掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
智能駕駛決策規劃與控制 版權信息
- ISBN：9787030729866
- 條形碼：9787030729866 ; 978-7-03-072986-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能駕駛決策規劃與控制 內容簡介
智能駕駛是未來解決交通擁堵并且提高交通安全的重要枝術，本著作從基礎知識、協同駕駛、智能網聯測試三個方面介紹智能駕駛技術。**部分從緒論、智能車輛行為決策、智能車輛運動規劃、智能車輛運動控制等方面介紹了單車智能駕駛基礎理論與方法；第二部分從智能車輛列隊控制、基于多智能體的車輛群體決策與控制、基于V2X的智能車輛協同駕駛等方面介紹了目前多車協同駕駛理論與方法；第三部分從評測體系、測試技術兩方面介紹了智能汽車的仿真測試與評估手段。
智能駕駛決策規劃與控制 目錄
目錄
“交通安全科學與技術學術著作叢書”序
前言
第1章 緒論 1
1.1 研究背景 1
1.2 發展現狀 2
1.2.1 汽車智能化發展現狀 4
1.2.2 汽車網聯化發展現狀 7
1.2.3 發展趨勢 10
1.3 技術概述 12
1.3.1 智能網聯汽車決策規劃方法 13
1.3.2 智能網聯汽車控制方法 16
1.4 本章小結 18
參考文獻 18
第2章 智能駕駛行為決策 20
2.1 概述 20
2.1.1 智能駕駛車輛行為決策定義 20
2.1.2 智能駕駛車輛行為決策設計準則 20
2.2 基于規則的行為決策方法 21
2.2.1 有限狀態機 21
2.2.2 混成狀態機 24
2.3 基于學習的行為決策方法 26
2.3.1 決策樹算法 26
2.3.2 深度學習算法 28
2.4 基于馬爾可夫過程的決策方法 32
2.4.1 馬爾可夫決策過程 32
2.4.2 強化學習算法 33
2.4.3 逆強化學習算法 36
2.5 典型案例 37
2.5.1 人類駕駛行為特性分析 38
2.5.2 基于有限狀態機的駕駛場景轉換模型設計 39
2.5.3 基于ID 3決策樹的駕駛行為決策方法 40
2.6 本章小結 41
參考文獻 41
第3章 智能駕駛軌跡規劃 43
3.1 概述 43
3.2 狀態柵格法 46
3.2.1 車輛運動學建模 46
3.2.2 道路建模 47
3.2.3 高斯牛頓法生成軌跡 48
3.2.4 仿真驗證 52
3.3 人工勢場法 54
3.3.1 人工勢場法基本原理 54
3.3.2 障礙物勢場建模 54
3.3.3 道路環境建模 55
3.3.4 車輛勢場建模 58
3.3.5 目標點勢場建模 61
3.3.6 基于模型預測的局部路徑規劃與跟蹤 62
3.3.7 仿真試驗分析 67
3.4 隨機采樣法 76
3.4.1 RRT算法簡介 76
3.4.2 基于高斯的采樣過程 77
3.4.3 RRT擴展過程 78
3.4.4 RRT后處理過程 81
3.4.5 仿真驗證 83
3.5 本章小結 86
參考文獻 86
第4章 智能駕駛跟蹤控制 88
4.1 概述 88
4.2 基于PID的車輛控制 91
4.2.1 基本原理 91
4.2.2 基于ITAE準則的PID參數優化 91
4.2.3 基于PID的車輛縱、橫向控制 93
4.3 基于MPC的車輛控制 104
4.3.1 基于車輛動力學模型的MPC控制建模 104
4.3.2 基于車輛運動學模型的MPC控制建模 110
4.3.3 基于指數權重MPC算法的車輛控制器設計與建模仿真分析 115
4.4 本章小結 121
參考文獻 121
第5章 智能駕駛列隊控制 124
5.1 概述 124
5.2 車輛列隊建模與動力學控制 125
5.2.1 信息流拓撲結構 125
5.2.2 車車跟隨策略 126
5.2.3 車輛列隊模型 127
5.2.4 車輛動力學控制 128
5.2.5 車輛跟蹤控制器仿真驗證 133
5.3 基于非線性PID的車輛列隊控制 137
5.3.1 非線性PID介紹 137
5.3.2 車輛列隊穩定性 141
