人工势场法在无人车避障系统中的改进
谭宝成;曹康凯
【摘 要】传统的人工势场法易出现陷阱区域,在障碍物前面产生震荡等缺点.通过建立避障的动力学模型,引入对障碍物的模糊分类和BP网络对传感器数据的融合优化,使得无人驾驶车在通过有障碍物的道路中能够实现自主避障,做到提前预判,有效消除了震荡或死区引起的系统不稳定性.相比于传统人工势场算法,采用改进算法使得系统在稳定性和效率上有进一步提高.%The traditional artificial potential field method has shortcomings of often falling in trap area and oscillating in front of obstacles. A dynamic model of obstacle avoidance, which uses fuzzy classification to identify obstacles and BP network to fuse the sensor data optimally, is established for unmanned vehicles to anticipate obstacles in the path in advance and avoid obstacles autonomously to achieve eliminating oscillating or dead zone causing system instability. Simulation indicates that, compared with traditional artificial potential field algorithm, the proposed algorithm further improves the system stability and efficiency.
【期刊名称】《西安工业大学学报》
【年(卷),期】2012(032)012
【总页数】6页(P1020-1025)
【关键词】无人驾驶车;多传感器;人工势场法;模糊控制;神经网络
【作 者】谭宝成;曹康凯
【作者单位】西安工业大学电子信息工程学院,西安710021;西安工业大学电子信息工程学院,西安710021
【正文语种】中 文
描写桥的词语【中图分类】TP273.5
无人驾驶技术目前是国内外的热点研究课题，其中避障算法更是研究的核心之一，国内外在避障算法方面都取得了一定的成果.比如：栅格法［1］、位姿空间法［2］和人工势场法.
其中栅格法是将机器人工作环境分成一系列具有二值信息的网格单元，多采用四叉树或八叉树表示工作环境，并通过优化算法完成路径搜索.位姿空间法是由W.E.Howden、S.Udupa和R.A.Book［3］等人发明的一种避障算法.即把原来求一般物体无碰撞路径问题，转化为求质点在位姿空间的安全问题，使问题得到简化，因此得到了广泛的应用.本文提出改进算法的对象人工势场法是由Khatib提出的一种虚拟力法［4］.障碍物对机器人产生斥力，目标点产生引力，最后根据合力来确定下一步运动的方向，来控制机器人的运动方向和计算机器人的位置，由障碍物的斥力和目标的引力产生机器人前进的合力.
在实际试验中，人工势场法存在四个方面问题［5］：①容易出现陷阱区域；②在相近障碍物之间不能发现有效路径；③在障碍物前面产生震荡；④在狭窄道路中出现摆动现象.本文针对人工势场法的缺陷提出改进算法，所引入的模糊控制对障碍物的位置、数量、静止／运动状态进行处理，使得避障具有优先级，而神经网络算法对应硬件上的感知层、控制决策和执行机构，同时又具有学习能力，在避障中不断对系统进行优化，以此来提高效率，即避障时间缩短，路径更加优化，抖动现象明显减少.X特遣队评价
1 无人车避障过程的动力学模型
在避障过程中车体的动力学模型如图1所示.其中把车体当做一个质点，距离障碍物的距离为d＿za，车轮的角度为LP＿counter，车体与路径的夹角为e＿dir，车体距离路径的距离为d，车体转过的半径为R，弧长为S，圆心角为θ，车速为V（speed＿i），采样时间为T，车体的轴距为定值L，悬臂长为a.避障过程中满足以下关系式
车体在避障时下一时刻的角度为
式中：ε为实验参数，与道路摩擦系数有关.
图1 避障的动力学模型建立Fig.1 Dynamic model of obstacle avoidance
在避障模型的基础上采用了BP学习算法的结构，输入层即各路的传感器信息，由安装的位置可知输入层为感知系统，通过传感器对环境信息进行采集，其中如图2所示的 w1，w2，w4，w7，w8 为红外传感器，w3为激光测距传感器，w5，w6，w9，w10为超声波传感器，w11为CCD摄像头.激光传感器的测距范围在200m，红外传感器范围在10m，超声波在4m，所要达到的目的是能够远程定位，车辆能够提前预判，近距离时能够及时避障［13］，输入层中10个测距传感器作为对周围的环境感知，即输入层节点为10，隐含层权
值通过 学习算法进行调节，隐含层为车辆的控制决策部分，输出层就是直接得到车辆运动的下一步信息，Y1为方向信息，Y2为速度信息，Y3为刹车信息.
