无人驾驶地下矿用汽车路径跟踪与速度决策研究

发布时间：2017-10-14 10:00

  本文关键词：无人驾驶地下矿用汽车路径跟踪与速度决策研究

  更多相关文章： 地下矿用汽车 路径跟踪 速度决策 无人驾驶 机器学习

【摘要】：随着我国对地下矿产资源开采量的显著增加,国家大力发展深部采矿,随着开采深度增加,工作环境高温、高湿、噪声振动等对矿山设备操作人员健康造成极大危害,因此无人驾驶系统受到广泛关注。本文以30吨级地下矿用铰接式自卸车为研究对象,针对无人驾驶地下矿用汽车的路径跟踪控制、速度决策算法方面做了相应的研究。旨在实现无人驾驶过程中的路径跟踪和抑制地形引起的整车振动。本文对实车进行电气化改造,并搭建了小比例模型样机,建立了用于硬件在环仿真的实时模型虚拟样机。在实车和小比例样机上加装了相同的信息采集系统、通信系统和主控制器,实现了地下矿用汽车实车及其模型样机的人工操作、遥控操作以及无人驾驶功能。在样机的基础上定义了参考轨迹与实际轨迹的偏差并证明了车速与整车垂向振动响应幅值线性关系。对实车转向与速度控制模型进行系统辨识,发现转向控制模型为纯滞后比例环节,速度控制模型为纯滞后一阶惯性环节。为路径跟踪与速度决策算法设计提供了理论依据。根据反应式导航控制策略,以PID控制算法为基础,设计了基于强化学习的自适应PID路径跟踪方向控制器,该控制器以轨迹偏差为输入,以转角控制量为输出,通过强化学习算法对PID参数进行在线自适应整定。之后根据驾驶员预瞄模型,制定了路径跟踪速度控制策略,并设计了基于监督学习的模糊神经网络路径跟踪速度控制器。利用监督学习算法,以驾驶员行驶数据作为训练样本,对控制器参数进行学习。以垂向振动加速度幅值与车速的线性关系为基础,推导了基于整车垂向振动的理想速度,并以路径跟踪速度控制器输出、理想速度和纵向加速度作为约束,设计了速度决策算法,参数通过监督学习算法由驾驶员数据训练得出。随后定义了激光雷达点云数据的特征向量和地形粗糙度评分函数,并根据粗糙程度将地形分类二值化以使用自监督学习算法进行学习,学习样本由激光雷达和惯性导航模块数据经滤波后在线自动产生。将地形粗糙度结果用于速度预测从而改进速度决策算法。最后通过仿真验证和道路实车实验分别对路径跟踪和速度决策算法进行测试。路径跟踪实验结果显示自适应PID路径跟踪方向控制器相比传统固定参数PID控制器横向位置偏差、航向角偏差、曲率偏差和转角控制量的幅值、均值、方差均有明显减少,而模糊神经网络路径跟踪速度控制器输出与驾驶员速度控制意图接近；速度决策算法实验结果显示该算法结合速度预测在崎岖路面可以明显降低整车超阈值垂向振动次数与幅值,同时在平坦路面能够提高车速。实验结果证明了路径跟踪方向和速度控制器能够对无人驾驶地下矿用汽车进行有效控制。速度决策算法可以有效抑制由地形引起的整车垂向振动。本文为无人驾驶地下矿用汽车路径跟踪与速度决策研究提供了理论依据。
【关键词】：地下矿用汽车 路径跟踪 速度决策 无人驾驶 机器学习
【学位授予单位】：北京科技大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TD634
【目录】：

