cari
RumahPeranti teknologiAIMemperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Tajuk tesis: "Kaedah perancangan trajektori untuk kenderaan autonomi dalam persekitaran yang tidak menentu berdasarkan kawalan ramalan model yang dipertingkatkan"

Jurnal yang diterbitkan: Transaksi IEEE mengenai Sistem Pengangkutan Pintar

Tarikh penerbitan: April 2023

Bacaan saya sendiri terutamanya bahagian yang saya fikir adalah perkara utama, bukan terjemahan teks penuh Artikel ini mengikuti artikel sebelumnya dan menyusun bahagian pengesahan percubaan kertas ini. Artikel sebelum ini adalah seperti berikut: Berikut adalah nota pembacaan kertas saya sendiri, terutamanya bahagian yang saya fikir adalah perkara utama, bukan terjemahan teks penuh Artikel ini mengikuti artikel sebelumnya dan menyusun bahagian pengesahan eksperimen kertas ini. Artikel sebelum ini adalah seperti berikut:

fhwim: Kaedah perancangan trajektori berdasarkan kawalan ramalan model yang dipertingkatkan untuk kenderaan autonomi dalam persekitaran yang tidak menentu
https://zhuanlan.zhihu.com/p/658708080

1 (1) Persekitaran simulasi

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentuRajah 1 Persediaan persekitaran simulasi

(2) Mendapatkan set MRPI

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

set subsistem MRPIMemperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

(3) kes1: pengelakan statik Adegan halangan

Adegan mengelak halangan statik merujuk kepada pegun kenderaan halangan Hasil perancangan trajektori adalah seperti berikut:

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Bandingkan kaedah MPC umum dan kaedah MPC berasaskan saluran paip dalam Rajah 3

Di sini saya mengesyaki bahawa dia mempunyai legen. Soalan, mengikut artikel sebelum ini, trajektori rujukan akhir diperolehi dengan menambah trajektori yang dikehendaki dan trajektori pelarasan Pada masa yang sama, ketika menganalisis keputusan, beliau juga mengatakan bahawa MPC berasaskan tiub berada di kawasan dan. dalam Rajah 3(b). ) harus ditukar, iaitu garisan hijau ialah trajektori rujukan akhir. Termasuk lengkung kelajuan dan lengkung ralat mendatar dan menegak di bawah, tetapi anda mungkin boleh memahami maksud pengarang Lengkung hijau dalam MPC berasaskan tiub ialah hasil akhir, dan lengkung biru ialah hasil tanpa trajektori pelarasan.

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Rajah 4 menunjukkan perbandingan perubahan kelajuan antara kaedah MPC am dan kaedah MPC berasaskan saluran paip

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Rajah 5 Perbandingan kedudukan melintang

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

yang perlu ditulis semula

ralat mendatar dan menegak Rajah 6

Penulis juga membandingkan kelancaran perubahan sudut stereng, yang tidak akan saya jelaskan secara terperinci di sini, ia telah bertambah baik. Pada masa yang sama, penulis mencadangkan asas teori untuk kesan baik melaraskan trajektori Selepas menambahnya, ralat trajektori sentiasa berada dalam set MRPI, iaitu sisihan penjejakan bagi kawalan ramalan model berasaskan tiub (MPC berasaskan tiub) sentiasa berada dalam set MRPI Kawalan ramalan model umum (MPC) tidak mempunyai sempadan dalam persekitaran yang tidak menentu, yang mungkin sangat besar

(4) kes2: adegan pengelakan halangan dinamik

Berbanding dengan. adegan tadi, kini kereta penghalang mula bergerak. Kami tidak akan membincangkan secara terperinci tentang trajektori keseluruhan, perubahan kelajuan, ralat mendatar dan menegak, dan kelancaran perubahan stereng. Di sini, hanya ilustrasi trajektori keseluruhan ditunjukkan

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Rajah 7 Perbandingan keseluruhan trajektori antara kaedah MPC am dan kaedah MPC berasaskan tiub

