《智能汽車避障系統(tǒng)設(shè)計》6500字

智能汽車避障系統(tǒng)設(shè)計綜述在智能車輛的研究中，躲避障礙物總是一個重要課題，值得對智能車輛技術(shù)進行徹底的研究。為了獲得更好的障礙物規(guī)避效果，特別是障礙物規(guī)避算法的設(shè)計也是非常重要的。在本文中，智能車輛的躲避障礙物策略一方面是通過收集智能車周圍的環(huán)境信息，另一方面是智能車采用的躲避障礙物的方法來實現(xiàn)的。本文基于超聲波傳感器在測距方面的優(yōu)點，例如穩(wěn)定性能，強指向性，視覺傳感器高靈敏度，動態(tài)范圍廣，采用了將超聲波和視覺傳感器收集的信息融合的多傳感器信息融合技術(shù)。實現(xiàn)知性車輛的障礙物回避信息收集。1.1多傳感器信息融合多傳感器信息融合技術(shù)指的是將數(shù)據(jù)信息從相同或不同類型的多個傳感器分類并處理，然后根據(jù)特定規(guī)則將這些傳感器的冗余或補充信息處理在時間或空間上。從而得出測量對象一致性的結(jié)論[16]。由于傳感器只能提供智能車輛本身的一些狀態(tài)的單個信息，因此此時獲得的信息是片面的，可靠性低，從而降低智能車輛本身的控制判定精度。通過使用多個傳感器來收集信息和信息融合技術(shù)，可以獲得更準(zhǔn)確有效的信息，對于智能車的下一個決策是有用的，并且可以提高整體智能車系統(tǒng)的可靠性。1.1.1多傳感器信息融合結(jié)構(gòu)由于多傳感器信息融合的結(jié)構(gòu)不同，其處理信息的方式也不相同，現(xiàn)根據(jù)處理方式的不同，將多傳感器信息融合結(jié)構(gòu)劃分成以下這四種結(jié)構(gòu)[11]：集中型、分散型、混合型、反饋型。（1）集中型集中型多傳感器信息融合結(jié)構(gòu)是直接接收信息融合中心用所有傳感器收集的原始信息。在該結(jié)構(gòu)中，當(dāng)傳感器收集的信息結(jié)束時，直接將傳感器收集的數(shù)據(jù)發(fā)送到信息融合中心而不預(yù)處理。具體融合結(jié)構(gòu)圖如圖1.1所示。圖1.1集中型多傳感器信息融合結(jié)構(gòu)圖（2）分散型分散信息融合結(jié)構(gòu)的特征是，首先局部預(yù)處理各傳感器收集的信息，壓縮本地預(yù)處理后的信息，取得壓縮數(shù)據(jù)，將壓縮數(shù)據(jù)發(fā)送到信息融合中心。然后，融合中心對接收到的信息進行組合推論，最終獲得數(shù)據(jù)融合的結(jié)果。與集中結(jié)構(gòu)相比，集中結(jié)構(gòu)具有低信道容量要求和合理計算和分配的優(yōu)點。但是由于該結(jié)構(gòu)在對原始信息進行局部預(yù)處理時，可能會失去部分重要信息，導(dǎo)致后期融合得到的信息并不完整[17]，因此，該結(jié)構(gòu)所獲取的信息精度沒有集中型結(jié)構(gòu)的高，這種結(jié)構(gòu)一般適用于遠(yuǎn)距離配置的多傳感器系統(tǒng)。具體融合結(jié)構(gòu)圖如圖1.2所示。圖1.2分散型多傳感器信息融合結(jié)構(gòu)圖（3）混合型混合信息融合結(jié)構(gòu)完全吸收了集中信息融合結(jié)構(gòu)和分散信息融合結(jié)構(gòu)的特性。在該結(jié)構(gòu)中，存在集中的分布式處理的兩個步驟。在信息融合處理之后，這種結(jié)構(gòu)可以獲得理想的信息融合結(jié)果?；旌辖Y(jié)構(gòu)比集中分散結(jié)構(gòu)具有明顯的優(yōu)點，但其信息處理過程更復(fù)雜，通常用于大規(guī)模融合系統(tǒng)?