英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

---

基于视觉导航的智能车辆自动驾驶控制方法的研究

摘要：智能“车辆-公路”系统,通过提高单个车辆的智能控制水平和车辆与公路之间的信息交互的能力,可以实现智能车辆和车组的自主驾驶,以解决日益严重的交通问题。针对单一车辆的智能控制在智能“车辆-公路”系统中是最重要的。在车辆和公路之间的协调下通过十分之一的汽车模型,基于视觉导航的智能车辆的实验平台已经构建,用来模拟道路和智能控制和无线通信技术。建立智能车辆运动模型的基础上,提出了在智能车辆自主驾驶上的控制策略,它的准确性和可靠性已被实验分析验证。在车辆和公路之间的协调控制下为了进一步调查智能车辆组，研究已经提供技术的研究和实验基础。

关键词：智能系统;摄像机标定;运动模型;自主驾驶

1. 介绍说明

智能“车辆-公路”系统结合通信手段综合考虑不同道路的交通状况部分 ,传输的信息分配合理,平衡车辆传感器和交通基础设施在为司机提供路径选择的车辆设备上。智能“车辆-公路”系统旨在确保某些智能公路系统,实现自主单个车辆和车组的开车,以便简化交通控制的复杂性,提高道路交通密度和道路网的通行能力,从而减少人工驾驶造成的交通问题。因此,自主驾驶在智能“车辆-公路”系统中已成为一个热点和焦点。目前，随着信息技术和集成电路制造技术的快速发展，控制理论和控制技术有了重大进展,如改进的PID算法、自适应控制、神经网络和模糊控制、鲁棒控制、滑模控制、最优控制,以及许多其他现代控制算法已经被广泛使用。

参考[5 - 7],在分析智能车辆的导航和控制技术的优缺点的基础上,提出的基于视觉导航路径识别和跟踪的控制方法,并进行了路径跟踪仿真和实验,采用预览反馈和最优模糊控制方法。然而,这些实验必须依靠主机计算机处理和通信支持,没有用于嵌入式实时系统。参考[8],分析嵌入式实时系统在移动机器人上的应用和发展,设计了一个实验平台的自动引导车辆与手臂控制器,提出了基于单目视觉导航和模糊控制的路径跟踪的策略。虽然这个导航策略可以实现的嵌入式系统,它没有讨论如何满足AGV控制器高有效性和实时性的需求。参考[9]，在分析智能“车辆-公路”系统的目的和自动控制系统研究的发展的基础上,总结,提高交通流和减少手动驾驶造成交通问题的关键是提高速度和减少车辆之间的距离,纵向“车辆-公路”距离进行控制仿真,使用自适应模糊推理系统。该方法是可行的,但还没有被所需的实验数据验证其有效性和可靠性。参考[10],分析智能“车辆-公路”系统的结构和元素功能,在车辆和公路之间协调的基础上,设计了智能车辆组驾驶模拟实验系统的,提供了实验平台和开展研究关于基于视觉导航的智能车辆自主驾驶的条件。

如今,单个车辆的智能控制更依赖于主机和通信手段,但是对于不同的路况,比如急转弯,隧道,以及下坡道路,智能车辆本身不能及时接收的道路信息和运动信息,不能调整实时行为策略,因此不能真正地实现自主驾驶。在此基础上,DSP处理器被选为主芯片。有效路径信息可以通过映射变换校准智能车辆相机得到,并通过构建智能车辆的运动模型提出自主驾驶的控制策略。同时也进行了自动驾驶实验以及智能车辆绑定实验平台和强大的DSP处理器的处理能力之间的间距控制仿真,为进一步的车辆和公路之间的协调下的车辆组控制研究提供技术和实验基础。

1. 基于视觉导航的智能车辆实验组

关于智能车辆组驾驶模拟实验系统,如图1所示,它是进行基于视觉导航的智能车辆自动驾驶实验。这个系统包括三个部分:道路沙盘模拟平台,智能车辆仿真系统和路边信息收集与监测系统,用于车辆和公路之间的信息互动,体现智能,与智能“车辆-公路”系统的先进。路上沙盘模拟平台,如图2所示,由1:10封闭道路70厘米宽,两车道,桥是25厘米的高度,隧道的深度22厘米,模拟各种高速公路基础设施。

图1

图2

基于视觉导航的智能车辆仿真系统,包括DSP控制器,电源转换模块,电机驱动模块,无线个域网通信模块,CMOS数码相机、超声波传感器、旋转编码器和外部内存。横向信息通过使用相机获得,用于控制致动器,智能车辆的速度是由旋转编码器测量的,车辆组之间的距离由超声波传感器测量;车车与车路之间的信息交互通过无线个域网模块组成的无线网络来实现。此外,DSP控制器扩展256 k SRAM存储和处理更多的图像数据,它可以重建道路沙盘的路径信息。因为采用增强的哈佛架构和统一的寻址模式 (程序、数据和I / O口统一处理),DSP可以访问程序和数据的同时可以提高存储空间的利用率,确保实时的图像处理能力。