(5) kes3: adegan pemanduan sebenar

Di sini, pengarang memilih untuk menggunakan set data NGSIM untuk mengesahkan kaedah anda. Pertama, penulis mengesahkan kaedah ramalan gabungan. Set data NGSIM mengandungi data trajektori kenderaan, yang pengarang dibahagikan kepada trajektori sejarah dan trajektori masa depan, dan membina set latihan untuk penyahkod pengekod LSTM untuk dipelajari. Penulis memilih 10,000 trajektori yang mana 7,500 daripadanya digunakan sebagai set latihan dan 2,500 sebagai set pengesahan. Pengoptimum mengambil Adam dan menetapkan kadar pembelajaran kepada 0.01. Kesan ramalan ditunjukkan dalam rajah di bawah

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Rajah 8 Keputusan ramalan trajektori mendatar dan menegak dan ketidakpastian

Dalam artikel ini, penulis tidak menggunakan penunjuk yang biasa digunakan dalam bidang ramalan trajektori, seperti ADE, FDE, dsb. Saya rasa pendekatan ini tidak meyakinkan, tetapi ia juga boleh difahami bahawa fokus artikel ini adalah perancangan trajektori berdasarkan MPC berasaskan tiub

Selepas mengesahkan ramalan trajektori, perancangan trajektori telah dilakukan untuk mengesahkan lagi peranan modul ramalan trajektori . Berikut adalah perbandingan Terdapat tiga situasi:

(a) Apabila saya sudah tahu trajektori masa depan sebenar kereta halangan, saya akan menjalankan perancangan trajektori Ini berfungsi sebagai kumpulan kawalan

Apabila saya tidak tahu masa depan trajektori kereta halangan, saya akan lakukannya dahulu Ramalan Trajektori (tetapi bukan mengira ketidakpastian), dan kemudian perancangan trajektori

(c) Apabila saya tidak tahu trajektori masa depan kereta halangan, saya mula-mula melakukan ramalan trajektori (mengira ketidakpastian), dan kemudian perancangan trajektori

Rajah 9 menunjukkan keputusan (a), (b) dan (c), masing-masing sepadan dengan Kedudukan Benar, Keputusan Ramalan dan Kaedah Cadangan

Cadangan Kaedah ialah hasil yang diperolehi oleh kaedah dalam artikel ini. Anda boleh melihat bahawa Kaedah Cadangan adalah lebih dekat Kedudukan Benar menunjukkan bahawa kaedah ramalan gabungan ini (terutamanya pengiraan ketidakpastian) adalah berkesan.

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Rajah 9 Perbandingan tiga kaedah untuk mengesahkan modul ramalan trajektori

Di sini anda boleh menemui kes1 dan kes2 mengesahkan bahagian perancangan trajektori di hadapan kawalan ramalan model am (MPC) dan saluran paip -berasaskan MPC adalah sama, perbandingan ini boleh menggambarkan peranan MPC berasaskan saluran paip. Case3 adalah untuk mengesahkan modul ramalan trajektori Anda boleh melihat bahawa dua jenis pengesahan telah dilakukan. Jenis pertama adalah untuk membandingkan secara langsung trajektori yang diramalkan dan trajektori sebenar, dan jenis kedua adalah untuk terlebih dahulu mengetahui trajektori masa depan / meramalkan trajektori masa depan (tanpa mengira ketidakpastian) / meramalkan trajektori masa depan (mengira ketidakpastian), dan kemudian melakukan trajektori perancangan. Dengan menggunakan kedudukan sebenar sebagai piawai, kesan kaedah ramalan trajektori dengan pengiraan ketidakpastian dan kaedah ramalan trajektori tanpa pengiraan ketidakpastian dibandingkan. Idea pengesahan untuk kedua-dua modul ini masih sangat jelas

2. Pengesahan eksperimen kenderaan sebenar

Kenderaan yang digunakan dalam eksperimen ditunjukkan dalam gambar di bawah:

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Kandungan yang perlu ditulis semula ialah: kenderaan yang digunakan dalam eksperimen Gambar 10

Pengarang juga menyediakan parameter kenderaan eksperimen dan parameter komputer serta sensor yang digunakan dalam eksperimen:

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Kandungan yang perlu ditulis semula ialah: Rajah 11 The parameter komputer dan penderia

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

perlu ditulis semula Kandungannya ialah: Parameter kenderaan eksperimen, Rajah 12

Demi keselamatan, adegan eksperimen yang ditetapkan oleh pengarang adalah sama dengan kes eksperimen simulasi 1. Ia adalah adegan mengelakkan halangan statik Adalah lebih baik untuk membandingkan trajektori keseluruhan, perubahan kelajuan, ralat mendatar dan menegak. dan kelancaran perubahan stereng, yang tidak akan diterangkan secara terperinci.