；旌闲腿诤辖Y(jié)構(gòu)圖如圖1.3所示。圖1.3混合型多傳感器信息融合結(jié)構(gòu)圖（4）反饋型這是一種利用信息的相對穩(wěn)定性和原始積累反饋將信息融合并對其進行后處理的有效方法。即，信息融合中心接收到的信息不僅包括傳感器收集到的原信息，還包括融合后的信息。這些完整的信息可以表示環(huán)境的大部分環(huán)境特點。而且，這對于當(dāng)時傳感器收集的原始信息的融合有很好的指導(dǎo)，由此可得，反饋型結(jié)構(gòu)對于信息的融合處理具有良好的促進作用。具體融合結(jié)構(gòu)圖如圖1.4所示。圖1.4混合型多傳感器信息融合結(jié)構(gòu)圖1.1.2多傳感器信息融合方法及實現(xiàn)信息融合的研究內(nèi)容是非常豐富的，涉及到了各個學(xué)科的知識，目前信息融合的方法大致可以分為以下兩類：概率統(tǒng)計方法、人工智能方法。其中概率統(tǒng)計法包含有卡爾曼濾波、貝葉斯等；人工智能方法包括有D-S證據(jù)推理、模糊理論以及專家系統(tǒng)等。其中貝葉斯估計、D-S證據(jù)推理、模糊理論占到整個信息融合算法的80%左右[18]。1.多傳感器信息融合方法（1）卡爾曼濾波卡爾曼濾波是一種遞推估計，當(dāng)最后時刻的估計值和當(dāng)前時刻的觀測值已知時，計算當(dāng)前時刻的估計值。在實際工程應(yīng)用中，當(dāng)系統(tǒng)對數(shù)據(jù)處理不穩(wěn)定時，會對信息融合產(chǎn)生很大影響?？柭鼮V波器為融合數(shù)據(jù)提供了唯一的最優(yōu)估計。（2）貝葉斯估計貝葉斯估計是融合靜態(tài)環(huán)境中多傳感器低層次信息的一種常用方法[19]。該方法首先分析收集的信息，刪除低可靠性的信息，使用貝葉斯相關(guān)定理計算各輸出的貝葉斯估計。（3）D-S證據(jù)推理D-S推理具有處理不確定信息的能力，其證據(jù)理論滿足比貝葉斯更弱的條件，具有直接表達“不確定”和“不知道”的能力，并且具有較強的容錯能力。（4）模糊邏輯由于模糊邏輯在模糊邏輯應(yīng)用中不需要建立準(zhǔn)確的數(shù)學(xué)模型，所以主要在非線性系統(tǒng)中使用，并且可以將專家知識直接轉(zhuǎn)換成控制信號。其具體實現(xiàn)包括以下四個步驟：輸入/輸出量的模糊化、模糊推理設(shè)計、模糊推理過程以及去模糊化四個步驟。2.多傳感器信息融合方法實現(xiàn)與經(jīng)典的信息處理方法相比，多傳感器信息融合技術(shù)更為復(fù)雜。多傳感器信息融合包括數(shù)據(jù)電平融合、特征等級融合和判定等級融合三個等級。數(shù)據(jù)級融合是低水平融合，特征級融合是中間級融合，判定等級融合是高水平融合。（1）數(shù)據(jù)級融合數(shù)據(jù)層融合指的是無任何處理也可通過傳感器收集的原始信息的直接數(shù)據(jù)融合解析。因此，數(shù)據(jù)水平融合有大量的運算，由于存在某種盲目性，因此在數(shù)據(jù)融合技術(shù)的應(yīng)用中，數(shù)據(jù)水平融合技術(shù)的應(yīng)用相對較少。其融合方式如圖1.5所示。圖1.5數(shù)據(jù)級融合（2）特征級融合特征級融合如圖1.6所示。它可以提取可以代表整個信息作為從傳感器收集的原始信息收集的數(shù)據(jù)的特征信息的特征數(shù)據(jù)，并使用具體的數(shù)學(xué)方法對這些數(shù)據(jù)進行分類、合并和合成。圖1.6特征級融合（3）決策級融合決策級水平融合意味著每個傳感器首先獨立于目標(biāo)，然后通過分類來融合這些獨立的決策以獲得更準(zhǔn)確的數(shù)據(jù)信息。