5.4 基于深度強化學習的車輛列隊控制 152
5.4.1 基于深度強化學習的車隊縱向控制 152
5.4.2 仿真試驗 156
5.5 本章小結 169
參考文獻 169
第6章 智能網聯測試技術 170
6.1 概述 170
6.2 仿真測試 171
6.2.1 軟件在環仿真測試 171
6.2.2 硬件在環仿真測試 172
6.2.3 車輛在環仿真測試 180
6.3 道路測試 182
6.3.1 基本概念 182
6.3.2 典型測試案例 184
6.4 平行測試 185
6.4.1 平行系統概述 185
6.4.2 平行測試理論 188
6.4.3 典型應用 189
6.5 本章小結 190
參考文獻 190
“交通安全科學與技術學術著作叢書”序
前言
第1章 緒論 1
1.1 研究背景 1
1.2 發展現狀 2
1.2.1 汽車智能化發展現狀 4
1.2.2 汽車網聯化發展現狀 7
1.2.3 發展趨勢 10
1.3 技術概述 12
1.3.1 智能網聯汽車決策規劃方法 13
1.3.2 智能網聯汽車控制方法 16
1.4 本章小結 18
參考文獻 18
第2章 智能駕駛行為決策 20
2.1 概述 20
2.1.1 智能駕駛車輛行為決策定義 20
2.1.2 智能駕駛車輛行為決策設計準則 20
2.2 基于規則的行為決策方法 21
2.2.1 有限狀態機 21
2.2.2 混成狀態機 24
2.3 基于學習的行為決策方法 26
2.3.1 決策樹算法 26
2.3.2 深度學習算法 28
2.4 基于馬爾可夫過程的決策方法 32
2.4.1 馬爾可夫決策過程 32
2.4.2 強化學習算法 33
2.4.3 逆強化學習算法 36
2.5 典型案例 37
2.5.1 人類駕駛行為特性分析 38
2.5.2 基于有限狀態機的駕駛場景轉換模型設計 39
2.5.3 基于ID 3決策樹的駕駛行為決策方法 40
2.6 本章小結 41
參考文獻 41
第3章 智能駕駛軌跡規劃 43
3.1 概述 43
3.2 狀態柵格法 46
3.2.1 車輛運動學建模 46
3.2.2 道路建模 47
3.2.3 高斯牛頓法生成軌跡 48
3.2.4 仿真驗證 52
3.3 人工勢場法 54
3.3.1 人工勢場法基本原理 54
3.3.2 障礙物勢場建模 54
3.3.3 道路環境建模 55
3.3.4 車輛勢場建模 58
3.3.5 目標點勢場建模 61
3.3.6 基于模型預測的局部路徑規劃與跟蹤 62
3.3.7 仿真試驗分析 67
3.4 隨機采樣法 76
3.4.1 RRT算法簡介 76
3.4.2 基于高斯的采樣過程 77
3.4.3 RRT擴展過程 78
3.4.4 RRT后處理過程 81
3.4.5 仿真驗證 83
3.5 本章小結 86
參考文獻 86
第4章 智能駕駛跟蹤控制 88
4.1 概述 88
4.2 基于PID的車輛控制 91
4.2.1 基本原理 91
4.2.2 基于ITAE準則的PID參數優化 91
4.2.3 基于PID的車輛縱、橫向控制 93
4.3 基于MPC的車輛控制 104
4.3.1 基于車輛動力學模型的MPC控制建模 104
4.3.2 基于車輛運動學模型的MPC控制建模 110
4.3.3 基于指數權重MPC算法的車輛控制器設計與建模仿真分析 115
4.4 本章小結 121
參考文獻 121
第5章 智能駕駛列隊控制 124
5.1 概述 124
5.2 車輛列隊建模與動力學控制 125
5.2.1 信息流拓撲結構 125
5.2.2 車車跟隨策略 126
5.2.3 車輛列隊模型 127
5.2.4 車輛動力學控制 128
5.2.5 車輛跟蹤控制器仿真驗證 133
5.3 基于非線性PID的車輛列隊控制 137
5.3.1 非線性PID介紹 137
5.3.2 車輛列隊穩定性 141
5.4 基于深度強化學習的車輛列隊控制 152
5.4.1 基于深度強化學習的車隊縱向控制 152
5.4.2 仿真試驗 156
5.5 本章小結 169
參考文獻 169
第6章 智能網聯測試技術 170
6.1 概述 170
