基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。

基于MPC-MFAC的双侧独立电驱动无人履带车辆轨迹跟踪控制

简化模型带来的模型失配以及外部环境不确定性是导致轨迹跟踪误差的主要原因,尤其对于无人履带车辆,其复杂的物理特性和工作环境更放大了两大因素的不利影响。针对该问题,将基于模型和基于数据的控制方法结合起来,提出一种基于模型预测控制结合无模型自适应控制补偿的双侧独立电驱动无人履带车辆轨迹跟踪控制方法。在平衡建模准确度和求解耗时的基础上,利用模型预测控制进行前馈求解。针对模型预测控制中简化模型与车辆实际模型之间必然存在的差异以及环境不确定性,基于动态跟踪效果构建无模型自适应控制算法进行补偿,即利用车辆实际轨迹与模型预测所得轨迹之间的误差,对模型预测控制求解的两侧履带速度控制量进行实时修正。仿真实验结果表明,该方法能够在一定程度上抑制系统内外部不确定因素的影响,提高动态环境下双侧独立电驱动无人履带车辆轨迹跟踪控制的精度。

基于高斯混合-隐半马尔可夫模型的双侧独立电驱动无人履带机动平台纵向决策方法

基于运动学和动力学模型的电驱动无人履带机动平台纵向决策研究存在自适应能力差、难以获得精确的模型参数等问题。针对无人履带机动平台直驶遇到障碍物并接近障碍物的行驶工况,根据驾驶数据提出一种驾驶员纵向决策机理,使用高斯混合-隐半马尔可夫模型对熟练驾驶员纵向决策过程进行建模。使用高斯混合模型对驾驶员在直驶接近障碍物过程中的意图进行辨识,并对驾驶行为进行聚类和量化;通过隐半马尔可夫模型描述驾驶员决策转移过程与相同决策的持续时间;进行不同地面条件下的实车验证。试验结果表明:所提出的驾驶员模型可以很好地模仿驾驶员纵向决策机理,使得最大加速度小于3.5 m/s^(2),最大减速度大于-4.5 m/s^(2),决策边界平均加速度绝对值趋近于0.8 m/s^(2);通过对不同地面条件下的决策持续时间分布进行再训练,该方法可以不依赖地面参数从而适应不同环境条件。