


Memperbaik 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
Alat simulasi bersama termasuk Prescan, PyCharm, Matlab/Simulink, antaranya Prescan digunakan untuk membina adegan trafik simulasi, dan PyCharm (dengan rangkaian neural atau pytorch dengan mudah) digunakan untuk menulis modul ramalan gabungan , Matlab/Simulink (dengan kotak alat MPC) digunakan untuk membina modul perancangan trajektori dan merealisasikan kawalan kenderaan Keseluruhan idea pemilihan alat adalah agak semula jadi dan munasabah. Kawalan mendatar yang digunakan untuk mengawal bahagian ini ialah LQR, dan kawalan menegak menggunakan PID, yang juga merupakan kaedah kawalan yang agak biasa. Penyahkod pengekod LSTM dalam modul ramalan gabungan menggunakan kod sumber terbuka. Penulis berkata ia datang daripada rujukan [31] Kajian Komprehensif Selang Ramalan Berasaskan Rangkaian Neural dan Pendahuluan Baharu, tetapi saya melihat bahawa artikel ini diterbitkan pada tahun 2011. Ia agak lama (di manakah kod pengekod LSTM pada tahun 2011? Saya tidak tahu sama ada pengarang telah menukar kod berdasarkan ini.
Rajah 1 Persediaan persekitaran simulasi
(2) Mendapatkan set MRPI
set subsistem MRPI
(3) kes1: pengelakan statik Adegan halangan
Adegan mengelak halangan statik merujuk kepada pegun kenderaan halangan Hasil perancangan trajektori adalah seperti berikut:
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.
Rajah 4 menunjukkan perbandingan perubahan kelajuan antara kaedah MPC am dan kaedah MPC berasaskan saluran paip
Rajah 5 Perbandingan kedudukan melintang
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
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
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.
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:
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:
Kandungan yang perlu ditulis semula ialah: Rajah 11 The parameter komputer dan penderia
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.
Rajah 14 Bahagian eksperimen simulasi MRPI Tetapkan teks asal
Sistem ralat dalam Rajah 15 dibahagikan kepada subsistem (30) dan (32)
pautan teks asal . weixin.qq.com/s/0DymvaPmiCc_tf3pUArRiA
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!

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

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

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

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

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

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

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

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


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

SublimeText3 Linux versi baharu
SublimeText3 Linux versi terkini

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
Persekitaran pembangunan bersepadu PHP yang berkuasa

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
Versi Cina, sangat mudah digunakan