智能车辆深度强化学习的模型迁移轨迹规划方法

针对智能驾驶车辆传统路径规划中出现车辆模型跟踪误差和过度依赖问题,提出一种基于深度强化学习的模型迁移的智能驾驶车辆轨迹规划方法.首先,提取真实环境的抽象模型,该模型利用深度确定性策略梯度(DDPG)和车辆动力学模型,共同训练逼近最优智能驾驶的强化学习模型;其次,通过模型迁移策略将实际场景问题迁移至虚拟抽象模型中,根据该环境中训练好的深度强化学习模型计算控制与轨迹序列;而后,根据真实环境中评价函数选择最优轨迹序列.实验结果表明,所提方法能够处理连续输入状态,并生成连续控制的转角控制序列,减少横向跟踪误差;同时通过模型迁移能够提高模型的泛化性能,减小过度依赖问题.

基于贝塞尔曲线的机器人非时间轨迹跟踪方法

在复杂环境的轨迹跟踪过程中,针对移动机器人不确定时延导致控制品质下降问题,提出基于五次贝塞尔(Quintic Bezier)曲线的移动机器人非时间参考轨迹跟踪控制方法。首先,利用Quintic Bezier曲线对规划路径点进行平滑,并根据连续约束进行优化,完成多段Quintic Bezier曲线的光顺拼接,获得平滑且连续的轨迹;而后以Quintic Bezier曲线参数u作为中间映射量,构建路径长度与轨迹坐标间的状态映射模型,设计移动机器人非时间运动参考量;在此基础上,根据移动机器人运动学模型,提出一种奇异点旋转映射技术,消除奇异点对轨迹跟踪控制品质的影响。实验结果说明,所用方法能提高规划路径的平滑性与连续性,增强移动机器人不确定时延跟踪控制的鲁棒性,避免了奇异点的影响。