1. 基于视觉导航的智能车辆模型分析
2. 相机校准

基于视觉导航的智能车辆沿着沙路表旅行时,导航信息是通过摄像头捕获与相机区域有紧密关系的图像数据。在智能车辆前捕捉更多的道路信息,有必要扩大摄像机的视野。当摄像机是固定的,有一定的45度螺旋角和30厘米至40厘米安装高度。考虑到在路上沙盘的桥梁和隧道,我们需要重新校准安装高度和螺旋角相机。当高度和节距角不变化时,相机校正可以简化为二维坐标映射图,如图3所示。

图3

h是摄像头的安装高度

a,b分别是最近和最远的远景

x是视觉中任意一点的位置

alpha;,beta;,theta;是相对应的视线高度a,b,x

几何关系可以设置:

从上式我们可以看到,当h不变,螺距角越小,图像信息收集越多,只会导致更少的图像中有用的路径信息,当螺旋角越大,图像收集的信息越少,导致缺乏预判的距离。

因此,假设r是图像数据获得的总行数,eta;是在点x行对象图像,结合校准的结果,我们可以得到的关系:

结合上两式,我们可以获得eta;和x之间的关系:

所以,为了获得某个范围的图像,我们可以用非均匀连续的规则集合,如上式所示。它不仅能获取更有效的图像信息,但也可以校正图像由于螺旋角存在而致的失真。

B.智能车辆运动模型

基于视觉导航的智能车辆的模型显示在图4。两个驱动轮的转速可以通过电机调节,两个前轮方向盘可以由制动器监管。

图4

Оxy是世界坐标系,

d表示驱动车轮和轴之间的距离控制轮子,

s表示两个驱动轮之间的距离,

O 是驱动轮的中心轴的车辆可以建立坐标系。让相机的投影在载体坐标系与O准直,

v表示点的速度,也是智能车辆的速度,

theta;是车辆纵轴和车辆坐标系的横轴的夹角,

alpha;是前轮的中心。

根据智能车辆的结构和刚体的翻译原则,我们可以在任何时间得到车辆围绕O 。所以车辆半径rho;和角速度omega;如下:

在任何时间,协调的O”(x,y)在载体坐标系和世界坐标系之间的关系如下：

Gamma;(t)是车辆坐标系到世界坐标系统的变换矩阵。

(x(t),y (t)) 是在世界坐标系的车辆坐标原点,theta;表示车辆坐标系车辆纵轴和横轴的夹角。

时间间隔△t后,车辆周围旋转角phi;是:

所以的变换矩阵Lambda;t(t △t)如下：

通过上式我们可以得到在时间(T △T)的汽车坐标系到世界坐标系的变换矩阵T:

T(t )=

我们可以得到：

△x变量在横轴的时间间隔

△t,△y是在时间间隔△t的纵轴的变量

theta;minus;ϕ/2表示在时间△t内车辆纵轴之间的夹角和车辆坐标系的横轴变化，T变换矩阵可以计算的。

所以,我们可以通过变量v和alpha;计算出车辆的位置。

1. 基于视觉导航的智能车辆自动驾驶控制

基于视觉导航的智能车辆自动驾驶控制分为横向控制和纵向控制,即实现智能车辆排驾驶的基本条件。前者主要研究智能车辆的道路识别能力,控制制动器使汽车驾驶沿着道路路面标志,后者着重于控制行车速度,确保车辆的稳定性和排,以确保行车安全。

1. 横向控制

视觉导航模块是智能车辆仿真系统的核心,它的性能直接影响行车安全。基于道路车道标记的图像识别导航方法的特点是简单识别、快速图像处理和更好的实时控制。图像处理包括:阈值选择,噪音处理和提取白色车道标记中心线。

1. 阈值的选择

基于视觉导航的智能车辆的旅行之前,获取的信息公路沙盘,除了路面,共有六个领域的形象已经被收购了。考虑第一个字段的不稳定性,从一开始的第二场,计算每一行每一个字段的最大值,然后计算这五个字段的最大值的平均值,将每一行的门槛后积分补偿。反复测试,补偿值的范围从-10到5。阈值eta;的公式是:

aijmax是aij的最大值

C是补偿值,

nj是每一行的阈值。

1. 噪音处理

由于数码相机对环境有着巨大的影响力,阈值分割后,图像包含路径信息可能被噪声干扰。为了再现真实的路径信息,有必要处理噪声在路上沙盘精确计算白色路面标志的中心线。在这里,依据图像的噪声处理是找到一行最近的智能汽车数据,,把它作为基线噪音处理后。基线的处理是:

a)来确定第一行的白线的位置是否满足给定的条件。也就是说,白色的点的数量是多于一个。如果只有一个点是白色的,这将是噪音,然后继续确定下一行的位置。如果白色点的数量超过一个给定的校准值,它是检测到了人行道。

b)来确定白色点的连续性。初始位置的偏差,第一行的白线,比较最后一场的最后一行,是否在正常范围之内。根据图像的连续性,偏差不应该不错,如果过了给定的校准值,这将是噪音,然后继续确定下一行的位置。

