融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题,设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型,以横向位置偏差最小为主要控制目标,考虑车辆状态约束、控制约束和轮胎侧偏角约束,优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型,并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析,结果表明,所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题,且在安全性、转向稳定性和操作可行性方面具有显著的优势。     

基于跟踪误差模型的智能车辆轨迹跟踪方法

为提高智能车辆轨迹跟踪精度,以车辆动力学模型为基础,提出一种基于线性时变模型预测控制的轨迹跟踪方法。该方法将车辆非线性动力学跟踪误差模型进行线性化和离散化处理,作为控制器的预测模型;建立系统控制增量的目标函数,设计状态量、控制量和控制增量约束条件,利用带约束的二次规划问题求解目标函数;将求得的最优序列的第一项控制量作用于系统。实验结果表明,在双移线工况下,当车速小于15 m/s时,横向最大误差小于0.52 m,航向最大误差小于0.067 rad。     

基于多目标优化的自动驾驶汽车轨迹跟踪控制的研究

由于汽车数量的迅速增长,交通拥堵问题越来越严重,交通事故发生率也随之不断上升,对人类生产生活造成了巨大损失。为了能够减少甚至避免道路交通系统中存在交通控制方面的盲点性和冲突,自动驾驶汽车技术已经成为当前研究的热点。针对基于多目标优化的交通轨迹跟踪控制问题进行了分析与研究,首先介绍了一种简单实用且能有效避免交通事故发生的方法 ;针对国内外相关课题研究现状作简要综述并提出自己所存在和有待解决或改进的关键性问题:即车辆动力学参数确定困难、运动学特性不同时间下位置变化导致轨迹失调及道路拥挤等现象。     

基于K均值和不变矩的粒子滤波视频目标跟踪

针对传统的粒子滤波算法存在的粒子退化现象和需要大量粒子才能保证状态预估计的精度,导致视频序列目标实时跟踪难以实现的问题进行了研究,提出了一种基于K均值和不变矩的粒子滤波实时目标跟踪算法。首先对最初采样的粒子集采用K均值算法进行聚类,将N个粒子分配到K个聚类中心;然后将不变矩算法引入到粒子的选取中,通过与上一帧目标位置最接近的三类聚类中心进行不变矩匹配,选择其中与目标模块最接近的那一类进行粒子滤波跟踪运算。实验结果表明文中提出的改进算法能够很好的解决粒子退化的问题,只需要采用较少的粒子就能达到很好的跟踪精度,大大的减少了计算量,改善了粒子滤波的实时性的问题。同时,在一定程度上解决了目标跟踪中相似背景的干扰和目标遮挡的问题。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中,同时兼顾轨迹跟踪算法的跟踪精度,计算速度与车辆稳定性,提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制,并基于路面附着系数设计2种控制策略：在高附着系数路面,针对不同车速优化预测时域与控制时域;在低附着系数路面,开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数,利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求;相较于传统线性时变MPC跟踪算法,低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上,横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验,算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化,利用自适应预...     

基于模型预测的智能汽车轨迹跟踪控制

针对智能驾驶汽车轨迹跟踪问题,本文验证在五次多项式工况下,模型预测控制的轨迹跟踪效果。本文建立车辆运动学模型,为了便于建立基于模型预测的轨迹跟踪控制器,将所建立的非线性车辆运动学模型线性化,再通过向前欧拉法将系统离散化,得到基于线性时变的预测模型。为了使汽车可以快速且平稳地跟踪目标轨迹,建立包含系统状态量和控制增量的目标函数。最后在Matlab/Simulink中对设计的轨迹跟踪器在五次多项式工况下进行测试,与前轮反馈控制（Stanley）对比,验证此工况下所建立的基于模型预测控制的轨迹跟踪器与Stanley控制相比,可以更准确地跟踪期望轨迹。     

基于模型预测控制的智能车轨迹跟踪控制研究

为了完成智能车的轨迹跟踪,提出一种基于模型预测控制的轨迹跟踪方法,利用将运动学模型这个非线性系统线性化的方案,来获得必须的线性时变系统,采取模型预测控制的三要素来设计控制器。并且基于MPC在控制过程中能增加多种约束的优点,建立基于车辆运动学模型的约束做轨迹跟踪仿真实验,最后,基于山东理工大学智能车平台上GPS提供的定位信息,在校园中采集路线并对前提规划好的的轨迹进行实车验证。实验结果表明:基于MPC算法所设计的控制器能快速且稳定地跟踪期望轨迹。     

装载机避障轨迹规划及模型预测轨迹跟踪

轮式装载机在工作区域行驶时,避障过程频繁,以往的避障轨迹规划未考虑整车转向半径约束和车速变化,也较少考虑整车在动力学模型条件下的轨迹跟踪性能.针对上述情况,以自动驾驶轮式装载机为对象,基于最优快速随机扩展树算法(RRT*),考虑车身膨胀圆个数,生成全局最优避障路径,以整车最小稳定转向半径为约束,利用CC-Steer算法...     

