基于双匀速轨迹的自动泊车路径规划研究

针对自动泊车过程中由于路径曲率不连续而常常出现的停车原地转向的问题,提出了一种基于车辆速度和方向盘转动角速度的泊车路径生成方法。分析了在车速和方向盘转速为恒值时的车辆轨迹特点即"双匀速"轨迹特点。引入了"过渡半径"和"切入半径"的概念,将双圆弧泊车路径与"双匀速"轨迹有机地结合起来,使泊车路径生成算法以及避障算法更为简便,泊车路径的相关参数以及泊车可行域都可以用车辆速度、方向盘转动角速度和车身几何尺寸计算得到。基于预瞄理论建立倒车驾驶员模型,在Carsim里对生成的"双匀速"泊车路径进行可行性验证,结果显示:这条由车辆"双匀速"轨迹计算得到的路径在车辆非匀速泊车过程中同样有较好效果。由此可知:基于"双匀速"的泊车路径生成方法有效地解决了泊车过程中的避障问题,同时满足了路径曲率连续性的要求,从而避免了泊车过程中停车转向的问题。     

基于图搜索和几何曲线的自主代客泊车路径规划

针对自主代客泊车系统的路径规划问题,提出了一种基于有向图搜索和几何曲线的自主泊车路径规划算法。提出了一种基于广义维诺图的有向混合A~*全局路径规划算法,准确有效地生成一条从停车场入口到达泊车起始点的无碰撞路径。采用改进的C型垂直停车路径规划算法生成局部泊车路径。通过Matlab和CarSim联合仿真及实车试验证明了该算法的有效性和实用性。试验结果表明：与Hybrid A~*算法相比,提出的全局路径规划算法在生成可行路径时,所需时间更短,避障性更好。该自主代客泊车路径规划算法,路径跟踪效果较好,能够有效可靠地实现自主泊车目标。     

基于预瞄模糊控制的自动泊车算法研究

针对目前自动泊车系统转向不连续问题,提出一种两段式泊车路径规划算法,采用Sigmoid函数对路径进行函数拟合,确定泊车路径。建立了横向预瞄模型,对路径追踪误差进行估计,采用模糊控制方法,对拟合后的理想路径进行追踪;搭建了Pre Scan虚拟仿真环境,通过超声波传感器获取车位信息,对提出的基于预瞄模糊控制的自动泊车算法进行了仿真验证。仿真结果表明:Sigmoid函数对两段式泊车路径的拟合决定系数可达0.99以上;采用该预瞄模糊控制泊车算法,汽车能很好地追踪规划的路径,并成功泊入预定车位。     

基于模糊卡尔曼滤波车速估算的泊车运动学模型

为更好地进行泊车运动过程的研究,建立适合泊车过程的专用泊车运动学模型,通过对实际泊车运动过程的分析,提出了一种基于模糊卡尔曼滤波车速估算的泊车运动学模型。泊车的运动过程是低速高精度的控制过程,尤其在较小泊车位中进行超低速自动泊车时,对车速的测量会由于起步惯性和轮胎磨损引起速度测量误差,这就需要对实际车速进行精确估算。通过车轮转动速度与车身加速度积分所得车速进行模糊卡尔曼滤波融合,得到泊车不同阶段的车速估算值。输入估算的车速与前轴中心转角建立泊车运动学模型,得到泊车车辆的位置信息与姿态航向角。经Matlab/Simulink仿真和泊车实验的数据对比分析,结果表明:建立的基于模糊卡尔曼滤波车速估算的泊车运动学模型与原泊车运动学模型精度整体上提高15%,与实际泊车情况偏差3%。因此,提出的泊车运动学模型符合泊车过程车辆运动学模型的要求,降低了泊车整个过程的位移和航向角计算误差,对于进一步研究泊车路径规划与控制具有重要意义。     

基于平均报酬模型的强化学习算法研究

对于有吸收目标状态的循环任务,比较合理的方法是采用基于平均报酬模型的强化学习.平均报酬模型强化学习具有收敛速度快、鲁棒性强等优点.本文介绍了平均报酬模型强化学习的3个主要算法:R学习、H学习和LC学习,并给出了平均报酬模型强化学习的主要应用及研究方向.     

