基于模糊邏輯的智能駕駛關鍵技術研究.pdf

1、在過去的30年,用于城市地面交通工具中自動駕駛技術的開發(fā)已經得到了飛速的發(fā)展。目前,現代自主駕駛車輛已具備一定感知車輛周圍環(huán)境的能力,比如根椐分類所分析對象的類型并進行檢測;觀測周身環(huán)境的變化并評估對象的移動可能性;在遵循交通法規(guī)的基礎之上對復雜的交通現狀進行車輛路徑規(guī)劃并分析障礙物的移動方向等。在這些復雜的情況下,這種自主導航能力是建立在很多學科(例如:計算機學、電子工程學、機器人技術和控制學等)的基礎之上跨越并結合之后研發(fā)的。

2、 本學位論文對自主車輛系統所包含很多重疊和整合系統及技術知識進行了探討,并對從攝像機鏡頭捕捉到的圖像以及對于車輛位置、車輛性質種類、不同物體的速度及來自從各種傳感器如GPS、雷達、相機、和其他人對車輛周圍的危險指數分析并對相關數據資料加以分析和總結。值得說明的是對所研究對象來判斷并得出詳細描述他們的內容研究(比如根椐他們的外部形象特征來將其歸類)不在本論文的范圍內。
　　首先我們設計或規(guī)劃得出描述每個對象的N個特征向量等數據,每個

3、特征向量包含的數據描述如下:(1)對象屬性(比如汽車、人群、樹木、障礙物等等)(2)測試車輛和物體之間的距離以[以(x,y)坐標軸的方式描述與計算]。(3)運動客體的相對移動方向[以(x,y)坐標軸的方式描述與計算]。(4)行駛車輛的當前速度。行駛環(huán)境范圍內,車輛與每個物體之間計算得出的時間值可能會有沖突,這是證明風險的關鍵點?；诳赡艽嬖诘呐鲎矔r間標準,每個對象都是通過使用不同的分類技術風險和危險水平來排序。目前這些技術具體包含:K最

4、近鄰群集算法(KNN)、神經網絡(NN)、支持向量機(SVM)等。相比較之下,K-means算法經研究被驗證為最適用于本文所描述數據集的最好方法。
　　然后,我們研究如何處理那些僅使用單項輸入模式可能無法實現的、并從多個特征向量中為了提高準確性和更具體推論規(guī)則和推理的數據融合系統相結合的數據,以及為了給予一個正確精準的決策而需要對n向量操控和整合等方面的問題。為了計算給出一個正確的決策信息,我們針對一個由F個自定義的特征組成向量,

5、并結合N個采集對象特征向量,然后融合集成所有必需的數據集。在此研究背景的框架下,我們提出了兩種不同的融合算法:A)基于車輛相對位置的決策級數據融合[最高風險從(左,右和前面,后面)]。B)基于對象特征屬性的數據融合[風險最高的(汽車、人力、交通信號燈、和障礙]。并且,在此基礎上我們詳細比較了這兩個方法。同時在決策階段時依據輸入的特性選用其中之一方法,以便得到較好的決策結果。
　　最后,我們介紹了提出的模糊邏輯控制系統,用于解決不確

6、定性的考慮多個選擇的問題,一種合適的模糊邏輯決策算法。該算法的思想是依據不同行為特征選擇導致的有關車輛位置等不同距離特征的影響,并以計算得出的汽車碰撞時間進行測試。不同距離特征會影響所需計算的汽車碰撞時間,這個運算法則始于那些行為被選擇,而后執(zhí)行“并”的法則完成和遵循。系統描述了汽車自主行駛決策的各種工況,包括每個“僅在前”,“僅在后”,“僅在左”,“僅在右”等方向的工況下車輛對象可能產生事故的原因。由于本文方法具備了提示正確的方向轉向