图2 传感器在无人车上的安装位置Fig.2 Sensor in installation position on unmanned vehicle
沙发比较好的品牌为了能对车辆前方道路及障碍物信息得到更为准确的信息，加入采集障碍物信息的下位机，通过摄像头对前方障碍物的形状进行处理，得出障碍物的高度和宽度送给上位机，进而判断出车辆要转向的精确角度，以此来减少车辆的抖动现象.
激光测距传感器、红外以及超声波传感器［12］同样也是通过串口与上位机进行通讯，外在的感知系统通过这些传感器来获得周围的环境变量.在车辆上的安装位置如图2所示，方框代表红外传感器，椭圆代表超声波传感器，圆代表激光传感器.
汽油加白糖2 避障算法的实现步骤
对人工势场法的改进，引入BP算法［7］，然而其不足之处就是收敛的速度比较慢，不可避免的出现局部极小值，特性不够理想等等，因此将模糊控制策略加入其中用于BP网络的
学习和训练中，其改进算法的实现步骤如下：
2.1 模型建立
先设立控制决策系统的初始状态，在二维的模型中加入了一个时间t，由于障碍物的状态不可能只是静止的，在道路上或无人区所遇到的动态障碍物就使得必须建立三维的模型，示意图如图3所示，初始化时
图3 人工势场法合力的方向Fig.3 Join force direction of artificial potential field
根据传统人工势场法，无人车的前进方向为
2.2 模糊控制处理
池子与笑果文化和平解约模糊规则见表1，将障碍物的距离等级分为三级，分别为：近距离紧急避障、中距离避障和远距离发现.其中LP中的RO、BO、LO、ROL、LOR包括有障碍物的方向和距离信息，再通过GPS获得速度信息就能通过建立的避障模型计算出可能发生碰撞的时间，在留有余量的前提下，在经过BP的逼近得出下一步的精确转向角度和速度量.
表1 模糊规则表Tab.1 Fuzzy rules注：x为障碍物可有可无规则号GOAL Obst1Obst2Obst3Obst4Obst5Obst6LP 1 RO None BO RO None None x ROL LO 2 RO None None RO None None x BO 3 RO x x None None None x RO 4 RO LO None RO None None x BO 5 RO x BO None None RRO x ROL 6 RO None x RO LLO None x LOR 7 BO x BO None None None x RO 8 BO None BO x None None x LO 9 BO x None x x x x BO 10 BO x BO None None RRO x ROL 11 BO None BO x LLO None x LOR 12 LO None x x None None x LO 13 LO LO None x None None x BO 14 LO LO BO None None None x RO 15 LO None x x LLO None x LOR 16 LO LO BO None None RRO x
在避障模式下障碍物又分为静态和动态.对于障碍物相对于车体位置分为左前方、前方、右前方、左方、右方、后方六个输入变量.输入变量GOAL的语言值论域为［0，6］，每个方位对应的角度值为［0°，180°］，OUTPUT对应的语言论域为［0，6］模糊语言取值定义为：左前方、前方、右前方；BO的论域为［1，3］，对应的角度为［60°，120°］，模糊语言值为前区；LO的论域为［0，1］，对应的角度为［120°，180°］，模糊语言值为左区；RO的论域为［3，4］，对应的角度为［0°，60°］，模糊语言值为右区.LLO的论域为［4，5］.对应的角度为［0°，180°］，模糊语言值为左方，RRO的论域为［5，6］，对
应的角度为［0°，180°］，模糊语言为右方.输出变量 LP＿counter的语言值论域为［0，6］，对应的角度值为［0°，180°］，模糊语言值为：左前方、前方、右前方.
为了计算机实现和处理方便，各语言变量隶属函数定义均取线形函数.其形式是：if（GOAL is x1 and Obst1is x2and Obst2is x3and Obst3is x4 and Obst4is x5and Obst6is x6）then LP＿counter，决定车辆的转向方向.
模糊决策采用 Mamdani法［6］：与（and）方法为Min，或（or）方法为 Max，模糊推理方法为 Min，合成方法为Max.通过子目标点的转向角的仿真输出数据可知，在车体遇到障碍后，能够按照模糊规则控制的要求转向.
2.3 无人车避障主程序
通过2.1和2.2得知，障碍物对车辆产生斥力，目标点对车辆产生引力，二者的合力就为车辆的行驶方向，LP＿counter决定车轮与平衡位置的夹角，算法通过VB程序来实现［13］.在避障模式中的避障角度、速度和制动状态可通过2.4的BP网络的输出层，并进行优化处理得出具体的输出值.
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论