基于逆模型预测控制的拟人驾驶控制

本文提出一种基于逆模型预测控制的拟人驾驶控制方法,利用模型预测控制产生的实轴轨迹与真实轨迹的损失函数更新控制模块代价函数的权重系数实现拟人化驾驶控制。将拟人驾驶控制构建成一个双层优化问题,在下层利用模型预测控制求解一个典型的最优控制问题产生实轴驾驶轨迹,在上层最小化所产生的实轴轨迹和真实驾驶轨迹的误差更新下层代价函数的权重系数,基于极大值微分原理构造辅助系统求解实轴轨迹关于代价函数权重系数的梯度。实车采集真实驾驶轨迹并进行模仿测试与泛化验证,结果表明:本文所提出的方法相比于两类基于虚轴轨迹的逆最优控制方法,在3个工况下与真实驾驶轨迹最大误差分别平均降低了73.52%和65.03%,驾驶行为更加拟人化,且具备泛化性能。

无监督学习型凿岩钻臂逆运动学求解方法

凿岩台车钻臂智能寻孔控制对提升凿岩钻孔作业精度和效率具有重要意义,逆运动学求解是实现钻臂精确快速寻孔控制的核心.现有解析法或数值法无法满足复杂钻臂逆运动学求解精度或时间效率要求,而传统神经网络方法依赖于标签数据,求解结果的可靠性较低.针对上述问题,本文提出一种考虑安全约束的无监督学习型神经网络逆运动学求解方法.区别于传统解法,该方法不依赖标签数据,直接将期望钻臂末端位姿作为网络输入,以实际末端位姿与期望末端位姿的差异作为优化目标,通过梯度下降驱动网络更新.同时,为确保关节位置的安全性,本文构造了安全碰撞惩罚,将罚项引入到求解目标函数中,促使网络输出的关节量满足特定环境的约束条件.上述的研究方法不仅提高了逆运动学求解的精度,而且显著降低了逆运动学解的碰撞率.实验结果表明,使用无监督学习型神经网络逆运动学求解方法所求得的寻孔误差均值在5~7 mm之间,相较于监督学习型方法,逆运动学求解精度提升约70.72%;引入约束后,该方法在不损失求解精度的前提下,逆运动学解的碰撞率降低了90.28%.

依托多风格强化学习的车辆轨迹跟踪避撞控制

轨迹跟踪避撞是车辆智能性的重要体现,针对现有控制方法面对同一场景的控制风格单一问题,本文中提出了一种多风格型强化学习控制方法。为实现控制风格多样性,首次将风格指标引入值网络和策略网络,搭建了多风格跟踪避撞策略网络,并结合值分布强化学习理论构建了多风格策略迭代框架,依托该框架推导提出了多风格值分布强化学习算法。仿真和实车试验表明:所提出方法可以多种驾驶风格(激进、中性、保守)完成轨迹跟踪避撞任务,实车稳态轨迹跟踪误差小于5cm,具备较高的控制精度,实车平均单步决策耗时仅为6.07ms,满足实时性要求。

段京良书法

北京书法家协会会员，高级书法篆刻师。从事书法篆刻工作30余年，曾得到著名书法篆刻家康殷（大康）先生点拨，多次参加全国及北京市大型展览并获奖，其书法篆刻作品在国家博物馆、中国美术馆、军事博物馆等处展出，作品入辑多部辞典。2011年中央电视台书画频道对其作品进行展播。曾多次为国家领导人和各界知名人士溥杰、启功、欧阳山尊等治印并获得好评，为日本前首相福田康夫，鸠山由纪夫等外政要治印。曾出访美国、日本、加拿大、新加坡、泰国等进行艺术交流。

汽车端到端自动驾驶系统的关键技术与发展趋势

随着以ChatGPT为代表的生成式人工智能的发展,端到端自动驾驶系统得到了广泛关注,有望为通用场景的驾驶智能带来革命性突破。以全部模块神经网络化为特征的端到端系统对专家规则的依赖度低,功能的集约性与实时性强,具备智能涌现能力和跨场景应用潜力,是实现数据驱动自进化驾驶能力的重要途径。本文概述了端到端汽车自动驾驶系统的关键技术与发展趋势。首先,介绍生成式人工智能的技术现状,包括网络架构设计、预训练与微调,以及模型剪枝与压缩等;其次,总结端到端自动驾驶的关键技术,其核心是以车云协同为基础的驾驶大数据和自动驾驶大模型的在线循环迭代;再次,归纳该类自动驾驶系统的发展现状,尤其是感知、预测和决控三大功能的技术进展;最后,总结生成式人工智能与自动驾驶融合发展的技术挑战。

智能汽车主动避撞工况的高实时预测控制

为满足复杂交通场景下智能汽车轨迹跟踪避撞控制的高实时性要求,该文采用了一种循环模型预测控制算法(RMPC)将在线优化问题转化为循环策略参数的离线求解,并进行了仿真试验。根据车辆主动避撞的约束条件,引入惩罚函数将约束型主动避撞优化控制问题转化为无约束有限时域最优控制问题;进而利用循环函数逼近得到不同预测步长控制问题的最优解;最后将算法部署到原型控制器,结合CarSim平台验证了算法的避撞性能以及在线计算的高效性。结果表明:预测步数从12增加到20步,避撞过程最小车距由0.34 m提升至1.38 m,千次实验碰撞次数由44下降到0;与常用在线优化求解器相比,该算法在预测步数为15时,其计算效率提升超过5.6倍。

深度神经网络的关键技术及其在自动驾驶领域的应用

智能化是汽车的三大变革技术之一,深度学习具有拟合能力优、表征能力强和适用范围广的特点,是进一步提升汽车智能性的重要途径。该文系统性总结了用于自动驾驶汽车的深度神经网络(DNN)技术,包括发展历史、主流算法以及感知、决策与控制技术应用。回顾了神经网络的历史及现状,总结DNN的"神经元-层-网络"3级结构,重点介绍卷积网络和循环网络的特点以及代表性模型;阐述了以反向传播(BP)为核心的深度网络训练算法,列举用于深度学习的常用数据集与开源框架,概括了网络计算平台和模型优化设计技术;讨论DNN在自动驾驶汽车的环境感知、自主决策和运动控制3大方向的应用现状及其优缺点,具体包括物体检测和语义分割、分层式和端到端决策、汽车纵横向运动控制等;针对用于自动驾驶汽车的DNN技术,指明了不同问题的适用方法以及关键问题的未来发展方向。