无人驾驶方程式赛车系统动力学建模

以无人驾驶方程式赛车作为研究对象,基于MATLAB/Simulink研究车辆动力学建模,推导车辆三自由度运动学数学模型和动力学数学模型。根据三自由度数学模型结合Dugoff轮胎公式和轮胎转动计算公式,推导七自由度车辆动力学模型。在MATLAB/Simulink中建立车辆仿真数学模型,并验证了输入恒定前轮转角和初速度工况的仿真结果,为无人驾驶方程式赛车设计和测试建立了测试平台。

无人驾驶方程式赛车环境感知技术

对国内外无人驾驶环境感知技术进行总结归纳,分析其在无人驾驶方程式大赛背景下的适用性。首先对环境感知技术依据使用传感器的不同,进行分别概述分析,包括基于视觉、基于激光雷达和基于传感器融合的环境感知技术;同时讨论了各类感知技术在无人驾驶方程式赛车领域内的适用性以及存在的问题;最后对无人驾驶方程式赛车的环境感知技术未来发展趋势进行讨论与展望。

无人驾驶电动赛车线控制动策略开发

针对无人驾驶方程式赛车无人状态下的控制策略问题,提出了一种基于增量式PID的线控制动控制策略。通过采集赛车无人驾驶状态下的当前车速、目标制动压力和目标制动踏板位移量,使用增量式PID控制算法进行制动压力控制,使赛车减速到目标车速。使用MATLAB/Simulink仿真验证,结果表明在赛车减速时,基于增量式PID的线控制动控制策略能有效的控制制动压力,使赛车跟踪上目标车速。

无人驾驶方程式赛车横向运动控制研究

针对无人驾驶方程式赛车在变速和复杂曲率赛道条件下难以保证横向运动控制精度与行驶稳定性的问题,提出基于纯追踪控制与模型预测控制的横向运动混合控制策略;以赛车纵向车速作为依据,设计控制模式切换逻辑,当赛车处于低速行驶工况时采用纯追踪控制,高速行驶时采用模型预测控制,并使用模糊控制算法设计切换控制器,实现2种算法的平滑切换;使用CarSim与MATLAB/Simulink联合仿真实验进行验证。结果表明,在变速与复杂曲率赛道条件下,所提出的控制策略能保证无人驾驶方程式赛车横向位置误差小于0.2 m,质心侧偏角小于0.15°,具有较好的跟踪精度与行驶稳定性。

无人驾驶方程式赛车线控制动控制策略研究

针对无人驾驶方程式赛车在减速时对纵向速度跟踪精度不高的问题,提出一种适用于无人驾驶方程式赛车线控制动系统的控制策略。采用增量式PID控制算法作为线控制动控制策略,采集当前实际纵向速度、整车加速度等车辆状态信息进行处理,并将实际纵向速度与期望纵向速度的差值及差值变化率与当前时刻加速度大小作为增量PID控制器的输入量,控制器控制赛车减速。应用CarSim与Simulink进行Autocross工况联合仿真实验验证,结果表明该线控制动系统控制策略能够较好地满足赛车减速需求,响应延迟不超过250 ms,减速时速度误差控制在6 km/h以内,可以实际应用于无人驾驶方程式赛车。

无人驾驶方程式赛车轨迹预测跟踪控制

为提高车辆轨迹跟踪的稳定性与实时性,并针对传统MPC算法轨迹跟踪精度不足的问题,提出了一种基于LQR求解的多帧预瞄的最优控制方法,并将其应用于FSAC赛车上。首先建立赛车的运动学模型,再将非线性系统作线性化处理,获得所需的线性时变误差模型。结合控制序列递推赛车往后一段时域内赛车状态的预测模型,通过离散参考轨迹函数,获得预测时域内的最佳参考点序列,利用赛车实时状态和控制输入序列构造二次型目标函数,迭代求出预测时域内的最优控制序列,输出车轮转角和赛车纵向速度来实现赛车对期望轨迹的跟踪。最后,通过构建仿真环境测试和实车测试验证算法的跟踪精度和稳定性,算法达到预期的效果。

基于预测模型的无人赛车路径规划算法研究

针对无人驾驶电动方程式赛车极限工况下的路径规划问题,提出一种基于预测模型的无人赛车路径规划算法。通过目标函数设计将路径规划问题转化为最优化问题,并将车辆动力学预测模型作为等式约束,依据赛车的稳态行驶特性,构建赛车行驶稳定性组合约束,并综合考虑边界约束,生成满足赛车行驶要求的路径。在不同附着条件下进行了仿真测试,结果表明,在满足实时性要求的前提下,所提出的算法能够有效减小车辆前、后轴侧滑的风险,且在多项指标上优于RRT^(*)算法以及基于三次自然样条曲线的最优二次轨迹规划方法。