6.2 仿真測試 171
6.2.1 軟件在環仿真測試 171
6.2.2 硬件在環仿真測試 172
6.2.3 車輛在環仿真測試 180
6.3 道路測試 182
6.3.1 基本概念 182
6.3.2 典型測試案例 184
6.4 平行測試 185
6.4.1 平行系統概述 185
6.4.2 平行測試理論 188
6.4.3 典型應用 189
6.5 本章小結 190
參考文獻 190
展開全部
智能駕駛決策規劃與控制 節選
第1章 緒論 1.1 研究背景 當今世界正經歷百年未有之大變局，新一輪科技革命和產業變革方興未艾，智能駕駛技術已成為引領交通運載工具走向下一個時代的革命性技術，也是物聯網、大數據、人工智能等新興技術賦能汽車與交通行業的產物。智能駕駛技術作為智慧交通的*新發展方向，涉及汽車、交通基礎設施、光電子信息等多個行業，可通過高度或完全的自動駕駛，部分或全部取代人類的駕駛活動，可極大地改善、甚至消除交通事故、交通擁堵等難題。2019年9月發布的《交通強國建設綱要》中明確要求，加強智能網聯汽車(智能汽車、自動駕駛、車路協同)研發，形成自主可控完整的產業鏈。2020年2月，國家發改委聯合科技部等11個部門，在《智能汽車創新發展戰略》總體要求中指出，到2025年，中國標準智能汽車的技術創新、產業生態、基礎設施、法規標準、產品監管和網絡安全體系基本形成。實現有條件自動駕駛的智能汽車達到規模化生產，實現高度自動駕駛的智能汽車在特定環境下市場化應用。 政府和國家戰略層面，從德國率先提出的“工業4.0”，到美國的“工業互聯網”，再到我國力推的“中國制造2025”，均將智能網聯汽車的產業化發展作為*核心的任務之一。2015年5月，在國務院發布的《中國制造2025》行動綱領中，明確指出對智能網聯汽車實施分級發展，逐步推動智能網聯汽車的自動化進程。同時，還特別強調了要利用信息技術推動傳統汽車產業的轉型升級，推動互聯網技術(internet technology，IT)產業與汽車產業之間的交叉與優勢互補。2015年10月，中國汽車工業協會正式提出將智能網聯汽車定義為，搭載先進的車載傳感器、控制器、執行器等裝置，并融合現代通信與網絡技術，實現車與 X(人、車、路、云)智能信息交換共享，具備復雜的環境感知、智能決策、協同控制和執行等功能，可實現安全、舒適、節能、高效行駛，并*終可替代人來操作的新一代汽車[1]。 智能駕駛涵蓋了以主動安全為導向的輔助駕駛和自動駕駛，并可實現汽車與所有交通要素之間的智能協作。智能網聯汽車的應用范圍非常廣泛，包括各種先進的輔助駕駛、主動安全控制與聯網信息服務功能，是未來智能交通系統的主要發展趨勢之一。它可在提高交通安全、提高交通效率、促進節能環保等方面發揮重要的作用。 提高交通安全方面，前向碰撞預警、車道偏離預警、自適應巡航控制、自動緊急制動等先進駕駛輔助系統(advanced driving assistance system，ADAS)已經廣泛應用于各類車型，通過在危險駕駛場景中進行駕駛員警示或汽車主動控制，有效彌補了極限駕駛工況下的人類駕駛能力局限，大大提高了行車安全性。顯而易見，隨著智能網聯汽車所具備的環境感知能力、決策規劃能力和運動控制能力的不斷提高，其在避免交通事故方面的能力也會相應增強。從《中國制造2025》提出的發展目標來看，我國將通過完全自主駕駛級智能汽車減少80%的交通事故，基本消除交通死亡，可見智能網聯汽車對于提高交通安全的強大支撐作用。 提高交通效率方面，智能網聯汽車通過與移動智能終端、交通基礎設施、交通管理中心之間的實時信息交互，大幅提高了交通信息采集的效率和精度，有助于實現在大范圍內的交通信號協調控制、實時路徑誘導、公交優先控制等智能化交通管控。美國的自動公路系統(automated highway system，AHS)和車聯網(connected vehicle，CV)項目，日本的車載信息與通信系統(vehicle information and communication system，VICS)和 SmartWay項目，歐盟 eSafety計劃和 DRIVE C2C項目，以及我國“車路協同系統關鍵技術”項目的研究與示范應用，都充分地驗證了車與車(vehicle to vehicle，V2V)、車與基礎設施(vehicle to infrastructure，V2I)之間的互聯互通，能夠極大地突破現有交通信息采集方式在時效性、精確性等方面的瓶頸[2]。 