基于激光传感器的无人驾驶变换轨迹跟踪系统

针对常规无人驾驶轨迹跟踪过程依据一个给定的参考轨迹,存在跟踪角度及速度协同性较差、精度较低的问题,提出基于激光传感器的无人驾驶变换轨迹跟踪系统。设计包含激光传感器、电机控制、液晶显示、上位机通讯模块、键盘控制、微控制器的硬件结构,根据角速度及速度误差调整角速度协同控制器误差,通过神经元加权处理偏置数,优化双推角速度协同控制效果;引入滑模控制器,得到速度控制指令及角速度控制指令回角速度协同控制器,通过轨迹控制器和角速度协同控制器的设计,实现无人驾驶变换轨迹跟踪控制。实验结果表明,应用该系统后,角度轨迹跟踪结果更接近期望角度,直线状态和曲线状态下的轨迹跟踪误差均较小,最高为4 cm,轨迹跟踪精度高、定位准,整体应用效果更佳。

无人驾驶农机避障路径跟踪仿真与验证

【目的】为便于验证无人驾驶农机避障路径跟踪的效果,减少实际无人农机试验次数与消耗,设计一种无人驾驶农机避障路径跟踪仿真验证方法,构建一个仿真验证应用系统。【方法】以无人农机为基础,集成真实复杂地形环境仿真、实际作业农机仿真和路径规划算法植入,构建一个一体化仿真验证应用系统。基于三维SLAM技术,采集环境点云数据,实现农田地形环境仿真建模,构建阿克曼转向机械结构的农机仿真建模,提出一种基于农机动力学约束的TEB局部路径规划算法;在仿真验证应用系统中实现路径规划跟踪及避障,并通过多次测试验证该算法的有效性。【结果】避障路径跟踪有效性对比测试和避障路径跟踪平顺性验证测试结果表明,无人农机行驶过程中可有效动态避障,最短有效避障距离为4.1 m。路径跟踪控制效果良好,障碍物距离大于5.0 m时,可控平均误差≤0.4305 m,均方根误差≤0.3151 m;障碍物距离在4.5~5.0 m时,可控误差均值≤1.3538 m,均方根误差≤1.6126 m。【结论】本文提出的改进TEB算法具有较强的作业能力以及较高的作业精度,满足农业机械导航避障路径跟踪仿真验证的需求,该算法可应用于无人农机在实际农田环境的避障路径跟踪。该应用系统易于扩充,为精准农业中针对各种复杂作业环境的农机运作状态的优化设计研究提供基础。

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。

融合反步法的无人驾驶汽车轨迹跟踪控制方法

为了解决无人驾驶汽车轨迹跟踪控制的准确性、稳定性和快速性问题,将反步法分别融合滑模变结构控制和模糊自适应控制.建立车辆三自由度运动学位姿误差微分方程,推导了基于反步法的车速和横摆角速度控制律,结合Lyapunov稳定性判据验证了系统稳定性.分别建立融合反步法的滑模变结构和模糊自适应轨迹跟踪控制方法,结合轨迹跟踪稳态误差、超调量和调整时间,验证、比较了控制方法准确性、稳定性和快速性3种性能的优劣.结果表明:融合反步法的滑模变结构轨迹跟踪控制的稳定性最好,轨迹跟踪超调量接近于0;融合反步法的模糊自适应轨迹跟踪控制快速性最好,轨迹跟踪调整时间相对于反步法缩短了18.2%.

无人驾驶拖拉机路径跟踪控制方法综述

为加快农业现代化的发展,农机自动化、智能化是我国农业机械的发展趋势。无人驾驶拖拉机能够提高作业精度与作业效率,减少投入成本,是近年来智能农机装备领域的重要研究对象。为此,介绍了无人驾驶拖拉机的两种主要建模方法以及5种路径跟踪控制方法。同时,对该技术发展提出了建议:应进一步深入研究曲线行驶和转弯控制方法,分析不同路面的影响,综合考虑成本与控制方法鲁棒性、适应性之间的平衡关系。