应用YOLO v4模型的赛道锥桶检测与识别方法

为快速检测与准确识别赛道锥桶,提出了一种基于YOLO v4模型的赛道锥桶检测与识别方法。首先依据复杂多变的赛道场景采集了多张锥桶图像作为数据集原始数据,在工控机上进行锥桶数据集制作、训练和模型选取;然后搭建基于YOLO v4模型的锥桶检测与识别系统,选择三种较为常见赛道场景进行实车试验。试验结果表明,所提出的方法在不同光照条件下仍能快速检测并准确识别目标锥桶,特别是在锥桶较为密集且多个锥桶目标重叠的场景下,置信度达到0.91以上,具有较强的鲁棒性,且实时检测的平均帧率达到35f/s,能够满足无人驾驶方程式赛车对感知系统准确性和实时性的需求。

基于激光雷达和摄像头的FSAC赛车锥桶感知算法研究

针对赛场环境下无人驾驶方程式赛车感知系统中锥桶检测准确率较低的问题,提出了一种基于激光雷达和摄像头标定融合的锥桶检测算法。首先,对激光雷达采集的点云进行滤波、地平面滤除、欧式聚类,得到感兴趣区域内锥桶的空间位置信息;其次,通过标定后得到的摄像头的内外参矩阵将锥桶空间位置信息投影到像素平面内,并在HSV颜色空间下对锥桶空间位置周围一定区域内H通道的像素点进行颜色判断,从而获得锥桶的颜色信息;最后,将得到的锥桶颜色信息附加在锥桶的空间位置上以实现信息融合,在校园内模仿赛场环境进行实验验证。结果表明,标定融合算法能够满足赛场上不同项目的比赛要求,避免了使用单一传感器算法时出现对锥桶漏检误检的情况。因此,标定融合算法可实现对锥桶的有效检测,丰富了检测目标的信息,提高了检测锥桶的准确性,为方程式大赛中使用传感器融合进行锥桶检测提供了参考。

基于改进YOLO算法的FSAC赛车实时目标检测系统

针对中国大学生无人驾驶方程式大赛(Formula Student Autonomous China,FSAC)赛车目标检测系统检测速度较慢和鲁棒性较差的问题,文章提出了一种基于改进YOLO算法的实时目标检测方法。以YOLOv3-tiny网络为基础,根据目标物较为细长、尺寸较小的特点,使用k-means算法对数据集中的真实边界框进行聚类,选取合适的边界框数量和规格改进YOLOv3-tiny网络结构,使其目标检测时能融合更大的尺度信息,对小目标物检测更加有效和准确;将改进的算法部署在机器人操作系统(robot operating system,ROS)中,并将实时目标检测系统搭载到NVIDIA Jetson TX2嵌入式开发板中,形成适用于FSAC大赛特定场景的轻量化实时目标检测系统。实验结果表明,改进算法的召回率达到94.1%,比原始算法提高了11.8%;准确率达到93.2%,提高了3%;在NVIDIA Jetson TX2中画面每秒传输帧数FPS达到20,检测速度满足实时检测需求。

基于改进的YOLOv5的交通锥标检测系统

针对中国大学生无人驾驶方程式赛车目标检测系统当前算法检测速度较慢,在不同场景下容易出现检测精度低,漏检、误检现象严重等问题,文章设计了一种适用于锥标颜色的整体检测系统,在识别模块中,首先,为了提高原YOLOv5基础模型检测速度和识别精度,采用CIoU作为边界框回归损失函数,针对训练时收敛速度慢和算法识别精确度低的问题,将原加权非极大抑制方式更改为DIoU_NMS,测试精度为0.963,相较于原算法提高了2.1%,结果表明改进后的算法更适合比赛场景下锥标颜色识别。其次,在跟踪模块中,对深度表观特征锥标颜色重识别模型进行训练,将单目标跟踪算法改为可以对多种类别目标进行跟踪,相比于单一的目标检测算法,有效降低漏检现象,最后,添加测距模块,利用检测框高度信息进行车载摄像头到锥桶的测距,90 m以内的平均误差小于9%。整个系统的帧率达到20 FPS,实现锥标颜色识别和距离的有效测量,为比赛提供更多的数据支持。