因此，智能網聯汽車將充分利用大數據、云計算、移動互聯網等新一代信息技術，綜合運用系統科學、知識挖掘、人工智能等理論和方法，以全面感知、深度融合、主動服務、科學決策為目標，通過建設實時、精確的動態交通信息環境，推動智能網聯汽車朝著更安全、更高效、更環保、更舒適的方向發展。 1.2 發展現狀 根據國際汽車工程師學會(The Society of Automotive Engineers，SAE)制定的汽車自動化水平分級標準(J3016)，將自動駕駛分為無自動化(L0)、駕駛輔助(L1)、部分自動化(L2)、有條件自動化(L3)、高度自動化(L4)和完全自動化(L5)共6個等級[3]，具體的分級標準見表1.1。 表1.1國際汽車工程師學會的自動駕駛分級標準(J3016) 如表1.1所示，動態駕駛任務主要包括執行層(轉向、制動、加速、監測車輛與道路環境)和戰術層(事件響應，換道、轉彎、燈光使用等決策)的駕駛任務，但不包括戰略層(目的地和路徑的決策)的駕駛任務；駕駛模式是一種反映動態駕駛任務必要特征的駕駛工況(如高速公路巡航、低速交通擁堵等)；干預請求是自動駕駛系統向人類駕駛員發出的提示，人類駕駛員應根據提示立即開始或繼續執行相應的動態駕駛任務。 在《交通強國建設綱要》《智能汽車創新發展戰略》等多項政策的指引下，我國的智能汽車正在加快融入智能交通體系架構。近年來，工信部已分別在浙江、上海、北京、重慶、武漢等地相繼建立智能網聯汽車示范區，著力發展基于寬帶移動互聯網的智慧交通和智能汽車應用示范，以此推動人工智能、移動通信等*新 IT科技在汽車中的研發與應用。 從發展趨勢來看，智能汽車主要朝著自動駕駛、車路協同(cooperative vehicle infrastructure，CVI)這兩個方面發展。一方面，高度自動化的智能汽車正在向我們快速走來，而推動這個向前發展的重要力量來源于信息科技對汽車的革新，其中的人工智能主要推動汽車朝智能化方向發展，移動通信則推動汽車朝網聯化方向發展。人工智能領域的機器人技術正在深刻影響著智能汽車的發展。信息融合、深度學習等一大批*新的人工智能方法用于智能汽車的感知和決策之中，現代控制理論中的模型預測控制、魯棒控制等方法也使得智能汽車的運動控制更具可靠性。特別地，在近年來 Google AlphaGo的強大推動下，基于深度神經網絡的人工智能開始應用于智能汽車研發中。 1.2.1 汽車智能化發展現狀 在汽車智能化方面，美國、歐洲、日本等國家和地區研究起步較早，很多汽車廠家與科研機構都進行了深入研究。其中，美國以創造應用環境為主，包括支持自動駕駛技術的研究、相關的法律政策的制定以及基礎設施的建設。歐洲部分國家或地區依托歷次框架計劃項目對自動駕駛開展了長期持續的資助，開發了一系列試驗車型(如 Cyber Cars系列)。日本則發揮大型汽車企業的主體作用，積極推動智能汽車技術的應用。 美國是*早啟動無人駕駛技術研究的國家之一。1960年起，為改善汽車操縱性能，俄亥俄州立大學開始進行車輛側向、縱向跟蹤控制研究，為之后的無人駕駛技術研究打下了基礎。1980年，美國陸軍與美國國防高級研究計劃局(Defense Advanced Research Projects Agency，DARPA)組織開展地面自主車輛(autonomous land vehicle，ALV)項目，1984年，卡內基 梅隆大學設計了世界上**臺真正的無人車 Navlab，次年， Navlab-V完成了橫穿美國東西部的無人駕駛試驗，在這次試驗中， Navlab-V的平均時速為102.3km/h，全程98.2%為無人駕駛。1995年，卡內基 梅隆大學[4]研發了基于 PALPH視覺導航的 Navlab-5系統，并進行了橫穿美國的試驗。全程4587km，其中自主駕駛部分占98.2%，*長自主駕駛距離為111km，全程平均速度為102.72km/h。