A Scalable Adaptive Approach to Multi-Vehicle Formation Control with Obstacle Avoidance

This paper deals with the problem of distributed formation tracking control and obstacle avoidance of multivehicle systems(MVSs)in complex obstacle-laden environments.The MVS under consideration consists of a leader vehicle with an unknown control input and a group of follower vehicles,connected via a directed interaction topology,subject to simultaneous unknown heterogeneous nonlinearities and external disturbances.The central aim is to achieve effective and collisionfree formation tracking control for the nonlinear and uncertain MVS with obstacles encountered in formation maneuvering,while not demanding global information of the interaction topology.Toward this goal,a radial basis function neural network is used to model the unknown nonlinearity of vehicle dynamics in each vehicle and repulsive potentials are employed for obstacle avoidance.Furthermore,a scalable distributed adaptive formation tracking control protocol with a built-in obstacle avoidance mechanism is developed.It is proved that,with the proposed protocol,the resulting formation tracking errors are uniformly ultimately bounded and obstacle collision avoidance is guaranteed.Comprehensive simulation results are elaborated to substantiate the effectiveness and the promising collision avoidance performance of the proposed scalable adaptive formation control approach.

无人驾驶中运用DQN进行障碍物分类的避障方法

安全是无人驾驶汽车需要考虑的首要因素,而避障问题是解决驾驶安全最有效的手段。基于学习的避障方法因其能够从环境中学习并直接从感知中做出决策的能力而受到研究者的关注。深度Q网络(DQN)作为一种流行的强化学习方法,在无人驾驶避障领域取得了很大的进展,但这些方法未考虑障碍物类型对避障策略的影响。基于对障碍物的准确分类提出一种Classification Security DQN(CSDQN)的车辆行驶决策框架。根据障碍物的不同类型以及环境信息给出具有更高安全性的无人驾驶决策,达到提高无人驾驶安全性的目的。首先对检测到的障碍物根据障碍物的安全性等级进行分类,然后根据不同类型障碍物提出安全评估函数,利用位置的不确定性和基于距离的安全度量来评估安全性,接着CSDQN决策框架利用障碍物类型、相对位置信息以及安全评估函数进行不断迭代优化获得最终模型。仿真结果表明,与先进的深度强化学习进行比较,在多种障碍物的情况下,采用CSDQN方法相较于DQN和SDQN方法分别提升了43.9%和4.2%的安全性,以及17.8%和3.7%的稳定性。

融合危险度模糊分级的UAV动态避障方法

针对无人机(UAV)在多障碍环境中面对运动障碍的反应式避障问题,为了在反应避障决策时能够朝向周围障碍更远、更少的方向进行避障,提出了一种融合障碍危险度模糊分级的三维速度障碍避障方法。通过三维速度障碍法,给出探测域内各运动障碍的碰撞预测。选取坐标系三轴方向作为相互独立的可用避障加速度方向,在速度及加速度限制下求解三轴方向上避障加速度方向以及数值区间。通过模糊算法,给出了周围其他静止障碍的危险分级方法,提出优化评价函数对计算各方向上的最优加速度,给出优化避障指令。仿真结果表明,针对复杂环境,UAV在反应避障的同时考虑了其他障碍的影响,相比原算法拥有了更高的避障成功率和更少的避障次数。

关于高速公路中分带障碍物护栏等级的分析

国内高速公路发生了多起大型货车冲破中分带护栏的事故,导致被撞击的桥墩、门架发生垮塌,需要有针对性地对中分带障碍物处的护栏进行提升,避免车辆撞击到障碍物,起到双重保障。通过论述车辆撞击中分带障碍物后造成事故的严重性,对高速公路中分带内障碍物、防护对象、障碍物空间分布等进行分类,结合《公路交通安全设施设计规范》(JTG D81—2017)的护栏防护规定、国内高速公路各类车型的自然数比例、各类车型在不同碰撞时速下的防护等级需求、历史交通事故以及护栏主要代表形式的最大横向动态位移外延值、车辆最大动态外倾当量值,研究确定中分带不同类别障碍物的防护等级及护栏形式,并根据高速公路实际实施情况给出推荐的护栏防护方案,达到降低中分带交通事故严重程度的目标。

