本文關(guān)鍵詞：無人駕駛地下礦用汽車路徑跟蹤與速度決策研究

  更多相關(guān)文章： 地下礦用汽車 路徑跟蹤 速度決策 無人駕駛 機(jī)器學(xué)習(xí)

【摘要】：隨著我國對(duì)地下礦產(chǎn)資源開采量的顯著增加,國家大力發(fā)展深部采礦,隨著開采深度增加,工作環(huán)境高溫、高濕、噪聲振動(dòng)等對(duì)礦山設(shè)備操作人員健康造成極大危害,因此無人駕駛系統(tǒng)受到廣泛關(guān)注。本文以30噸級(jí)地下礦用鉸接式自卸車為研究對(duì)象,針對(duì)無人駕駛地下礦用汽車的路徑跟蹤控制、速度決策算法方面做了相應(yīng)的研究。旨在實(shí)現(xiàn)無人駕駛過程中的路徑跟蹤和抑制地形引起的整車振動(dòng)。本文對(duì)實(shí)車進(jìn)行電氣化改造,并搭建了小比例模型樣機(jī),建立了用于硬件在環(huán)仿真的實(shí)時(shí)模型虛擬樣機(jī)。在實(shí)車和小比例樣機(jī)上加裝了相同的信息采集系統(tǒng)、通信系統(tǒng)和主控制器,實(shí)現(xiàn)了地下礦用汽車實(shí)車及其模型樣機(jī)的人工操作、遙控操作以及無人駕駛功能。在樣機(jī)的基礎(chǔ)上定義了參考軌跡與實(shí)際軌跡的偏差并證明了車速與整車垂向振動(dòng)響應(yīng)幅值線性關(guān)系。對(duì)實(shí)車轉(zhuǎn)向與速度控制模型進(jìn)行系統(tǒng)辨識(shí),發(fā)現(xiàn)轉(zhuǎn)向控制模型為純滯后比例環(huán)節(jié),速度控制模型為純滯后一階慣性環(huán)節(jié)。為路徑跟蹤與速度決策算法設(shè)計(jì)提供了理論依據(jù)。根據(jù)反應(yīng)式導(dǎo)航控制策略,以PID控制算法為基礎(chǔ),設(shè)計(jì)了基于強(qiáng)化學(xué)習(xí)的自適應(yīng)PID路徑跟蹤方向控制器,該控制器以軌跡偏差為輸入,以轉(zhuǎn)角控制量為輸出,通過強(qiáng)化學(xué)習(xí)算法對(duì)PID參數(shù)進(jìn)行在線自適應(yīng)整定。之后根據(jù)駕駛員預(yù)瞄模型,制定了路徑跟蹤速度控制策略,并設(shè)計(jì)了基于監(jiān)督學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)路徑跟蹤速度控制器。利用監(jiān)督學(xué)習(xí)算法,以駕駛員行駛數(shù)據(jù)作為訓(xùn)練樣本,對(duì)控制器參數(shù)進(jìn)行學(xué)習(xí)。以垂向振動(dòng)加速度幅值與車速的線性關(guān)系為基礎(chǔ),推導(dǎo)了基于整車垂向振動(dòng)的理想速度,并以路徑跟蹤速度控制器輸出、理想速度和縱向加速度作為約束,設(shè)計(jì)了速度決策算法,參數(shù)通過監(jiān)督學(xué)習(xí)算法由駕駛員數(shù)據(jù)訓(xùn)練得出。隨后定義了激光雷達(dá)點(diǎn)云數(shù)據(jù)的特征向量和地形粗糙度評(píng)分函數(shù),并根據(jù)粗糙程度將地形分類二值化以使用自監(jiān)督學(xué)習(xí)算法進(jìn)行學(xué)習(xí),學(xué)習(xí)樣本由激光雷達(dá)和慣性導(dǎo)航模塊數(shù)據(jù)經(jīng)濾波后在線自動(dòng)產(chǎn)生。將地形粗糙度結(jié)果用于速度預(yù)測從而改進(jìn)速度決策算法。最后通過仿真驗(yàn)證和道路實(shí)車實(shí)驗(yàn)分別對(duì)路徑跟蹤和速度決策算法進(jìn)行測試。路徑跟蹤實(shí)驗(yàn)結(jié)果顯示自適應(yīng)PID路徑跟蹤方向控制器相比傳統(tǒng)固定參數(shù)PID控制器橫向位置偏差、航向角偏差、曲率偏差和轉(zhuǎn)角控制量的幅值、均值、方差均有明顯減少,而模糊神經(jīng)網(wǎng)絡(luò)路徑跟蹤速度控制器輸出與駕駛員速度控制意圖接近；速度決策算法實(shí)驗(yàn)結(jié)果顯示該算法結(jié)合速度預(yù)測在崎嶇路面可以明顯降低整車超閾值垂向振動(dòng)次數(shù)與幅值,同時(shí)在平坦路面能夠提高車速。實(shí)驗(yàn)結(jié)果證明了路徑跟蹤方向和速度控制器能夠?qū)o人駕駛地下礦用汽車進(jìn)行有效控制。速度決策算法可以有效抑制由地形引起的整車垂向振動(dòng)。本文為無人駕駛地下礦用汽車路徑跟蹤與速度決策研究提供了理論依據(jù)。
【關(guān)鍵詞】：地下礦用汽車 路徑跟蹤 速度決策 無人駕駛 機(jī)器學(xué)習(xí)
【學(xué)位授予單位】：北京科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TD634
【目錄】：