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明：所提出的改进算法具有很强的寻优能力与稳定性。     

一种前馈神经网络综合快速学习算法

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度，但只对小残量或零残量问题有效，对大残量问题则收敛很慢甚至不收敛．为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题，引入NL2SOL优化算法，并与LM(Levernberg-Marquardt)法相结合，构建基于LM-NL2SOL法的前馈神经网络学习算法．仿真实例表明，该神经网络学习算法较好地解决了残量问题，具有良好的收敛性和稳定性．     

自动化立体仓库退库货位优化问题及其求解算法

针对自动化立体仓库出库作业过程中剩余货物退库问题,以堆垛机作业总能耗最小化为目标,以退库货位分配为决策变量,建立了自动化立体仓库退库货位优化模型,提出了基于深度强化学习的自动化立体仓库退库货位优化框架。在该框架内,以立体仓库实时存储信息和出库作业信息构建多维状态,以退库货位选择构建动作,建立自动化立体仓库退库货位优化的马尔科夫决策过程模型;将立体仓库多维状态特征输入双层决斗网络,采用决斗双重深度Q网络(dueling double deep Q-network, D3QN)算法训练网络模型并预测退库动作目标价值,以确定智能体的最优行为策略。实验结果表明D3QN算法在求解大规模退库货位优化问题上具有较好的稳定性。     

基于伪谱拼接法的自动泊车路径规划

在局促环境下自动泊车路径规划是自动泊车研究的难点。基于Gauss伪谱法开展智能车入库的路径规划研究,首先使用P-Norm函数刻画出车库位置和车辆边界,然后根据车库和车辆位置添加边界约束,并融合车辆运动学约束构建泊车路径规划控制模型,将最优控制问题转化为非线性规划问题(NLP),运用序列二次规划法进行求解。仿真实验结果显示:Gauss伪谱法能对狭窄空间内多阶段泊车进行整体求解,证明了该方法的可行性。     

一种改进的递归神经网络盲均衡算法

提出了一种新的基于递归神经网络的快速收敛盲均衡算法。设计中采用观测信号的四阶统计量构造代价函数,简化了系统的复杂度;利用实时递归学习算法对系统参数进行动态调节。该算法具有镇定性,其收敛性能不会受到失真信道的影响,适用于均衡衰落性严重的信道。实验仿真结果表明对具有频率选择性衰落的非线性信道,该算法在收敛速度和对抗码间串扰方面都具有良好的性能。     

基于双闭环滑模结构的自动泊车路径跟踪控制

为提高自动泊车系统倒车入库时的路径跟踪控制精度,保证在狭小停车场地情况下自动泊入目标车位的成功率,提出一种双闭环的滑模变结构路径跟踪控制方法。将车辆运动学模型的跟踪控制器系统转换成含有位置控制器和姿态控制器的双闭环级联子系统,并设计一种指数和幂次相结合的趋近律,使泊车跟踪路径在有限时间内达到快速收敛。基于Matlab/Simulink搭建了跟踪控制模型。仿真结果表明:设计的路径跟踪控制算法能保证跟踪点快速收敛到理想路径,可提高自动泊车入库的成功率。     

多移动机器人3阶段解耦路径规划

针对多移动机器人集群在路径决策时任务执行时间过长、容易陷入死锁等问题，课题组提出了一种3阶段解耦路径规划方法。利用栅格法建立二维环境模型，首先以传统蚁群算法为基础，引入参数自适应机制和路径指引函数，提高算法的收敛速度；其次将多机器人集群路径规划分为3个阶段，提前预判出冲突路段，减少机器人的等待时间和绕行距离；最后利用MATLAB软件进行仿真实验。仿真结果表明：使用改进后的蚁群算法进行路径规划最优路径长度减少了5.5%，算法的收敛速度提升了近50%；在不同的栅格环境下，可以有效地预测和消解多机器人间的冲突。该研究为多机器人的路径规划提供了一种新的方法。     

基于深度强化学习的轮毂电机驱动电动汽车垂向振动控制

轮毂电机驱动电动车作为分布式驱动的一种理想的解决方案，对于缓解能源问题具有重要意义，然而当轮毂电机引入轮毂时，其平顺性会恶化。为解决轮毂电机电动汽车平顺性问题，建立了考虑座椅、车身和簧下质量振动特性以及主动与半主动悬架时间迟滞因素的三自由度轮毂电机电动汽车的1/4车模型，并基于深度强化学习算法对轮毂电机驱动电动汽车通过主动悬架进行垂向振动控制。在此基础上，对轮毂电机驱动电动车在随机路面与减速带路面下行驶的情况进行训练，进而对其训练案例的控制效果进行测试，并将之与被动悬架和天棚阻尼控制策略的控制效果进行对比，最后对轮毂电机驱动电动车在随机路面的基于深度强化学习主动悬架控制策略进行泛化能力测试。结果表明，对于训练与泛化测试案例，针对轮毂电机驱动电动车的垂向振动控制，基于深度强化学习的主动悬架控制策略所产生的控制效果均优于被动悬架与天棚阻尼控制策略。     