无人驾驶的道德困境

无人驾驶技术实现了对人类的解放,但一系列道路安全事件的发生,使无人驾驶技术面临四重道德困境:其一,无人驾驶在道德决策方面的两难处境;其二,在确定无人驾驶的道德决策主体方面的困境;其三,在无人驾驶事故应该如何归责方面的困境;其四,在平衡无人驾驶技术带来的现实功用与隐私安全风险方面的困境。这四重道德困境,正在持续考验无人驾驶技术的方向盘,是交由机器掌握,还是人类之手来掌握。

露天矿山无人驾驶编组运行关键技术

分析了当前国内外露天矿山智能化发展现状;介绍了无人驾驶编组运行阶段关键技术,包括:构建智能化管理与监控系统、无人驾驶改造、数据实时传输,以及构建协同作业管理系统和无人运输安全防护网,从而实现露天矿山装、运、排联合作业智能化。结果表明:逐步完善监控、数据处理、路径规划、防护措施,可保障无人驾驶编组运行稳定推进,为消除人员不安全行为、保障职工生命健康、降本增效提供现实可行性,从而实现智能化露天矿山安全稳定发展目标。

基于嵌入式技术的无人驾驶货运系统设计

针对目前货运行业人力成本高且效率低的问题,设计一种基于嵌入式技术的无人驾驶货运系统。该系统通过摄像头扫描目标地址即可携带货物自动到达并返回,同时对于复杂货运场合可实现多系统独立工作。设计采用嵌入式芯片STM32F4和串级PID算法,通过K210和OpenMV摄像头模块采集地址和轨迹信息,实现货运系统的自动运送过程。经测试,该系统能准确完成货运任务,反应灵敏,性价比高,可广泛应用于货运场合。

面向无人驾驶车避障的光跳频激光雷达探测目标智能主动跟踪方法

无人驾驶车避障主动跟踪方法在与激光雷达目标融合的过程中,受激光雷达光跳频信号散射作用的影响,信号回波接收精度出现严重偏差,导致避障跟踪稳定性及其精准度均出现不同程度降低,严重威胁无人驾驶车辆行驶安全。为解决此问题,从激光雷达目标跟踪技术入手,首先建立雷达目标跟踪模型,确定优化目标系数;接着对光跳频激光雷达探测信号进行扰动优化,修正扰动偏差数据及其参量;最后通过避障目标的主动跟踪数据对优化数据进行合成,整理收尾数据输出效果。对提出方法进行仿真测试,结果表明其各项性能均符合设计预期设定标准,满足实际应用与推广的相关要求,具有广阔的发展前景。

传感器在无人驾驶汽车中的应用

目前,传感器在无人驾驶汽车中得到广泛应用,可极大地提升车辆的感知能力,促使车辆保持高效运行。该文对传感器及无人驾驶汽车进行概述,分析传感器在无人驾驶汽车中的具体应用,包括视觉传感器、雷达传感器、声音传感器,探讨传感器在无人驾驶汽车中的应用趋势,以充分发挥传感器功能,促进无人驾驶汽车领域发展。

面向无人驾驶车辆的行车安全场模型构建方法

针对全面系统评价无人驾驶车辆行车安全方法欠缺的问题,提出一种改进的无人驾驶车辆行车安全场模型。考虑无人驾驶车辆复杂道路因素,人工智能(AI)系统感知、决策、控制3大模块的特性对无人驾驶车辆行车安全的影响,基于胡克定律,建立动态势能场及安全行为场相结合的无人驾驶车辆行车安全场数学模型,以此表征道路上静止物体、运动物体与AI系统自身等因素造成的行车风险。结合典型行驶场景的行车安全分析验证所提模型的正确性和可用性。

隧道环境内无人驾驶车辆目标决策两级信息融合感知策略

基于隧道内的特殊行驶环境和无人驾驶感知需求,选择合适的传感器及硬件搭建试验车辆,构建了毫米波雷达与摄像头多传感器融合的感知系统;基于YOLOv4目标级信息融合算法和改进D-S证据理论决策级信息融合算法,提出了一种“目标决策”两级信息融合策略;最后,在城市道路隧道环境内开展了感知信息两级融合验证试验,试验结果表明:相比单一的摄像头或毫米波雷达感知效果,基于摄像头与毫米波雷达传感器感知ROI区域关联实现的目标级融合结果可以提高9.51%的识别准确率,弥补了单一传感器在隧道环境内感知技术的不足;基于目标级融合感知结果,利用改进后的D-S证据理论算法再进行决策级融合,相比于单一的目标级融合结果,误检率降低了3.61%,显著提高了检测精度。采取多传感器感知信息目标决策两级融合策略能够满足隧道特殊环境内无人驾驶车辆可靠感知需求,为推动无人驾驶技术落地应用提供了理论与技术支撑。