這種融合方法可以減少計算量，提高信息融合的準(zhǔn)確度和精度。下圖1.7所示的為決策級融合。圖1.7決策級融合1.1.3多傳感器信息融合技術(shù)的優(yōu)點（1）多傳感器信息融合技術(shù)在系統(tǒng)內(nèi)的傳感器發(fā)生故障時，系統(tǒng)可以依賴于其他傳感器繼續(xù)操作，提高了系統(tǒng)的容錯能力；（2）提高了整個系統(tǒng)的互補性，實現(xiàn)了智能車輛對環(huán)境信息收集的完整性；（3）提高了信息的可信度，增強了信息的確定性；（4）增強了系統(tǒng)的靈活程度。對傳感器信息進行融合處理后，的確增強了整個系統(tǒng)的靈活性，使得系統(tǒng)在運行過程中顯得更加流暢，相比較于各個傳感器獨立工作來說，流暢度大大提升。綜合以上多傳感器信息融合技術(shù)的介紹，本文選擇反饋型結(jié)構(gòu)以及決策級融合方式來對傳感器采集到的信息進行融合。1.2模糊控制系統(tǒng)模糊控制的基本思想是用模糊數(shù)學(xué)的知識對模糊現(xiàn)象進行識別和判斷，然后通過模糊推理獲得相應(yīng)控制量的集合作用于被控對象或環(huán)境[20]。1.模糊控制系統(tǒng)的組成模糊控制系統(tǒng)是由輸入/輸出接口、模糊控制器、檢測裝置、執(zhí)行機構(gòu)及被控對象組成，具體模糊控制系統(tǒng)原理圖如圖1.8所示。圖1.8模糊控制系統(tǒng)原理框圖2.模糊化的步驟模糊化的具體步驟如下。首先，處理輸入量以確定符合需要的輸入量，然后根據(jù)輸入設(shè)計相應(yīng)的控制規(guī)則，然后根據(jù)對應(yīng)的控制規(guī)則對輸入進行縮放，然后根據(jù)比例變換的輸入量在確定與模糊量對應(yīng)的模糊語言并選擇適當(dāng)?shù)某蓡T函數(shù)之后，使用對應(yīng)的規(guī)則來確定輸出變量的模糊值。1.模糊量的逆模糊化模糊推論是不能直接應(yīng)用于控制對象的模糊推論。需要將模糊控制量去模糊化以獲得相應(yīng)的準(zhǔn)確量。在去模糊化后，獲得正確的控制量，通過數(shù)字模擬轉(zhuǎn)換獲得正確的模擬量，發(fā)送到執(zhí)行機構(gòu)，控制控制對象，連續(xù)中斷控制量的收集和控制，另外，實現(xiàn)了控制對象的模糊控制。這個過程被稱為逆模糊化。逆模糊化過程有多種方法，目前常用的方法有三種：取中位數(shù)判決法：通過利用輸出模糊集合中包含的信息，通過數(shù)學(xué)方法描述輸出模糊集合的成員函數(shù)曲線對應(yīng)的通用元件和被橫軸包圍的區(qū)域的等分割點用作判定結(jié)果。該方法充分利用模糊子集提供的信息；最大隸屬度判決法：在輸出模糊集合中，選擇輸出隸屬度最大的論域元素。如果多個論域元素上出現(xiàn)多個隸屬度最大值，平均結(jié)果則為最終輸出結(jié)果；加權(quán)平均法：是模糊控制系統(tǒng)中應(yīng)用較為普遍的一種判決方法。其計算公式如式（1.1）所示：（1.1）1.3超聲波與視覺的融合技術(shù)在本文中，超聲傳感器和視覺傳感器被選定為障礙物避免過程中的“感官系統(tǒng)”。為了通過超聲波傳感器和視覺傳感器收集智能車輛操作過程中所需的道路信息和障礙物信息，通過信息融合技術(shù)實現(xiàn)智能車輛的安全運行。1.1.1超聲波與視覺的融合技術(shù)優(yōu)勢智能車輛躲避障礙物的關(guān)鍵是獲得準(zhǔn)確的環(huán)境信息和障礙物的位置。當(dāng)視覺傳感器僅用于躲避障礙物時，由于視覺傳感器容易受到光的影響，所以信息收集不完整，并且影響躲避障礙物的效果。