基于自适应A∗算法的自动驾驶车辆路径规划方法研究

应用传统A*算法进行路径规划时,存在拐点过多、搜索效率较差、转折角度过大等问题,提出一种基于自适应A*算法的自动驾驶车辆路径规划算法。首先,针对传统A*算法运算时间较长的问题,采用指数增长法对启发式函数进行加权,从而提高搜索效率;然后,在启发函数中引入航向角影响因子,使自动驾驶车辆在工作时满足其转向特性;最后,通过三次B样条插值函数对路径中拐点处进行平滑处理,使拐点处尖角的局部路径更加平滑。MATLAB仿真结果表明:改进A*算法生成的路径在长度、总航向角和曲线平滑方面的性能指标优于传统A*算法,使自动驾驶车辆获得一条满足自身约束的优质路径,且在不同的地图环境下,提出的自适应A*算法能够适应不同的环境且可以有效地保持其可行性与优越性。

汽车吸能盒的结构设计与优化

以总吸能量、峰值载荷、压缩位移为评价指标,构建以截面形状为正六边形的铝合金吸能盒模型,在吸能盒内腔加焊加强肋板,考虑其布置形式对吸能特性的影响,通过仿真分析,得到综合特性较优的方案。仿生节可以提高禾本植物茎的机械强度。将这一思想应用到吸能盒结构的二次设计,研究其对吸能盒特性的影响。在吸能量和压缩位移基本不变的情况下,峰值载荷在较优方案的基础上降低16.7%,使其碰撞变形模式更加合理,进一步使吸能盒的吸能特性更满足实际工程需要。

基于模型预测控制的路径跟踪技术研究

路径跟踪控制是汽车智能驾驶的关键内容之一,其目的是减小理论参考路径和车辆实际通过的路径之间的偏差。以建立的三自由度车辆动力学模型为基础,并对动力学模型进行了简易化处理,之后设计了相应的模型预测控制算法,对车辆模型进行路径跟踪控制,通过添加多种约束,将路径跟踪问题转化为多种约束条件下求解最优值的问题。在不同的路面附着系数条件下设定不同的车速,通过Simulink和CarSim联合仿真对所提算法进行验证分析。仿真结果表明:所设计的控制器跟踪参考路径的效果比较好,大大增加了车辆行驶路径与理论规划路径的重合度,同时也提高了车辆在行驶过程中的操纵稳定性。

基于改进CenterNet的交通场景目标检测技术研究

针对交通场景目标复杂、遮挡严重,导致目标难以检测的问题,提出了基于改进CenterNet的目标检测算法。CenterNet使用的激活函数ReLU函数在输入值为负值时输出及梯度均为0,导致CenterNet部分神经元无法计算输入信息,LeakyReLU函数在输入值小于0时存在一个很小的值,保留神经元的梯度值,能够解决ReLU函数中神经元死亡的问题。将CenterNet网络中的ReLU激活函数改进为LeakyReLU函数。同时改进了主干网络,综合考虑浮点运算数量和网络深度等因素,将原CenterNet网络主干网络改为ResNet-50,并且增加了空间金字塔池化结构(SPP),能更好提取特征信息,针对交通场景重新训练神经网络,利用测试集数据对神经网络进行测试。试验结果表明:对CenterNet算法进行优化后目标检测的召回率和精确率得到了提高,其综合评价指标F1值平均提高了0.14,mAP由83.18%提高至87.35%,FPS指标虽略有下降,但其他性能指标提升明显,说明改进的CenterNet目标检测模型具有较高的交通场景目标检测能力。

智能车辆路径跟踪横向控制研究

针对传统基于单一控制方法的车辆路径跟踪控制算法无法准确跟踪路径的缺点,以智能车作为研究对象,提出基于预瞄控制和模糊滑模控制的车辆横向控制算法。基于智能车在横向控制中的运动特性,建立横向和横摆两个自由度的车辆模型。针对传统基于反馈控制的方法实时性差的缺点,通过建立预瞄模型来获取预瞄偏差,保证车辆在行驶中提前预估前方道路环境信息,提高实时性。基于滑模和模糊控制,设计了智能车辆路径跟踪横向控制器。采用由集成偏差组成的滑模切换函数及其微分作为控制器的输入,把对误差的控制转化为对滑模函数的控制,保证了车辆转向时的稳定性。Matlab/Simulink的仿真结果表明:智能车辆路径跟踪横向控制器能够在曲率急剧变化的路段实现路径准确跟踪,满足车辆实际行驶要求。