汽車智能避障仿真研究范文

本站小編為你精心準備了汽車智能避障仿真研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《計算機仿真雜志》2014年第六期

1汽車避障原理

汽車避障研究的目的是使得汽車能夠在未知環境中通過不斷學習前述環境中感知的知識，不斷增加自我學習的能力，增加學習方法的經驗改善而具備高度自主避障的能力。常用的汽車避障方法主要有模糊邏輯算法、環境地圖法和神經網絡法和機器學習法。1)模糊邏輯法:模糊邏輯算法采用模糊邏輯控制的思想來實現汽車的自主避障控制，采用外界傳感器采集一定量的外界數據，在采集數據分析的基礎上，通過多個關鍵特征的提取，輸入到模糊邏輯控制單元，模糊邏輯控制單元綜合考慮多個輸入因素的特征分布，給出當前的避障方法，控制汽車避障運動。2)環境地圖法:環境地圖法事先將地圖信息植入到汽車存儲系統中，在汽車避障行駛的過程中，不斷采集外界信息，并且與地圖信息進行實時的比對分析，通過分析結果控制汽車安全避障，但此種方法對于新的環境不具有適應性，并且對地圖匹配和識別的要求很高，且避障的精度嚴重受限于圖像匹配的精度。3)神經網絡法:神經網絡法與模糊邏輯法的控制思想基本相同，采用神經網絡融合系統的大量信息，然后綜合給出神經網絡的輸出避障控制方法，實現避障。但是神經網絡系統存在一定的不穩定性，有時甚至出現發散的現象，作為安全要求性很高的汽車避障系統，是不允許這種不安全因素發生的。4)機器學習法:機器學習法是一種復雜環境中的知識獲取新途徑。機器學習法與已有的監督學習法和無監督學習法不同，通過增強學習可以利用與環境的交互而獲得的評價性反饋信號來實現避障算法優化的性能，在避障中，是一種試錯學習的方式。但算法存在一定局限性，主要是因為算法復雜度過高，無法實時應用。綜上而言，當前的汽車避障方法的弊端主要體現在算法模型的完整性不夠好，不能完整的構建系統的避障模型，所以分析效果較差;另一方面，算法的穩定性差，甚至不收斂，復雜度高，可行性差，這些因素嚴重限制了避障方法的應用。

2復雜障點分布模型

復雜障點分布模型是一種對復雜障點的狀態和量度進行標定的模型建設方法，以純數學的方式建立模型，用于微分方程求解。復雜障點模型可以解釋為障點信號在分析平面內繞原點旋轉任意角度后構成的復雜障點模型域上的表示。其定義式如下。從上述定義可以發現，復雜障點模型的輸入可以看作是將輸入分解在復雜障點模型域的一組完備正交基上，通過改變旋轉角度α便可以得到不同的基，使復雜障點模型的信號在某個基上達到最佳的能量聚集特性，從而對復雜障點模型的檢測信號具有很好的作用。工程應用中需要計算復雜障點模型的分數階，目前已有不同的復雜障點模型快速算法，使得復雜障點模型可用于工程實踐中。本文采用直接將連續復雜障點模型離散化的方法來獲得離散復雜障點模型的核矩陣。此種方法在改變分數階冪p時不需要重新計算整個過程，只需計算一個對角矩陣即可，較大的提高了實時計算的效率。而且與復雜障點模型有非常相近的輸出結果。復雜障點模型變換時，分數階復雜障點模型變換的性質則說明了信號改變引起其在分數階復雜障點模型變換域的變換關系。設x(t)是一個復雜障點模型的抽象信號，Xp(u)表示x(t)在階數為p值的分數階復雜障點模型變換，定義up軸為p階分數階復雜障點模型域。up和up+1是正交的，而up+1和up－1是共線的且彼此反向。另up和up''''是任意兩個非正交的分數階復雜障點模型變換域，復雜障點模型相關信號在它們之間表示為。

3基于復雜障點凝聚的汽車智能避障方法

汽車智能避障方法的復雜障點凝聚技術是指通過對多個汽車智能避障信號進行提取，形成障點分析的原始數據，然后同時對多個障點信息進行深度分析，提取出信號的有用信息和特征，最后融合輸出障點信息。一個汽車智能避障數據的障點信號形式為定義:。復雜障點分析的小波峰脊軌跡表明，對于復雜障點分析的障點信號，理論推導結果正確，對于復雜障點分析的信號，在靠近1的尺度附近，其小波峰脊具有與障點特性類似的直線軌跡特性，事實上，如果將障點信號的瞬分析率進行級數展開，可以得到:通過上面基于復雜障點凝聚的汽車智能避障算法，可以很好的實現障點凝聚分析，從而大大改進避障的效果。避障中，通過最近障點與其余所有障點數據的有效凝聚，可以很好的實現信息融合，從而最終給出最佳的避障方案。

4仿真與結果分析

為了測試基于復雜障點凝聚的汽車智能避障方法對于復雜障點環境下的避障性能，采用一組低復雜的多障點進行實際的測試實驗，原始障點分布如圖2所示。從圖2可以看出，原始障點散布在仿真平面的各個部分，雜亂無章，無法看出有效的避障路徑來實現避障，所以，面對上述實驗環境，如果采用傳統的避障方法，則系統計算避障路徑的難度會非常大，因為系統障點數目的增多。

作者：王崇單位：齊齊哈爾大學計算機與控制工程學院