• 致谢4-5
• 摘要5-7
• Abstract7-13
• 1 引言13-33
• 1.1 研究背景及意义13-14
• 1.2 无人驾驶地下铰接式车辆国内外技术现状14-27
• 1.2.1 国外技术现状15-26
• 1.2.2 国内相关技术现状26-27
• 1.3 路径跟踪控制技术发展概况27-29
• 1.4 速度决策技术发展概况29-30
• 1.5 地形检测技术发展概况30-31
• 1.6 课题技术路线和研究内容31-32
• 1.6.1 技术路线31
• 1.6.2 主要研究内容31-32
• 1.7 本章小结32-33
• 2 无人驾驶地下铰接式自卸车33-57
• 2.1 无人驾驶地下铰接式自卸车系统组成33-34
• 2.2 模型样机系统组成34-36
• 2.3 动力系统36
• 2.4 信息采集系统36-40
• 2.4.1 传感器的选取及布置37-39
• 2.4.2 激光雷达39
• 2.4.3 里程计39-40
• 2.4.4 转角传感器40
• 2.4.5 惯性导航模块40
• 2.5 通信系统40-49
• 2.5.1 CAN总线通信41-47
• 2.5.2 基于UDP协议的以太网通信47-49
• 2.6 控制系统49-56
• 2.6.1 控制系统设计49-50
• 2.6.2 控制系统软件设计50-56
• 2.7 本章小结56-57
• 3 整车模型分析57-71
• 3.1 转向运动学模型57-59
• 3.2 运动轨迹描述59-61
• 3.3 轨迹偏差方程61-62
• 3.4 车辆动力学模型62-63
• 3.5 整车垂向受迫振动响应模型63-65
• 3.6 控制模型系统辨识65-70
• 3.6.1 系统辨识方法与原理65-67
• 3.6.2 转向控制模型系统辨识67-68
• 3.6.3 速度控制模型系统辨识68-70
• 3.7 本章小结70-71
• 4 基于强化学习的路径跟踪方向控制71-92
• 4.1 无人驾驶自主导航技术71-73
• 4.1.1 反应式导航技术71-72
• 4.1.2 反应式导航控制策略72-73
• 4.2 基于强化学习的自适应PID路径跟踪方向控制器设计73-83
• 4.2.1 PID控制算法73-75
• 4.2.2 时域差值学习算法75-76
• 4.2.3 CMAC神经网络76-77
• 4.2.4 Actor-Critic学习77-78
• 4.2.5 强化学习自适应PID控制器78-82
• 4.2.6 路径跟踪方向控制器设计82-83
• 4.3 硬件在环仿真83-91
• 4.3.1 硬件在环仿真平台83-85
• 4.3.2 仿真设计85
• 4.3.3 仿真结果分析85-91
• 4.4 本章小结91-92
• 5 基于监督学习的路径跟踪速度控制92-106
• 5.1 基于驾驶员预瞄的速度控制策略92-93
• 5.2 基于监督学习的模糊神经网络路径跟踪方向控制器设计93-102
• 5.2.1 模糊控制算法93-95
• 5.2.2 自适应神经网络模糊推理系统95-97
• 5.2.3 ANFIS结构97-100
• 5.2.4 ANFIS学习算法100-101
• 5.2.5 路径跟踪速度控制器设计101-102
• 5.3 仿真实验102-105
• 5.3.1 实验设计102-103
• 5.3.2 实验结果分析103-105
• 5.4 本章小结105-106
• 6 基于监督学习的速度决策算法106-112
• 6.1 速度决策算法106-107
• 6.2 监督学习算法107-109
• 6.2.1 坐标下降法107
• 6.2.2 优化目标107-108
• 6.2.3 参数学习108-109
• 6.3 硬件在环仿真109-111
• 6.3.1 仿真设计109
• 6.3.2 仿真结果分析109-111
• 6.4 本章小结111-112
• 7 基于自监督学习的地形分类和速度预测112-128
• 7.1 三维点云数据采集112-113
• 7.2 地形分类与速度预测113-115
• 7.3 训练样本标定115-122
• 7.3.1 原始数据滤波115-116
• 7.3.2 地形粗糙度系数计算116
• 7.3.3 数据融合姿态解算116-118
• 7.3.4 雷达点云位置信息解算118-122
• 7.4 自监督学习算法122-124
• 7.4.1 接收者操作特征曲线122-123
• 7.4.2 优化目标123
• 7.4.3 参数迭代123-124
• 7.5 模型样机实验124-127
• 7.5.1 实验设计124-125
• 7.5.2 实验结果分析125-127
• 7.6 本章小结127-128
• 8 道路实验研究128-137
• 8.1 路径跟踪控制实验128-133
• 8.1.1 实验设计128-129
• 8.1.2 实验结果分析129-133
• 8.2 速度决策控制实验133-136
• 8.2.1 实验设计133-134
• 8.2.2 实验结果分析134-136
• 8.3 本章小结136-137
• 9 结论137-141
• 9.1 全文总结137-138
• 9.2 创新点138
• 9.3 研究展望138-141
• 参考文献141-149
• 作者简历及在学研究成果149-153
• 学位论文数据集153

【参考文献】

中国期刊全文数据库 前10条

1 赵，

本文编号：1030385