基于生存理论训练机器学习的智能驾驶路径生成方法

被引：5

作者：

刘磊 ^{[1
,2
]}

杨晔 ^{[2
]}

刘赛 ^{[2
]}

高岩 ^{[1
]}

王富正 ^{[1
]}

王亚刚 ^{[2
]}

机构：

[1] 上海理工大学管理学院

[2] 上海理工大学光电学院

来源：

控制与决策 | 2020年 / 35卷 / 10期

基金：

上海市自然科学基金;

关键词：

智能驾驶; 路径规划; 生存理论; 径向基神经网络;

D O I：

10.13195/j.kzyjc.2019.0059

中图分类号：

TP181 [自动推理、机器学习]; U463.6 [电气设备及附件];

学科分类号：

摘要：

机器学习技术广泛应用于车辆的智能驾驶,其中模型训练是该技术的关键,由于训练数据难以覆盖全部驾驶情况,使得极端状态下基于机器学习的智能驾驶系统存在失效风险,会造成重大交通事故.生存理论应用于车辆的道路安全态势感知具有理论优势,能客观地计算出车辆最大的高维生存空间,但该理论迭代计算繁琐,输出结果所需时间较长,无法满足高速车辆的实时控制,且生存核表面复杂,智能驾驶系统难以直接使用,需要将生存核转化为局部最优路径.鉴于此,设计一种基于生存理论的局部路径规划机器学习训练方法,通过对多种机器学习方法的特点进行分析,最终选定径向基神经网络来输出生存核中线投影.通过对比两种网络训练数据的输出效果,分析参数敏感性以及泛化能力,论证所提出训练方法的合理性.仿真实验表明,所训练的机器学习模型可快速输出高精度、大裕度的道路优化路径,即使使用简单的控制律也能实现无人车辆的大曲率转弯.由于所提出机器学习方法的安全性具有理论保障,又能大幅提升安全计算的实时性,在智能驾驶领域拥有广阔的应用前景.

引用

页码：2433 / 2441

页数：9

共 13 条

[1] 基于差动和自主转向协调的分布式驱动无人车轨迹跟踪
徐兴
卢山峰
陈龙
蔡英凤
李勇
[J]. 汽车工程, 2018, 40 (04) : 475 - 481
[2] 面向车道变换的路径规划及模型预测轨迹跟踪
冀杰
唐志荣
吴明阳
方京城
[J]. 中国公路学报, 2018, 31 (04) : 172 - 179
[3] 关于移动机器人路径最优规划研究
江杰
张怀超
[J]. 计算机仿真, 2016, 33 (09) : 329 - 334
[4] 基于生存理论的非完整约束轮式机器人高速避障控制
刘磊
高岩
吴越鹏
[J]. 控制与决策, 2014, (09) : 1623 - 1627
[5] 基于改进人工势场法的无人驾驶车辆局部路径规划的研究
修彩靖
陈慧
[J]. 汽车工程, 2013, 35 (09) : 808 - 811
[6] 一类非线性控制系统关于非光滑区域生存性的判别
高岩
[J]. 控制与决策 , 2006, (08) : 923 - 925
[7] 交通约束下的行车最优路径规划[D]. 张照生.清华大学. 2013
[8] Modelling and Control Strategies in Path Tracking Control for Autonomous Ground Vehicles: A Review of State of the Art and Challenges[J] . Noor Hafizah Amer,Hairi Zamzuri,Khisbullah Hudha,Zulkiffli Abdul Kadir. Journal of Intelligent & Robotic Systems . 2017 (2)
[9] Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions[J] . Christos Katrakazas,Mohammed Quddus,Wen-Hua Chen,Lipika Deka. Transportation Research Part C . 2015
[10] Automated driving and autonomous functions on road vehicles
Gordon, T. J.
Lidberg, M.
[J]. VEHICLE SYSTEM DYNAMICS, 2015, 53 (07) : 958 - 994

← 1 2 →