基于多智能体强化学习的分层决策优化方法

【目的/意义】随着信息技术和人工智能的发展,大数据驱动的辅助决策方法让决策更加科学准确。强化学习作为序贯决策的经典方法,在决策优化方面有着明显的优势。但传统方法无法解决多层次、多目标的决策优化问题,尤其是在长周期决策优化问题中,学习奖励的滞后性严重制约着强化学习的效率。【设计/方法】提出基于多智能体强化学习的分层决策优化方法,应用目标分解的思想解决长期决策优化问题。该方法基于强化学习理论使具有层级关系的多智能体相互合作,利用神经网络进行建模,上层智能体学习目标的分解策略,下层智能体学习完成目标的行动策略,智能体参数交替更新,共同学习完成团队任务的最佳策略,实现决策优化。【结论/发现】在临床医疗决策优化的实验中验证了该方法的有效性与优越性,可为解决长周期序列决策优化问题提供理论与方法支持。     

解整数规划问题的新方法——三步法

本文就整数规划问题提出了一个逐步求解方法——三步法,此法可根据问题的规模和需要求得最优整数解或近似最优整数解。分析与上机运算结果表明,在解大规模整数规划问题的收敛速度方面,本算法明显优于已有的整数规划算法。     

基于EM的朴素贝叶斯分类算法

将EM算法引入到朴素贝叶斯分类研究中,提出一种基于EM的朴素贝叶斯分类算法。首先用未缺失的数据属性的算术均数作为初始值,求得极大似然估计;其次迭代执行算法的E步和M步直至收敛,然后完成缺失数据的填补;最后根据朴素贝叶斯分类算法对数据进行分类。实验结果表明,与朴素贝叶斯分类算法相比,基于EM的朴素贝叶斯分类算法具有较高的分类准确率。     

基于有向加权复杂网络的自适应粒子群算法

标准粒子群算法在高维空间寻优迭代过程中存在易陷入局部最优和后期收敛速度慢的问题.引入复杂网络思想,提出一种基于有向加权复杂网络的自适应粒子群算法.该算法在粒子寻优的过程中引入有向动态网络进化机制,使粒子群的拓扑结构在入度服从幂律分布的条件下向无标度网络进化,同时根据粒子之间适应值的差值自适应调节动态学习因子的大小,使得粒子的飞行惯性在时间和空间上都是异质的,提高了粒子之间学习的多样性.仿真实验表明,该算法能够有效避免早熟问题,并且具有较快的收敛速度.     

基于遗传算法的ISAR运动补偿新算法

提出了基于遗传算法进行逆合成孔径雷达运动补偿的新算法.针对遗传算法解的收敛性问题,在遗传算法中采用了最优个体保存策略,使得解以概率1收敛于全局最优解;针对遗传算法运算量大的问题,提出了采用运动补偿后最小熵和最小距离作为适应度函数,由此形成2种称为GAMCE和GAMCD的ISAR运动补偿新算法.仿真数据和实测数据验证了所提新算法的有效性.     

区域快速优化下的无人机在线轨迹规划方法

针对传统基于梯度的规划方法需预先构建欧式符号距离场(euclidean signed distance field, ESDF)导致障碍物信息冗余度高、规划效率受限问题,提出了一种基于区域快速优化的实时轨迹规划方法。所提方法设计碰撞控制点替换策略用于加快碰撞区域的轨迹优化收敛速度从而降低轨迹规划时间,并定义提取与轨迹规划相关的局部障碍物信息方法,避免构建ESDF过程,从而提高规划效率;之后考虑轨迹安全性、平滑性及动态可行性,建立多目标优化函数,进一步优化轨迹。仿真实验表明,该方法可有效实现无人机在线轨迹规划,且与前沿方法相比,轨迹规划时间平均缩短了36.1%,轨迹优化收敛速度平均提高了33.1%,实现了更高效的规划。     

基于多传感器数据融合的自动泊车系统高精度辨识车位的方法

为解决城市道路条件下基于超声波雷达传感器的自动泊车系统存在的车位识别率不高、可识别车位类型较少、车位检测精度低等问题,提出一种高精度辨识泊车位的有效方法。通过多个超声波雷达和视觉传感器的数据融合,实现泊车位边界的高精度探测。利用2个超声波雷达先后探测库位内部的疑似障碍物,提出疑似障碍物绝对速度计算方法。设计了泊车位识别模糊控制逻辑,结合视觉传感器检测出的车辆朝向和停车线等数据信息进行融合处理,能够识别多种类型的水平和垂直泊车位。最后,进行了多种车位场景下的实车试验。试验结果表明:提出的泊车位辨识方法能有效识别多种类型的泊车位,识别率高,与仅采用1个超声波雷达和仅使用摄像头检测泊车位的方法相比优势明显,能提高自动泊车系统的智能化水平。