基于数据关联和改进统计模型的激光雷达目标跟踪研究

目标运动状态识别与关联匹配是智能车辆环境感知中目标跟踪的关键因素,本文中以单线激光雷达为主要传感器开展了车辆前方目标跟踪算法的研究。在最近邻法基础上构造了包含距离、尺寸和反射强度的"关联函数"进行量测值与目标值之间的关联匹配,并基于改进的当前统计模型设计了自适应卡尔曼滤波估计算法来识别目标的运动状态。仿真和试验结果表明,该目标关联匹配与运动状态识别算法能有效地抑制测量过程中引入的量测噪声,并实时、可靠地估计前方障碍物的位置、速度和加速度,实现对目标的跟踪。     

基于自适应模型预测的智能汽车轨迹跟踪控制研究

针对车辆纵、横向跟踪的强耦合、非线性特性,设计了基于自适应模型预测控制理论的轨迹跟踪控制器.同时考虑纵、横向跟踪控制,并引入线性变参数模型(LPV),把纵向速度对横向跟踪的影响转化为LPV模型中调度参数的变化,把纵、横向跟踪的高度非线性动力学模型转化为LTI模型的插值队列,以用于自适应纵向速度的改变.基于预测控制理论,...     

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明：在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。     

基于增量线性模型预测控制的无人车轨迹跟踪方法

针对现有无人车轨迹跟踪研究中假设轮胎侧偏角始终处于线性区域的不足,提出了一种基于增量线性时变模型预测控制的轨迹跟踪方法。在每个控制周期内进行轮胎魔术公式的线性化处理,建立时变轮胎模型,并结合车辆二自由度模型,获得了车辆时变模型,设计增量线性时变模型预测控制器(ILTVMPC),完成了轨迹跟踪,在二次规划求解过程中加入包括控制量和控制增量等约束。利用MATLAB/Simulink平台将该方法与非线性模型预测控制进行仿真对比,结果表明:基于时变轮胎模型的ILTVMPC,不仅在跟踪精度和稳定性上有优异表现,而且计算实时性得到较大幅度提升。     

基于车辆动力学混合模型的智能汽车轨迹跟踪控制方法

基于机理分析的车辆动力学建模过程通常进行简化及假设,无法准确计算实际车辆在不同道路条件下的动力学变化,进而导致智能汽车轨迹跟踪控制精度低、不稳定等问题。鉴于此,本文中提出了一种基于混合建模技术的非线性建模与控制方法,构建机理分析-数据驱动的车辆动力学串联混合模型,车辆状态与控制数据经机理模型实现计算处理,级联合并后作为数据驱动模块的输入,长短时记忆网络作为主干网络实现时序数据的非线性关联特征提取和最终的模型输出计算。测试结果表明,该模型可以补充计算机理模型中的部分未建模动态并提高模型计算精度,且具有隐式理解不同路面附着条件的能力。其次,使用Euler积分完成对预测模型的离散化并设计模型预测控制轨迹跟踪算法,设计前馈反馈控制算法在实现车辆的纵向控制的同时提供横向控制中预测模型所需的外部输入,最终实现更符合实际行驶环境且更精准的轨迹跟踪控制效果。CarSim/Simulink联合仿真结果表明,该方法实现了不同道路附着系数下控制量精确输出,同步提升了智能汽车轨迹跟踪控制精度和稳定性,具有良好的横纵向协调控制效果。     

基于深度学习的多目标车辆轨迹自动采集方法

车辆轨迹通常用于驾驶行为建模和交通安全领域.为获取交通视频中车辆轨迹,提出一种基于深度学习的自动采集方法.利用YOLOv5检测器在连续帧中的感兴趣区域进行车辆检测,通过DeepSORT跟踪器进行稳健而快速的车辆跟踪,该追踪器可以有效减少目标ID的跳变,提升跟踪稳定性,通过透视变换得到车辆的真实世界坐标并使用局部加权回归...     

基于自适应模糊控制的AGV轨迹跟踪系统

针对传统控制方式难以准确完成AGV轨迹跟踪任务这一问题,提出一种基于自适应模糊控制的轨迹跟踪方法.首先建立AGV的运动学模型,并基于李雅普诺夫第二法设计控制律.其次,以期望轨迹与实际轨迹的位姿偏差作为输入,以控制律中的比例因子作为输出,设计自适应模糊控制器.最后,使用Matlab/Simulink对设计的控制系统进行仿...     

基于遗传算法的盘式制动器多目标优化模型

介绍了盘式制动器混合多目标优化问题数学模型的建立，提出以制动摩擦力矩和制动时间为主要优化目标的多目标函数，为求得全局最优解，引进了遗传算法进行优化，结果表明，方法简便可行。