处理基线后的值作为参考数据,应该根据图像的连续性处理整个图像领域的噪音。

1. 提取白色车道标记中心线

路上沙盘是双车道的公路,一个车道上有两个边界线,两个左右白色车道标记。所以建议虚拟中心白色车道线标记。虚拟中心线由中点公式所派生的虚拟中心组成，在图像中的大约两个白色车道标志所有行确定中心后。扩展公式如下:

Pi表示虚拟中心行,

PLi,PRi表示在i行的左右白色车道标记中心

bij和c ij是在i行j列两左右的像素灰度值白色车道标记,

eta;i表示i行的阈值,

sum;（bijgt;eta;j）表示i行白线点列的总和,,

sum;j 表示i行白色点的总数。

左边和右边的两个中心白色车道标记在同一条线上,他们可以复杂地获得白色车道标记虚拟中心,就像公式中复杂的结果。

一个图像处理后,有正确道路沙盘的路径信息。根据虚拟的白色车道标记中心线斜率的和车辆纵向轴线确定当前道路是直或转折。致动器的控制变量可以由两个参数决定。虚拟中心偏移量可由图像的最后一行数据,不仅是整个虚拟中心的斜率线选择,还可以用被选中的斜率不同的线段的重量之和,将整个虚拟中线分成几段,寻求不同斜率的重量和。本文选择整个图像的斜率,首先,找到第一个有效的行和最后一个的位置有效的行,然后计算两两条线的虚拟中心,最后计算虚拟中心线的斜率和车辆纵轴的偏移。

致动器的控制算法采用比例控制。公式是:

U=K0*X0 K1*(Y1-Y0)/(X1-X0)

U是制动器的控制变量,

0 x是智能车辆纵向轴线的偏移,

(X0,Y0)是虚拟中心坐标上一个有效的行,

(X1,Y1)是虚拟中心坐标的有效行

(Y1-Y0)/(X1-X0)是斜率是虚拟中心线,

K0、K1是调试和实验派生的比例系数。

1. 纵向控制

纵向控制,旨在确保智能车辆组的稳定性,基于视觉导航的智能车辆在不同道路条件下在路上沙盘稳定行驶,主要通过调节速度以及确保车辆之间的距离。PID控制是一种稳定、可靠、简单、广泛使用的控制方法,但是随着计算机技术的发展,智能控制理论和方法被认为是最有效的方法,如模糊控制、神经网络已被广泛研究和应用,在纵向控制上取得了良好的效果。考虑到上面的每个控制方法的特点, 相对于PID控制策略提出了模糊PID控制策略。

由于沙盘的道路复杂,少直,多弯曲,一个非常陡峭的斜坡上上下下,特别是在隧道,它会经常出现在一些条件参数满足要求,而在其他条件下它不满足。传统的PID控制器不能满足它的要求没有在线优化PID参数的函数,没有进一步提高控制器的质量。然而,模糊PID控制不仅有传统PID控制器的一部分,但也有修正的参数模糊控制的一部分,之后通过推理的实现通常把长期的实践经验和知识积累到建模控制规则[11]。因此,根据控制系统的实际响应,使用模糊推理,并调整PID控制器的参数,让质量指数保持在最佳范围内。

模糊PID控制器的输入也选择速度偏差和速度偏差率,利用模糊控制规则在线调整PID参数。其结构如图5所示。

图5

这里e和ec表示速度偏差和速度偏差率, kp,ki,kd成正比与积分和微分系数。

{ NB,NM,NS,0,PS,PM,PB }是这些变量的模糊集,这些元素分别代表负大,负中,负小,零,正小,极中,极大。

假设e,ec和kp,ki,kd服从三角分布,模糊集的隶属函数如图6所示。模糊控制规则表如表1所示。根据模糊集的隶属函数和模糊控制规则表,PID参数的值可以通过模糊推理的模糊矩阵表中列出。当程序正在运行,结果导出了预先存储在控制系统中的模糊矩阵,被加工,抬起,和计算;最后PID参数的校准已经在线完成。继续使用PID控制的实验条件,采样时间是10ms,图7展示了模糊PID与PID控制相比的阶跃响应曲线。

图6

图7

从图7中,模糊PID控制器与PID控制器相比,具有更小的过冲,并且工艺参数没有显著变化,有很强的鲁棒性

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[146932]，资料为PDF文档或Word文档，PDF文档可免费转换为Word