• 致謝4-5
• 摘要5-7
• Abstract7-13
• 1 引言13-33
• 1.1 研究背景及意義13-14
• 1.2 無人駕駛地下鉸接式車輛國內(nèi)外技術(shù)現(xiàn)狀14-27
• 1.2.1 國外技術(shù)現(xiàn)狀15-26
• 1.2.2 國內(nèi)相關(guān)技術(shù)現(xiàn)狀26-27
• 1.3 路徑跟蹤控制技術(shù)發(fā)展概況27-29
• 1.4 速度決策技術(shù)發(fā)展概況29-30
• 1.5 地形檢測技術(shù)發(fā)展概況30-31
• 1.6 課題技術(shù)路線和研究內(nèi)容31-32
• 1.6.1 技術(shù)路線31
• 1.6.2 主要研究內(nèi)容31-32
• 1.7 本章小結(jié)32-33
• 2 無人駕駛地下鉸接式自卸車33-57
• 2.1 無人駕駛地下鉸接式自卸車系統(tǒng)組成33-34
• 2.2 模型樣機(jī)系統(tǒng)組成34-36
• 2.3 動(dòng)力系統(tǒng)36
• 2.4 信息采集系統(tǒng)36-40
• 2.4.1 傳感器的選取及布置37-39
• 2.4.2 激光雷達(dá)39
• 2.4.3 里程計(jì)39-40
• 2.4.4 轉(zhuǎn)角傳感器40
• 2.4.5 慣性導(dǎo)航模塊40
• 2.5 通信系統(tǒng)40-49
• 2.5.1 CAN總線通信41-47
• 2.5.2 基于UDP協(xié)議的以太網(wǎng)通信47-49
• 2.6 控制系統(tǒng)49-56
• 2.6.1 控制系統(tǒng)設(shè)計(jì)49-50
• 2.6.2 控制系統(tǒng)軟件設(shè)計(jì)50-56
• 2.7 本章小結(jié)56-57
• 3 整車模型分析57-71
• 3.1 轉(zhuǎn)向運(yùn)動(dòng)學(xué)模型57-59
• 3.2 運(yùn)動(dòng)軌跡描述59-61
• 3.3 軌跡偏差方程61-62
• 3.4 車輛動(dòng)力學(xué)模型62-63
• 3.5 整車垂向受迫振動(dòng)響應(yīng)模型63-65
• 3.6 控制模型系統(tǒng)辨識(shí)65-70
• 3.6.1 系統(tǒng)辨識(shí)方法與原理65-67
• 3.6.2 轉(zhuǎn)向控制模型系統(tǒng)辨識(shí)67-68
• 3.6.3 速度控制模型系統(tǒng)辨識(shí)68-70
• 3.7 本章小結(jié)70-71
• 4 基于強(qiáng)化學(xué)習(xí)的路徑跟蹤方向控制71-92
• 4.1 無人駕駛自主導(dǎo)航技術(shù)71-73
• 4.1.1 反應(yīng)式導(dǎo)航技術(shù)71-72
• 4.1.2 反應(yīng)式導(dǎo)航控制策略72-73
• 4.2 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)PID路徑跟蹤方向控制器設(shè)計(jì)73-83
• 4.2.1 PID控制算法73-75
• 4.2.2 時(shí)域差值學(xué)習(xí)算法75-76
• 4.2.3 CMAC神經(jīng)網(wǎng)絡(luò)76-77
• 4.2.4 Actor-Critic學(xué)習(xí)77-78
• 4.2.5 強(qiáng)化學(xué)習(xí)自適應(yīng)PID控制器78-82
• 4.2.6 路徑跟蹤方向控制器設(shè)計(jì)82-83
• 4.3 硬件在環(huán)仿真83-91
• 4.3.1 硬件在環(huán)仿真平臺(tái)83-85
• 4.3.2 仿真設(shè)計(jì)85
• 4.3.3 仿真結(jié)果分析85-91
• 4.4 本章小結(jié)91-92
• 5 基于監(jiān)督學(xué)習(xí)的路徑跟蹤速度控制92-106
