具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.

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。

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。

自动驾驶赛车路径与车速协同规划方法

自动驾驶赛车需实现路径与车速的同步规划以满足最快驾驶策略需求,但车辆行驶路径与车速的时空耦合关系使得优化问题难以构建与求解。为此,提出一种面向自动驾驶赛车的轨迹规划方法(Simultaneous path and speed planning,SP^(2)),实现路径与车速的快速协同规划。首先,构建包括赛道边界与车辆动力学约束的自动驾驶赛车轨迹规划问题;然后,建立赛车的稳态动作空间与包含时空位置信息的状态-动作空间,通过离线遍历法确定赛车的可行运动状态转移关系;接着,基于稳态动作空间与运动状态转移网,将原时间最优轨迹优化问题转换为单位时间步长内运动距离最远的优化问题,并通过滚动多步优化实现赛车圈速最小(时间最优)轨迹的优化。最后,开展自动驾驶赛车轨迹规划的仿真与微缩试验平台试验。结果表明,所提出的SP^(2)算法可以高效地实现自动驾驶赛车的全局路径与车速规划,并且较常规中心线轨迹具有更快的圈速。