煤矿井下无人驾驶轨道电机车障碍物识别

针对现有煤矿井下无人驾驶轨道电机车因巷道环境恶劣导致障碍物识别精度低的问题,提出用于无人驾驶电机车障碍物精准实时检测的PDM-YOLO模型.基于YOLOv5,将模型C3模块中的传统卷积替换为部分卷积,构建C3_P特征提取模块,有效减少模型的浮点运算量(FLOPs)与计算延迟.采用改进后的解耦头,对传统YOLOv5的预测头进行解耦,提高模型的收敛速度及对障碍物的识别精度.优化Mosaic数据增强方法,丰富训练图像的特征信息,提高模型的普适性和鲁棒性.实验结果表明,PDM-YOLO模型在自制数据集上的平均检测精度(mAP)达到96.3%,平均检测速度达到109.2帧/s,PDM-YOLO模型在PASCAL VOC公共数据集上的检测精度高于现有主流的YOLO系列模型.

基于STAMP与模型检验的全自动无人驾驶复杂运营场景安全验证方法

与传统列控系统相比,全自动无人驾驶运营场景更加复杂多变,潜在的危险及致因具有更强的隐蔽性和复杂性,给运营安全带来了新的挑战。针对以上问题,提出一种STAMP(Systems-Theoretic Accident Model and Process)与模型检验相结合的复杂运营场景安全验证方法。首先,基于STAMP理论构建运营场景分层控制结构模型,辨识潜在的不安全控制行为、分析危险致因和安全约束;其次,定义分层控制结构模型与安全状态机模型间的基本转换规则,基于分层控制结构模型、安全约束和转换规则,构建运营场景安全状态机模型;最后,针对提取的安全约束,利用数据流图建立安全属性验证模型,结合模型检验技术,对运营场景安全状态机模型进行形式化验证。以全自动无人驾驶运营场景中列车自动进站停车为例,对方法进行验证分析。结果表明,当STAMP理论提取的安全约束通过了场景安全状态机模型的验证时,表示在该场景中对应的不安全控制行为没有发生且不导致相应危险。该方法结合系统安全分析与形式化建模验证的优势,降低了运营场景建模的难度,构建的运营场景形式化模型满足系统安全约束,可以作为全自动无人驾驶系统安全设计和安全改进的重要基础。

无人驾驶农机装备的模糊PI-LQR转向控制算法

无人驾驶农机装备转向系统处于小流量、小角度控制时会出现非线性和时滞,这会导致转向控制超调或者控制时滞,进而导致无法快速准确地跟踪到路径预瞄点。针对这个问题,本文提出了一种模糊比例积分-线性二次型调节器(PI-LQR)数据融合的内外环控制算法。该算法以模糊PI控制为内环,基于转角误差和转角误差变化率,通过模糊逻辑运算自适应调节PI参数,进行转向角度的闭环控制。以LQR控制为外环,基于农机装备XY-横摆角控制,融合内环的转角误差,进一步提升无人驾驶农机装备转向的精准控制。Carsim和Matlab/Simulink联合仿真表明:通过100 m长的双移线路径下,最大横向误差为0.18 m,最大横向摆角误差为0.067 rad。实车测试表明:通过100 m长的双移线路径下,最大横向误差0.26 m,相较于PID纯跟踪控制算法,最大横向误差减少了0.19 m。