3. Ringkasan bacaan

Pertama sekali, idea kertas itu adalah mengenai modul ramalan trajektori dengan pengiraan ketidakpastian dan modul perancangan trajektori berdasarkan MPC berasaskan tiub. Antaranya, modul perancangan trajektori merupakan kandungan utama. Saya sangat berpuas hati dengan bentuk modular ini kerana ia benar-benar menggunakan ramalan trajektori kepada perancangan trajektori. Output ramalan digunakan sebagai input perancangan, dan modul perancangan hanya menentukan ambang keselamatan untuk modul ramalan, dan gandingan antara kedua-dua modul adalah lemah. Dalam erti kata lain, modul ramalan boleh digantikan dengan kaedah lain selagi ia dapat memberikan hasil ramalan trajektori dan ketidakpastian kereta halangan. Pada masa hadapan, rangkaian saraf yang lebih maju boleh dipertimbangkan untuk meramalkan secara langsung trajektori dan ketidakpastian. Secara keseluruhan, proses algoritma ramalan gabungan ini agak rumit, tetapi saya fikir idea kertas itu sangat bagus. Idea dan beban kerja simulasi dan ujian kenderaan sebenar juga memuaskan

Kedua, terdapat beberapa ralat peringkat rendah ditemui semasa membaca artikel. Sebagai contoh, dalam bahagian penyahkod pengekod LSTM, output LSTM ialah titik trajektori masa hadapan langkah, yang juga ditulis dalam formula, tetapi dalam teks ia ditulis sebagai . . (32) dan (34), tetapi Sebenarnya subsistem (30) dan (32), kesilapan kecil ini tidak menjejaskan kaedah keseluruhan tetapi juga akan menjejaskan pengalaman membaca pembaca.

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Rajah 14 Bahagian eksperimen simulasi MRPI Tetapkan teks asal

Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentuSistem ralat dalam Rajah 15 dibahagikan kepada subsistem (30) dan (32)

pautan teks asal . weixin.qq.com/s/0DymvaPmiCc_tf3pUArRiAMemperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu

Atas ialah kandungan terperinci Memperbaik kaedah perancangan trajektori untuk pemanduan autonomi dalam persekitaran yang tidak menentu. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan
Artikel ini dikembalikan pada:51CTO.COM. Jika ada pelanggaran, sila hubungi admin@php.cn Padam
Apakah Undang -undang Skala Chinchilla?Apakah Undang -undang Skala Chinchilla?Apr 12, 2025 am 11:27 AM

Pengenalan Model bahasa besar (LLMS) menyumbang kepada kemajuan pemprosesan bahasa semulajadi (NLP), tetapi mereka juga menimbulkan beberapa soalan penting mengenai kecekapan pengiraan. Model -model ini menjadi terlalu besar, jadi t

Buat Berita Peribadi Anda Digest Menggunakan Ejen AIBuat Berita Peribadi Anda Digest Menggunakan Ejen AIApr 12, 2025 am 11:18 AM

Pengenalan Keupayaan model bahasa besar (LLMs) berkembang pesat. Mereka membolehkan kami membina pelbagai aplikasi LLM. Ini terdiri daripada automasi tugas ke pengoptimuman aliran kerja. Satu aplikasi yang menarik adalah

AS AI Dasar berputar dengan tajam dari 'Keselamatan' ke 'Keselamatan'AS AI Dasar berputar dengan tajam dari 'Keselamatan' ke 'Keselamatan'Apr 12, 2025 am 11:15 AM

Presiden Donald Trump membatalkan bekas Presiden Joe Biden's Executive Order pada Hari Satu Term (pendedahan: Saya berkhidmat sebagai kaunselor kanan untuk AI di Jabatan Keselamatan Dalam Negeri semasa Pentadbiran Biden), dan Naib Presiden JD VA