• 5.1 基于駕駛員預(yù)瞄的速度控制策略92-93
• 5.2 基于監(jiān)督學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)路徑跟蹤方向控制器設(shè)計(jì)93-102
• 5.2.1 模糊控制算法93-95
• 5.2.2 自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)95-97
• 5.2.3 ANFIS結(jié)構(gòu)97-100
• 5.2.4 ANFIS學(xué)習(xí)算法100-101
• 5.2.5 路徑跟蹤速度控制器設(shè)計(jì)101-102
• 5.3 仿真實(shí)驗(yàn)102-105
• 5.3.1 實(shí)驗(yàn)設(shè)計(jì)102-103
• 5.3.2 實(shí)驗(yàn)結(jié)果分析103-105
• 5.4 本章小結(jié)105-106
• 6 基于監(jiān)督學(xué)習(xí)的速度決策算法106-112
• 6.1 速度決策算法106-107
• 6.2 監(jiān)督學(xué)習(xí)算法107-109
• 6.2.1 坐標(biāo)下降法107
• 6.2.2 優(yōu)化目標(biāo)107-108
• 6.2.3 參數(shù)學(xué)習(xí)108-109
• 6.3 硬件在環(huán)仿真109-111
• 6.3.1 仿真設(shè)計(jì)109
• 6.3.2 仿真結(jié)果分析109-111
• 6.4 本章小結(jié)111-112
• 7 基于自監(jiān)督學(xué)習(xí)的地形分類和速度預(yù)測112-128
• 7.1 三維點(diǎn)云數(shù)據(jù)采集112-113
• 7.2 地形分類與速度預(yù)測113-115
• 7.3 訓(xùn)練樣本標(biāo)定115-122
• 7.3.1 原始數(shù)據(jù)濾波115-116
• 7.3.2 地形粗糙度系數(shù)計(jì)算116
• 7.3.3 數(shù)據(jù)融合姿態(tài)解算116-118
• 7.3.4 雷達(dá)點(diǎn)云位置信息解算118-122
• 7.4 自監(jiān)督學(xué)習(xí)算法122-124
• 7.4.1 接收者操作特征曲線122-123
• 7.4.2 優(yōu)化目標(biāo)123
• 7.4.3 參數(shù)迭代123-124
• 7.5 模型樣機(jī)實(shí)驗(yàn)124-127
• 7.5.1 實(shí)驗(yàn)設(shè)計(jì)124-125
• 7.5.2 實(shí)驗(yàn)結(jié)果分析125-127
• 7.6 本章小結(jié)127-128
• 8 道路實(shí)驗(yàn)研究128-137
• 8.1 路徑跟蹤控制實(shí)驗(yàn)128-133
• 8.1.1 實(shí)驗(yàn)設(shè)計(jì)128-129
• 8.1.2 實(shí)驗(yàn)結(jié)果分析129-133
• 8.2 速度決策控制實(shí)驗(yàn)133-136
• 8.2.1 實(shí)驗(yàn)設(shè)計(jì)133-134
• 8.2.2 實(shí)驗(yàn)結(jié)果分析134-136
• 8.3 本章小結(jié)136-137
• 9 結(jié)論137-141
• 9.1 全文總結(jié)137-138
• 9.2 創(chuàng)新點(diǎn)138
• 9.3 研究展望138-141
• 參考文獻(xiàn)141-149
• 作者簡歷及在學(xué)研究成果149-153
• 學(xué)位論文數(shù)據(jù)集153

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 趙，

本文編號(hào)：1030385