1997年，美國在圣迭戈到洛杉磯之間的12～15km州際公路上成功進行了自動公路系統的實車演示。此次公開演示試驗采用10輛小轎車進行車輛車道自動保持、自動換道、車隊編排，以及車車、車路通信等技術的驗證。演示結束后一年，美國國會便通過《21世紀交通平等法案》，開始組織實施智能車輛主動(intelligent vehicle initiative，IVI)計劃[5]。 2004年，由 DARPA主辦的**屆無人駕駛挑戰賽在美國 Mojave沙漠舉行，卡內基 梅隆大學的 Sandstorm無人車完成了11.78km的無人駕駛挑戰，獲得了**屆無人駕駛挑戰賽的冠軍。2005年，第二屆無人駕駛挑戰賽將比賽場景由沙漠換為城市，對無人駕駛汽車功能的考驗相較于**屆比賽有了較大的提升，該屆比賽吸引了來自世界各地的23支車隊參加，來自斯坦福大學的 Stanley無人車以*短時間完成比賽，奪取了冠軍。2007年，第三屆比賽在佐治亞空軍基地舉行，該次比賽包括96km的城市區域賽段，要求車隊在6小時內完成比賽，并遵守相應的交通規則，*終，卡內基 梅隆大學的 Boss無人車以均速22.53km/h的成績獲得了冠軍。 DARPA無人駕駛挑戰賽極大地促進了全世界范圍內無人駕駛技術的發展，也讓人們看到了無人駕駛技術在民用領域的巨大應用空間。在商業化領域，美國 Google、Tesla、Uber等高科技公司致力于無人駕駛技術的商業化落地，Google公司從2009年開始啟動無人駕駛汽車研發，并于2010年開始進行無人駕駛車輛測試，截至2018年，Google無人駕駛測試里程已超過1000萬英里(1英里≈1.6093km)，2018年10月，Google旗下自動駕駛公司 Waymo開始商業化運營，其在美國亞利桑那州投放的無人車為公眾提供出租車服務。2015年年初，Uber公司與卡內基 梅隆大學在匹斯堡設立高等技術研發中心(Advanced Technologies Center，ATC)，開始進行自動駕駛汽車的研發，同年5月，Uber的自動駕駛測試車正式在匹斯堡上路，截至2019年，Uber ATG累計里程已達500萬英里，其商業落地內容包括個人移動、外賣服務、貨運服務等多個領域。 Tesla公司致力于打造 L2～L3級自動駕駛汽車，與 Google及 Uber的技術方案不同， Tesla的自動駕駛硬件方案不使用激光雷達，而是依靠聲波雷達和光學相機作為感知元件，截至2018年5月，約有15萬輛搭載自動駕駛系統的特斯拉汽車行駛在全球各地。美國無人車研究現狀如圖1.1所示。 圖1.1 美國無人車研究現狀 在歐洲，無人駕駛領域的研究也開始得相對較早，其中以歐洲*高效率和前所未有的安全計劃(program for European of highest efficiency and unprecedented safety，PROMETHEUS)*為著名。在 PROMETHEUS計劃下，迪克曼于1994年帶領項目組研發出 VaMP和 VITA-2無人駕駛車，并在法國高速公路完成了超1000km的測試。意大利的帕爾馬大學在20世紀就開始啟動自動駕駛技術研究，2010年，帕爾馬大學的 Vislab用兩輛自動駕駛汽車，完成了從意大利到中國13000km的無人駕駛測試[6]，此外，牛津大學研制的無人駕駛車輛 WildCat在無全球定位系統(global positioning system，GPS)的條件下，僅依靠激光雷達和相機監控路面情況、交通狀態和障礙物，實現了崎嶇山路上的自動駕駛和堵車繞道等功能。歐洲車廠如奔馳、大眾等都很早布局自動駕駛技術，奧迪更是在2017年推出了搭載 L3級自動駕駛方案的第四代奧迪 A8，成為全球首款 L3級無人駕駛量產車型。從2006年開始，歐洲開始舉辦歐洲
書友推薦
- >
唐代進士錄
- >
莉莉和章魚
- >
苦雨齋序跋文-周作人自編集
- >
我從未如此眷戀人間
- >
上帝之肋:男人的真實旅程
- >
【精裝繪本】畫給孩子的中國神話
- >
中國歷史的瞬間
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
