智能驾驶技术：路径规划与导航控制

图书标准信息

• 作者 余伶俐、周开军、陈白帆 著
• 出版社 机械工业出版社
• 出版时间 2020-06
• ISBN 9787111653271
• 定价 79.00元
• 装帧 其他

【内容简介】

本书主要介绍智能驾驶技术的路径规划与导航控制，内容涉及基于视觉协同显著性交通标志牌检测、地图创建与全局路径规划、车辆行为决策与运动规划、车辆轨迹跟踪控制以及无模型智能驾驶控制技术。书中首先论述了基于聚类、显著性线索分析以及几何约束模型检测交通标志牌的方法。其次，阐述了基于ArcGis分析工具的地图创建和全局路径规划方法。而后，探讨了基于有限状态机的驾驶行为决策方法，在此基础上，利用RRT算法、曲线近似法、Frenet坐标系法分别实现了智能驾驶车辆运动规划。接下来，研究基于深度强化学习的智能驾驶车辆路径规划方法。并完成了几何规则的轨迹跟踪控制，实现了智能驾驶公交的自主泊车。最后，研究了基于数据驱动的智能驾驶公交主动转向控制方法，分别用仿真软件PreScan和TruckSim进行了智能驾驶公交车辆的仿真实验。

 

本书可作为高等院校智能科学与技术、自动化、人工智能等专业研究生或高年级本科生的专业基础课程教材，亦可供人工智能、智能驾驶、决策规划、导航控制领域的广大科技工作者阅读和思考。

 

【作者简介】

余伶俐

 

中南大学人工智能系副教授，主持多项国家重点研发计划子任务、湖南省科技重大专项子课题、国家自然科学基金等项目。承担了两期的中车时代电动汽车“智能驾驶决策与控制系统”开发，在湖南湘江新区与智慧公交示范运营线路上完成了3500 km测试，获得了湖南省颁发的第一辆智能驾驶公交车牌照。发表学术论文50多篇，申请发明专利25项，其中发明专利授权19项，获批软件著作权9项，编著专著/教材5部。为国家“智能科学系列课程”教学团队成员，教育部“智能控制”资源共享课程主讲教师之一，获省级教学竞赛一等奖、全国智能设计大赛优秀指导教师奖等。

 

 

 

周开军

 

湖南工商大学教授、硕士生导师，美国布兰戴斯大学国家复杂系统研究中心访问学者，湖南省青年骨干教师，湖南工商大学151人才。现任电子工程系主任，先后主持国家自然科学基金青年项目和面上项目、国家留学基金项目、省部级以上科研项目5项、产学研校企合作项目2项；在”Neurocomputing”、”Applied Intelligence”等期刊发表高水平论文40余篇，申请国家发明专利5项，授权4项，出版学术专著1部，登记软件著作权4项。兼任湖南省科技厅项目评审专家、湖南省电子信息研究会常务理事、中国自动化学会、湖南省人工智能学会会员、”IEEE Journal of Selected Topics in Signal Processing”、”IEEE Access”等期刊审稿人。

 

 

 

陈白帆

 

中南大学副教授，硕士生导师，湖南省人工智能学会副秘书长，湖南省自兴人工智能研究院副院长，长期从事智能驾驶、移动机器人等应用理论研究。先后主持国家自然科学基金项目、湖南省自然科学基金项目，参与国家自然科学基金重大计划、国家重点研发计划、湖南省科技重大专项子课题。发表高水平论文30余篇，编著专著/教材3部。国家“智能科学系列课程”教学团队成员，教育部“人工智能”精品资源共享课程主讲教师之一，国家十二五规划教材、国家教育部科技进步一等奖教材“人工智能及应用”作者之一。

 

【目录】

前言

 

第1章 绪论  1

 

1.1 智能驾驶公交车辆发展现状  1

 

1.2 全局路径规划方法研究现状  3

 

1.3 行为决策与运动规划方法研究现状  4

 

1.4 跟踪控制方法研究现状  5

 

参考文献  6

 

第2章 基于视觉协同显著性的交通标志牌检测  14

 

2.1 基于视觉协同显著性的交通标志牌检测框架设计  14

 

2.1.1 基于聚类的图间/图内显著性检测模型子框架  15

 

2.1.2 几何结构约束模型子框架  15

 

2.2 基于视觉协同显著性的图像检测算法  18

 

2.2.1 基于聚类的视觉协同显著性检测  18

 

2.2.2 视觉显著性线索分析  19

 

2.2.3 协同显著图的生成  20

 

2.2.4 各显著性线索的特性分析  22

 

2.2.5 几何结构约束模型  24

 

2.3 显著性检测实验与分析  26

 

2.3.1 单图像显著性检测实验分析  26

 

2.3.2 图像对协同显著性检测实验分析  28

 

2.3.3 多图像协同显著性检测实验分析  29

 

2.3.4 运行速度测试分析  32

 

2.3.5 聚类数目影响分析  33

 

2.4 复杂场景中交通标志牌的检测实验分析  34

 

2.5 本章小结  36

 

参考文献  36

 

第3章 智能驾驶公交车辆全局路径规划方法  40

 

3.1 基于ArcGIS地图创建及全局规划  41

 

3.1.1 ArcGIS系统概述  41

 

3.1.2 基于ArcGIS的地图创建  42

 

3.1.3 基于ArcGIS网络分析工具的全局路径规划  55

 

3.2 最优路径信息处理  56

 