超聲波測距技術(shù)可以使智能車輛正常行駛，不受視覺傳感器和互補光的影響，在相對嚴(yán)峻的環(huán)境下工作。如果只使用單個超聲波傳感器來避免障礙物，則還存在不完整的信息。因此，利用超聲波傳感器和視覺傳感器的優(yōu)點，結(jié)合超聲波測距原理和可視化技術(shù)，通過視覺傳感器收集和處理環(huán)境信息，獲得智能車輛和障礙物的實際距離。而且，由于完全獲取了障礙物的位置信息，所以智能車輛可以獲得最佳的障礙物回避效果。1.1.2超聲波與視覺的具體融合方式本次研究所采用的攝像頭為單目視覺攝像頭，不能收集智能車和障礙物之間的準(zhǔn)確距離信息，只能判斷障礙物的分布信息，而超聲波傳感器屬于測量距離的傳感器，可收集到智能車輛與障礙物之間的準(zhǔn)確距離信息。融合智能汽車避障的目的是為了使智能汽車能夠安全穩(wěn)定的繞開障礙物并安全行駛到目的地?；谶@個特征，我們使用模糊控制方法將視覺和超聲波收集的信息進行融合。接下來，將超聲波傳感器檢測到的距離作為模糊邏輯的輸入，使用智能車輛障礙物回避行為作為輸出，完成了躲避障礙物的整個過程。1.4智能汽車避障行為設(shè)計在現(xiàn)實生活中，要考慮實際情況來設(shè)計智能汽車避障行為。由于障礙物的種類不同，所以采取的避障行為也會大不相同?；趯φ系K物種類的劃分，本文將智能汽車避障行為大致分為以下三類：直奔目標(biāo)、直接避障以及緊急避障三種行為。智能汽車避障工作流程如圖1.9所示。圖1.9智能汽車避障工作流程圖1.4.1直奔目標(biāo)行為智能車輛的基本任務(wù)是從起點出發(fā)，安全到達目的地。但是，道路上有很多未知的情況，所以為了應(yīng)對這些情況，必須采取不同的措施。當(dāng)智能車輛行駛時，智能車輛前方的道路比較平坦，因為沒有妨礙智能車輛行進的物體，所以智能車輛可以一直走到目標(biāo)點沒有必要在中途為了回避障礙物而采取一切行動。在道路上沒有障礙物的情況下，智能車輛的驅(qū)動可以看作是二維平面上的運動。然后，可以根據(jù)智能車輛的行駛方向和向智能車輛方向的目標(biāo)點成的角度來決定智能車輛的下一個驅(qū)動方向。具體行駛方向示意圖如圖1.10所示。圖1.10直奔目標(biāo)行為坐標(biāo)示意圖圖中顯示的點表示智能汽車當(dāng)前所在的位置，點表示的為目標(biāo)點的坐標(biāo)，B→A代表智能汽車行駛的方向，角代表智能汽車的行駛方向與坐標(biāo)軸的夾角，角代表智能汽車行駛方向與距離目標(biāo)點方向之間的夾角，即B→A與B→D之間的夾角。由此可得數(shù)據(jù)關(guān)系式如公式（1.2）所示。（1.2）結(jié)合圖1.10與公式（1.2）可得如下結(jié)論：當(dāng)<0時，智能汽車向右轉(zhuǎn)，當(dāng)>0時，智能汽車向左轉(zhuǎn)，=0時，智能汽車直行。由圖1.10可得，智能汽車直奔目標(biāo)的行為在下一步移動方向上完全取決于角的大小。故將智能汽車下一步的轉(zhuǎn)向角設(shè)為Ω，閥值設(shè)為π/3。對行為的描述滿足式（1.3）。（1.3）1.4.2直接避障行為直接回避障礙物行動是指在移動過程中智能車輛，檢測道路前方有障礙物堵塞通道。為了避免和安全地行駛，智能車輛將采取一種繞過障礙物的方法，繞過該障礙物將繼續(xù)向前移動以安全到達目的地。在躲避障礙物的過程中，無論兩側(cè)是否有障礙物，如果正面有障礙物，智能車需要判斷并改變方向。如上所述，在躲避障礙物的過程中，智能車輛通過視覺傳感器取得障礙物的特性信息，超聲波傳感器測量障礙物和智能車輛的距離信息。在數(shù)據(jù)融合和處理之后，獲得了障礙物與智能車輛之間的準(zhǔn)確距離值，然后在對整個模糊控制器進行計算之后，所檢測的距離信息用作模糊控制器的輸入。