智能汽车轨迹跟踪MPC-RBF-SMC协同控制策略研究

针对自动驾驶车辆行驶过程中模型失配以及外部环境干扰导致车辆轨迹跟踪环节精确性不高的问题,提出了一种结合车辆运动学模型预测控制(MPC)、径向基(RBF)神经网络和滑模控制(SMC)的轨迹跟踪控制策略。通过建立车辆运动学MPC模型计算当前状态车辆期望横摆角速度,并将其与实际横摆角速度的偏差输入RBF-SMC控制器,利用RBF快速逼近非线性模型的特点,结合滑模控制输出前轮转角,实现车辆的横向轨迹跟踪控制。仿真结果表明,与传统的控制器相比,该方法轨迹跟踪精度显著提高,并在不同行驶工况下表现出较好的鲁棒性。

基于嵌入式平台的车前红外行人检测方法研究

针对当前目标检测方法普遍需要高功耗GPU计算平台、易受光照条件影响的问题,提出2种基于嵌入式平台的车前红外行人检测方法:将训练好的YOLOv4-tiny模型使用英伟达开源推理加速库TensorRT进行优化,部署于嵌入式平台;以YOLOv4-tiny模型作为算法的基本架构,结合视觉注意力机制和空间金字塔池化思想,同时增加1个YOLO层,提出YOLOv4-tiny+3L+SPP+CBAM网络模型。将2种方法在FLIR数据集上进行训练与测试,并在Jetson TX2嵌入式平台上进行试验,试验结果表明:相较于原始网络YOLOv4-tiny,所提出的第1种方法平均准确率降低0.54%,推理速度提升86.43%(帧速率达26.1帧/s);提出的第2种方法平均准确率提升16.21%,推理速度降低22.86%(帧速率达10.8帧/s)。2种方法均可兼顾准确率和实时性,能够满足车前红外行人检测的需要。

基于门控循环单元优化的轨迹跟踪控制方法

为提高智能汽车轨迹跟踪精度,以多点预瞄模型为基础,设计了一种基于门控循环单元(GRU)神经网络优化的轨迹跟踪模型。首先,在车辆二自由度模型上,基于预瞄理论建立了3种预瞄轨迹跟踪模型,仿真验证结果表明,多点预瞄模型跟随效果最佳。然后,将多点预瞄横向位移偏差和转向盘转角等参数作为GRU神经网络的输入,经过训练后,输出优化后的转向盘转角控制车辆的行驶方向。验证结果表明,与多点预瞄模型相比,经GRU优化的轨迹跟踪模型在双移线路径和S型曲线路径下均有更好的跟踪效果。