基于发展潜力评价与障碍因子识别的村庄分类与发展策略研究——以河南新县为例

科学划分村庄类型并制定针对性的村庄发展策略是分类推进乡村振兴的基础。本研究以河南新县为例,分别采用综合指数法和障碍度模型测算村庄发展潜力,识别阻碍村庄发展的障碍因子类型和数量,并以此为基础进行村庄分类和分区,制定差异化的村庄发展策略。结果表明:新县村庄发展潜力存在明显的地域分异,呈现南北部和县城周边较高、东西部较低的总体空间格局,坡度、地质条件、人口和村庄用地规模、距县城和卫生院距离等是限制新县村庄发展的主要障碍因子,其中东南部的田铺乡和西南部的卡房乡个别村庄障碍因子数较多,未来继续保留发展的难度较大。新县全域村庄划分为特色保护类23个、城郊融合类9个、集聚提升类79个、搬迁撤并类13个、整治改善类69个,占比分别为11.92%、4.66%、40.93%、6.74%、35.75%,并采用SKATER空间聚类算法划分村庄发展分区,在此基础上依据各分区村庄发展特征、优势和短板提出针对性村庄发展策略。本研究可为村庄发展障碍因子识别及乡村振兴精准施策等相关研究和实践提供借鉴。

基于棒状像素的前景障碍物识别算法

障碍物分类是智能交通应用的核心功能。本文提出了一种探测和识别道路场景下车辆与行人的算法。首先,建立棒状像素(Stixel)并由图像坐标转换至世界坐标,投影生成鸟瞰图;然后,借助聚类算法,得到原图像中待识别区域;之后,提取灰度稠密尺度不变特征变换(gray-DSIFT)特征并利用费歇尔向量(FV)编码;最后,选用随机森林(RF)分类器区分前向车辆与行人。实验结果表明:提出的方法能够有效地区分前景障碍物中出车辆与行人,提高了前期探测障碍物的效率。

基于卷积神经网络的垃圾分类小车系统

目前,垃圾分类主要靠民众自主分类,以校区或居住点为单位,将已经初步分类的垃圾运输后处理,此方式往往容易导致错漏,效率低,针对该问题,本文提出基于神经网络的垃圾分类小车系统,旨在通过机械化的标准规范化初步垃圾分类,简化垃圾分类问题,提高资源再利用率。该系统通过基于卷积神经网络的YOLO物体识别系统识别垃圾种类后,利用机械臂自主夹取,以完成垃圾分类。此外,小车配备自主避障系统,能适应一般环境的路线规划,为垃圾分类的普及化和简易化提供思路。

基于视觉的移动机器人可通行区域识别研究综述

实现实时准确的可通行区域识别,是户外环境下移动机器人导航的重要组成部分。对基于视觉的移动机器人可通行区域识别研究进行了综述,首先介绍了移动机器人视觉导航常用的视觉系统,并从障碍物检测、地形分类两个方面介绍了该问题研究的进展,最后对该领域的技术发展趋势进行了探讨。

基于三维通行性的月球车自主导航

针对月球车的三维自主导航,提出了一种新的基于障碍物分类的通行性方法。通过对障碍物的几何特性和地形分析得到障碍分类图和平均坡度图,同时计算通行性指数作为月球车三维路径规划的评价函数。运用行为控制方法实现月球车的自主导航。最后给出了仿真结果,并论证了所提出的方法的实时性与有效性。

顾及障碍空间的城镇土地定级方法研究

在分析顾及障碍空间下测算定级单元作用分的补充修正法和障碍空间阻隔法的同时,提出了阻隔线阻隔法的基本原理和实现过程,并以湛江市市区土地定级为例,验证了阻隔线阻隔法。实验结果表明,阻隔线阻隔法能够有效地解决在矢量数据表达中障碍空间下定级单元作用分计算。

基于速度障碍圆弧法的UAV自主避障规划研究

提高复杂环境下无人飞行器(unmanned aerial vehicle,UAV)自主避障能力成为亟待解决的关键问题。针对现有避障算法忽略"潜在危险"障碍的影响和对多障碍避碰复杂的问题,建立障碍物威胁分级模型,提出一种速度障碍圆弧法,该方法通过速度障碍圆弧参数量化了威胁障碍的影响。同时,给出了速度障碍圆弧参数的系统计算方法,考虑了复杂环境下UAV与威胁障碍之间不同相对位置和相对速度情况。基于速度障碍圆弧法给出相应的避碰算法。以路径规划为实例对避碰算法进行了仿真验证,仿真结果验证了算法的有效性和实用性。

非结构环境理解综述

主要从特征提取信息和所使用传感器的角度分析了非结构环境理解的研究现状,从地形分类和障碍物检测两个方面对目前的研究工作进行了分析和比较,指出了目前这些工作面临的难题和今后的研究方向。

传感器感知盲区条件下智能汽车主动制动系统控制研究

传感器感知盲区是造成智能汽车交通事故的主要原因之一。为了降低传感器感知盲区对智能汽车主动安全性能的影响,对传感器感知盲区条件下的智能汽车主动制动系统控制进行了研究。首先,建立感知盲区数据库,并搭建卷积神经网络对其进行识别;其次,根据其运动特征进行分类,建立感知盲区条件下的安全距离模型;最后,基于上述安全距离模型对感知盲区内的潜在障碍物进行自车速度控制,达到主动避撞的目的。仿真和实车试验表明,提出的传感器感知盲区分类可以较好地表述感知盲区的运动特征,传感器感知盲区条件下的主动避撞安全距离模型对潜在障碍物有较好的预防作用,主动避撞算法提高了智能汽车在传感器感知盲区内的主动安全性能。

基于贝叶斯分类器的移动机器人避障

贝叶斯分类是一种基于贝叶斯定理的统计学分类方法,它是结合先验信息与样本信息计算出后验概率。介绍了一种基于贝叶斯分类的移动机器人避障方法,对摄像头所获得的图像进行图像分割以抽取图像的障碍物边缘信息,根据所得到的障碍物轮廓对其左右边界进行标定。叙述了朴素贝叶斯分类器在先验概率未知情况下的工作过程。基于朴素贝叶斯分类器对未知类标号的样本进行分类,从而得到机器人移动的控制指令。实验结果表明了该方法的有效性和可行性。

一种新的智能车辆前方障碍物识别方法研究

针对现有AdaBoost-SVM(Support Vector Machine)算法中训练轮数和核函数参数选取困难的问题,以及单一核函数无法兼顾学习能力和泛化能力的缺点,提出一种基于混合核函数的支持向量机分类算法——AdaBoost-MK-SVM,并应用于城区交通干道上前方障碍物的分类识别。该算法将混合核函数作为SVM的核函数,并结合AdaBoost对核参数进行自适应调整,从而得到一组弱分类器,然后将这组弱分类器加权组合得到一个强分类器。实验结果表明,该算法能有效地对城区交通环境下车辆前方障碍物进行分类识别,分类精度高,实时性好,具有一定的优越性。

基于雷达散射截面的汽车前方障碍物分类识别

识别汽车前方障碍物是汽车防撞技术的关键,仅对前方目标做距离或速度的检测会造成对目标的误判,影响报警系统的可靠性.为了识别不同的障碍物,研究了基于雷达散射截面(RCS)的汽车前方障碍物分类识别的方法.通过分析目标本身的物理特性及其RCS序列的统计特性,并对所得RCS序列进行梅林变换,提取有效特征,实现车前障碍物分类识别.将障碍物分为小轿车、大客车和行人3类,仿真验证了这种新方法的可行性.

多类农田障碍物卷积神经网络分类识别方法

针对农田作业场景中可能会遭遇更大生命财产损失的人和其他农业车辆等动态障碍物,提出了一种基于卷积神经网络的农业自主车辆多种类障碍物分类识别方法。搭建了包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层的卷积神经网络识别模型;建立了人和农业车辆的障碍物数据库,其中包括训练集和检测集;利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作,再次经过3×3卷积核的卷积操作和2×2池化操作后,通过自动学习获取并确定网络模型参数,得到最佳网络模型。试验结果表明,障碍物的检测准确率可达94. 2%,实现了较好的识别效果。

基于激光雷达特征提取和增量式数据关联的障碍分类判决

针对移动机器人导航中障碍检测与辨识问题,结合自行研制的移动机器人MORCS-1实验平台,在对二维激光雷达获得的障碍测距数据分析的基础之上,提出将无监督聚类学习应用于障碍的特征提取,基于有效性索引函数和自调整学习机制解决未知特征个数的类别划分,并将模糊逻辑引入到增量式测距数据关联对障碍的动静态属性进行分类判决.在研究所的办公室环境进行了特征提取和障碍分类实验,实验结果验证了该方法的有效性.

基于贝叶斯分类器的车载多类障碍物分类

文中基于朴素贝叶斯原理实现车载多障碍物的分类,对行人、车辆、骑自行车/摩托者等多类障碍物实现分类。贝叶斯分类器基于数学理论基础综合先验信息和数据样本信息,用于载多障碍物分类效果较好。从图片中目标区域进行特征提取,主要提取目标区域对称性,轮廓直线度,长宽比。利用贝叶斯分类器进行分类,实验结果表明,贝叶斯分类器能有效实现车载多类障碍物分类。

基于BP神经网络的障碍物模式识别

应用BP神经网络理论进行障碍物的模式识别,针对全向移动机器人的特点,构造出一种基于BP算法的神经网络分类器;应用超声波传感器采集的障碍物距离信息作为输入,期望的分类模式作为输出,并通过训练样本库中的数据,对BP神经网络分类器中的参数进行训练;通过matlab软件对训练的过程进行仿真,这种应用BP神经网络对障碍物模式的分类,在训练过程中能够得到很小的分类误差,并且用测试样本对生成的分类器进行测试,得到了正确的结果。从而说明这种BP神经网络分类器能够很好的对移动机器人周围障碍物的模式进行分类。