將準(zhǔn)確輸出發(fā)送到智能車輛的導(dǎo)向控制器以控制智能車輛以避免發(fā)生安全事故。1.4.3緊急避障行為對于緊急障礙物躲避行為，只有在遇到突然的動態(tài)障礙物時才能發(fā)生。使用三幀差分法檢測動態(tài)障礙物。當(dāng)傳感器突然出現(xiàn)在智能車輛前的動態(tài)障礙物，檢測到它非常接近智能車輛時，智能車輛會進行緊急的障礙物躲避行為，并立即進行剎車，停止前進等一系列行動。而且，智能車輛在遠(yuǎn)離與動態(tài)障礙物的安全距離范圍之前不會繼續(xù)前進。這種情況的概率遠(yuǎn)低于上述直接的障礙物躲避行為。但是，一旦發(fā)生了，如果沒有妥當(dāng)?shù)奶幚?，智能車輛就會面臨不可估量的損失。因此，在智能車輛躲避障礙物的研究中，緊急躲避障礙物行為的設(shè)計是必不可少的。1.5人工勢場法簡介及改進人工勢場法是智能車輛躲避障礙物眾多算法中較為普遍的一種，其結(jié)構(gòu)相對于其他避障算法來說，較為簡單，方便實時控制，理解簡單，實用且具有良好的實時性，在實時躲避障礙物和平滑的行駛軌跡方面得到了廣泛的應(yīng)用。1.5.1人工勢場法簡介傳統(tǒng)的人工勢場法中[21]，需要在環(huán)境空間中需要建造一個人工的虛擬勢場，該虛擬勢場由吸引力和排斥力構(gòu)成，目標(biāo)點對智能汽車產(chǎn)生吸引力，障礙物對智能車輛產(chǎn)生排斥力。智能車輛在未知的虛擬勢場可以表現(xiàn)為圖1.11所示的靜電場。該算法將吸引力和排斥力抽象成兩個函數(shù)，引力函數(shù)與斥力函數(shù)。引力函數(shù)來源于目的地對智能汽車方向為智能汽車指向目的地的作用力；斥力函數(shù)來源于障礙物對智能汽車力的方向為障礙物指向智能汽車作用力，而智能汽車的最終行駛方向是來源于引力與斥力的合力所影響的方向，如圖1.12所示。圖1.11靜電場模型圖圖1.12傳統(tǒng)人工勢場法合力圖（1）引力函數(shù)引力函數(shù)是在智能汽車和目標(biāo)的歐幾里德距離的基礎(chǔ)上進行設(shè)定的。而引力F引的大小取決于智能汽車與目標(biāo)點的距離D。當(dāng)D越大時，引力F引越大，反之D越小，引力就會越小，直至到達目標(biāo)點使得D為零時，引力的大小也變?yōu)榱?，整個運行過程結(jié)束。引力的函數(shù)公式可用式（1.4）表示。（1.4）其中K為引力函數(shù)的比例系數(shù)，X為智能汽車的矢量坐標(biāo)位置，為目標(biāo)點的矢量坐標(biāo)。（2）斥力函數(shù)斥力場中，障礙物會對智能汽車產(chǎn)生排斥作用，斥力的大小取決于智能汽車與障礙物的距離d，當(dāng)d越大時，斥力就越小，反之，斥力就會越大。斥力函數(shù)表達式可用式（1.5）表示。（1.5）公式中K為吃力函數(shù)比例系數(shù)，表示智能汽車在環(huán)境信息的位置，表示障礙物在環(huán)境信息中的位置。是一個矢量，表示智能汽車與障礙物之間的最短歐幾里德距離，表示障礙物對智能汽車的影響距離，是一個常量。傳統(tǒng)的人工勢場法在智能車避障過程中往往會出一些合力為零的情況，當(dāng)出現(xiàn)這些情況時，智能汽車會出現(xiàn)停止運行的情況或者左右搖擺，不知如何運行。這就是人們常說的出現(xiàn)零勢能狀態(tài)。接下來針對于這個問題對傳統(tǒng)人工勢場法做出改進。1.5.2人工勢場法改進及仿真分析由于零勢場的狀態(tài)是由較強的障礙物引起的，所以當(dāng)障礙物更加致密時，模擬實驗分析在障礙物數(shù)量較少的情況下出現(xiàn)零電位場可以通過計算來改進，以消除最遠(yuǎn)的障礙。因