隐私视角下乘客对无人驾驶出租车服务的信任研究

乘客信任是无人驾驶出租车服务推广和广泛应用的关键之一。以数据驱动的无人驾驶出租车服务在给乘客提供价值的同时,其隐私安全问题将引起乘客的担忧,从而引发乘客的信任危机。为揭示隐私视角下影响乘客对无人驾驶出租车服务信任的因素和作用效应,本文从乘客的心理感知方面出发,结合隐私计算理论和信任理论,通过扎根理论分析方法构建出影响因素理论模型,并运用结构方程模型进行实证分析。研究表明:(1)影响因素中感知隐私风险除了个人信息隐私风险,还存在监控隐私风险新因素;感知隐私收益除了传统个性化服务,还存在功利性利益、利他利益2个新因素。(2)各因素对不同维度的信任存在显著影响,并且影响路径有所差异,其中,个人信息隐私风险、监控隐私风险对能力信任、善意信任、正直信任存在显著负向影响;功利性利益、利他利益仅对能力信任、正直信任存在显著正向影响,对善意信任存在不显著影响;而个性化服务只对正直信任产生显著正向影响。研究结果可以为提高乘客对无人出租车服务信任提供一定的理论依据,同时对企业推广普及无人驾驶出租车服务具有重要的理论指导意义。

基于线控底盘的无人驾驶轨迹跟踪控制研究

为提高结构化工况下无人驾驶汽车轨迹跟踪的精确性,提出一种融合纵向车速跟踪控制器的预瞄轨迹跟踪控制算法。针对四轮转向的特性,基于传统纯跟踪算法设计了四轮转向纯跟踪控制模型;针对纯跟踪算法跟踪效果受车速影响较大的缺陷,设计了纵向车速跟踪控制器并采用n维插值表方式在不同曲率处设置不同车速;将四轮转向纯跟踪算法融合纵向车速跟踪控制器,以达到更好的跟踪效果。仿真与实车试验表明,试验平台可较精确地跟踪规划轨迹并平稳抵达目标终点,实车轨迹跟踪过程中最大横向误差控制在0.497m。

露天矿山无人驾驶运输效率评估方法

为了帮助矿山业主单位明确地评估无人驾驶运输系统与传统人工运输系统之间的运输效率比,以及帮助无人驾驶系统开展调度算法优化;提出了无人驾驶系统效率评估中的3种评测方式,以及在不同评测周期内应采用的关键指标,并对不同评测方法的适用场景进行展开讨论。结果表明:此评测方法广泛适用于不同矿山生产和测试条件下的场景和需求,具备行业的通用性和适用性。

无人驾驶虾蟹投饲自主作业船及智能管控平台研发与应用

本文结合多功能无人驾驶投饲船,基于“物联网+大数据”技术,开发一种多水域集群作业自主导航虾蟹养殖船智能管控平台。可在手机或电脑端对多片水域的多条无人船进行远程集群调度,按时按需精准投饵。通过无人船上的水质传感器实时监测水体的各类水质参数,对异常水域在后台直观显示、预警,并调用对应水域的无人船开展有针对性的施药喷洒防治。大幅降低人工成本,提高水产养殖效益。可为拥有较大水域多片水域的大规模虾蟹水产养殖户或众多委托管理的单水域养殖户提供作业和管理服务,使水产养殖装备向着自动化、信息化、规模化、精确化方向发展,大幅降低人工成本,提高水产养殖效益,对虾蟹养殖技术的发展具有十分重要的意义。

基于改进YOLOv5的无人驾驶农业车辆视觉检测

【目的】机械化、智能化、信息化是现代农业的发展方向,为了解决无人驾驶农业车辆环境感知这一难题,实现对车辆前方目标的实时视觉检测,提出一种基于改进YOLOv5的轻量化目标检测算法。【方法】采用轻量化的Ghost模块替换网络中原有的卷积层,极大地降低模型的参数量;修改颈部网络结构,增设新的检测层,增强网络对小目标的检测能力;引入CARAFE算子,提升网络对语义信息的提取能力;通过TensorRT对改进后的网络模型进行优化后,将其部署在Jetson Nano嵌入式平台上。【结果】改进后的算法在KITTI数据集上检测精度达到91.3%,参数量显著降低44.3%,并且在嵌入式平台上可以实现实时运行。【结论】改进后的算法可以在保证轻量化的前提下,很好地实现农业车辆对前方行人、车辆等目标的检测,具有一定的现实意义和应用价值。