Apakah penyataan dalam pangkalan data?Apakah penyataan dalam pangkalan data?Apr 12, 2025 am 11:10 AM

Pengenalan Bayangkan menjalankan kafe yang sibuk di mana setiap pertuduhan kedua. Daripada sentiasa memeriksa senarai inventori dan pesanan yang berasingan, anda menyatukan semua butiran utama ke satu papan yang mudah dibaca. Ini serupa dengan denormaliza

Membina model pelbagai modal untuk kesederhanaan kandunganMembina model pelbagai modal untuk kesederhanaan kandunganApr 12, 2025 am 10:51 AM

Pengenalan Bayangkan anda menatal melalui platform media sosial kegemaran anda apabila, dari mana -mana, jawatan yang menyinggung muncul. Sebelum anda dapat memukul butang laporan, ia hilang. Itulah kandungan moderati

Automatikkan Wawasan Data dengan InsightmateAutomatikkan Wawasan Data dengan InsightmateApr 12, 2025 am 10:44 AM

Pengenalan Mengendalikan dataset yang besar boleh menjadi sangat menggembirakan di dunia data-berat hari ini. Di sinilah Insightmate masuk. Ia direka untuk membuat meneroka data anda dengan mudah. Hanya memuat naik dataset anda, dan anda akan mendapat Instan

Streaming vektor: Pengindeksan efisien memori dengan karatStreaming vektor: Pengindeksan efisien memori dengan karatApr 12, 2025 am 10:42 AM

Pengenalan Streaming vektor di Embedanything sedang diperkenalkan, ciri yang direka untuk mengoptimumkan penyemakan dokumen berskala besar. Membolehkan penyisihan asynchronous dan embedding menggunakan konkurensi Rust mengurangkan penggunaan memori dan

Apakah ejen replit? | Panduan Pengenalan - Analytics VidhyaApakah ejen replit? | Panduan Pengenalan - Analytics VidhyaApr 12, 2025 am 10:40 AM

Pengenalan Bayangkan membangunkan aplikasi dengan kemudahan yang sama seperti perbualan. Tidak akan ada persekitaran pembangunan yang rumit untuk ditubuhkan dan tidak perlu melihat melalui fail konfigurasi. Konsep Konsep ke dalam aplikasi berharga

See all articles

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang laluBy尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang laluBy尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang laluBy尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Cara Membuka Segala -galanya Di Myrise
3 minggu yang laluBy尊渡假赌尊渡假赌尊渡假赌

Alat panas

SublimeText3 Linux versi baharu

SublimeText3 Linux versi baharu

SublimeText3 Linux versi terkini

DVWA

DVWA

Damn Vulnerable Web App (DVWA) ialah aplikasi web PHP/MySQL yang sangat terdedah. Matlamat utamanya adalah untuk menjadi bantuan bagi profesional keselamatan untuk menguji kemahiran dan alatan mereka dalam persekitaran undang-undang, untuk membantu pembangun web lebih memahami proses mengamankan aplikasi web, dan untuk membantu guru/pelajar mengajar/belajar dalam persekitaran bilik darjah Aplikasi web keselamatan. Matlamat DVWA adalah untuk mempraktikkan beberapa kelemahan web yang paling biasa melalui antara muka yang mudah dan mudah, dengan pelbagai tahap kesukaran. Sila ambil perhatian bahawa perisian ini

ZendStudio 13.5.1 Mac

ZendStudio 13.5.1 Mac

Persekitaran pembangunan bersepadu PHP yang berkuasa

SecLists

SecLists

SecLists ialah rakan penguji keselamatan muktamad. Ia ialah koleksi pelbagai jenis senarai yang kerap digunakan semasa penilaian keselamatan, semuanya di satu tempat. SecLists membantu menjadikan ujian keselamatan lebih cekap dan produktif dengan menyediakan semua senarai yang mungkin diperlukan oleh penguji keselamatan dengan mudah. Jenis senarai termasuk nama pengguna, kata laluan, URL, muatan kabur, corak data sensitif, cangkerang web dan banyak lagi. Penguji hanya boleh menarik repositori ini ke mesin ujian baharu dan dia akan mempunyai akses kepada setiap jenis senarai yang dia perlukan.

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan