的模型。

通过在线反复的采集数据并不断的学习进而获得一个近似车辆转向的模型。这个近似模型的精度可以通过增加数据的采集和训练的次数以及提高模型的复杂度来提高。在获得模型后，控制方法完全通过迭代的方式获得。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。