3.2.1 全局坐标系转换  56

 

3.2.2 全局路径插值  57

 

3.3 地图创建及全局规划仿真实验  58

 

3.4 本章小结  61

 

参考文献  61

 

第4章 智能驾驶公交车辆行为决策与运动规划方法  64

 

4.1 基于分层有限状态机的智能驾驶公交车辆决策模型  64

 

4.1.1 顶层状态机设计  65

 

4.1.2 底层状态机设计  65

 

4.1.3 双层扩展有限状态机行为决策方法  67

 

4.1.4 基于分层有限状态机的行为决策实验  67

 

4.2 基于快速搜索随机树的动态路径规划方法  70

 

4.2.1 RRT算法  70

 

4.2.2 基于起点与终点位姿约束的双向RRT算法  71

 

4.2.3 基于起点与终点位姿约束的RRT算法仿真实验  73

 

4.3 基于曲线近似的智能驾驶公交车辆动态轨迹规划方法  73

 

4.3.1 基于贝塞尔曲线的路径平滑与拼接  74

 

4.3.2 基于约束的多项式动态轨迹规划方法  79

 

4.4 基于Frenet坐标系的智能驾驶公交车辆运动规划方法  86

 

4.4.1 Frenet坐标系的建立  86

 

4.4.2 横纵向轨迹解耦规划  87

 

4.4.3 基于车辆约束的最优轨迹选择  89

 

4.4.4 基于Frenet坐标系的轨迹规划仿真实验  90

 

4.5 智能驾驶公交车辆行为决策与运动规划方法应用实例  100

 

4.5.1 基于高精度地图与红外信标的智能驾驶公交车辆自动启停实现方法  100

 

4.5.2 智能驾驶公交车辆行为决策与运动规划实车实验  103

 

4.6 本章小结  105

 

参考文献  105

 

第5章 基于深度强化学习的智能驾驶公交车辆路径规划方法  107

 

5.1 深度强化学习方法的理论讲解  107

 

5.1.1 强化学习理论基础  107

 

5.1.2 深度学习理论基础  112

 

5.1.3 基于深度强化学习的路径规划概述  113

 

5.2 基于深度强化学习的网络模型构建  116

 

5.3 基于深度强化学习的环境模型构建  123

 

5.3.1 虚拟环境构建  123

 

5.3.2 环境模型应用策略  124

 

5.3.3 模型训练  125

 

5.4 基于深度强化学习的路径规划实现方法  127

 

5.4.1 深度强化学习的算法框架  127

 

5.4.2 关键环境回报值选取  128

 

5.4.3 基于深度强化学习的路径规划方法实验分析  130

 

5.4.4 多种轨迹规划方法对比实验分析  135

 

5.5 本章小结  143

 

参考文献  143

 

第6章 智能驾驶公交车辆轨迹跟踪控制方法  146

 

6.1 智能驾驶公交车辆运动学与动力学模型  146

 

6.1.1 运动学模型  146

 

6.1.2 动力学模型  147

 

6.2 智能驾驶公交车辆轨迹跟踪控制  149

 

6.2.1 基于航向预测的轨迹跟踪控制及仿真  149

 

6.2.2 基于运动学模型的轨迹跟踪控制  152

 

6.2.3 智能驾驶公交车辆速度控制方法  155

 

6.3 智能驾驶公交车辆自主泊车控制  158

 

6.3.1 基于Akerman转向几何的路径规划  159

 

6.3.2 基于车辆运动学模型及位置补偿的控制器  160

 

6.3.3 智能驾驶公交车辆自主泊车仿真验证及实车实验  161

 

6.4 基于PreScan的智能驾驶公交车辆仿真环境  163

 

6.4.1 场景搭建  164

 

6.4.2 联合仿真  172

 

6.5 本章小结  173

 

参考文献  174

 

第7章 基于数据驱动的智能驾驶公交车辆主动转向控制方法  177

 

7.1 基于数据驱动的主动转向控制系统概述  177

 

7.1.1 智能驾驶公交车辆主动转向控制系统概述  177

 

7.1.2 数据驱动控制方法概述  177

 

7.1.3 轨迹跟踪误差的向量描述  178

 

7.1.4 基于数据驱动的车辆模型在线辨识方法  179

 

7.1.5 基于数据驱动的主动转向控制系统框架  181

 

7.2 基于自抗扰控制的主动转向控制方法  182

 

7.2.1 自抗扰控制方法概述  182

 

7.2.2 自抗扰控制器设计  182

 

7.2.3 基于自抗扰控制的主动转向控制器设计  188

 

7.3 基于无模型自适应的主动转向控制方法  189

 

7.3.1 无模型自适应控制方法概述  189

 

7.3.2 基于预瞄偏差角的跟踪控制方案  189

 

7.3.3 基于无模型自适应的主动转向控制器设计  190

 

7.4 基于TruckSim的跟踪控制仿真方法  191

 

7.4.1 联合仿真平台的搭建  191

 

7.4.2 仿真环境下跟踪控制性能验证  199

 

7.4.3 控制器迁移至真实环境的可行性评估  203

 

7.5 本章小结  204

 

参考文献  204

 

附录  206

 

第8章 智能驾驶技术展望  213

 

8.1 智能驾驶路径规划技术展望  213

 

8.2 智能驾驶跟踪控制技术展望  214

 

8.3 智能驾驶仿真环境展望  215

 

8.4 技术展望  216

 

8.5 本章小结  217

 

参考文献  217