汽车智能避障仿真研究范文

《计算机仿真杂志》2014年第六期

1汽车避障原理

汽车避障研究的目的是使得汽车能够在未知环境中通过不断学习前述环境中感知的知识，不断增加自我学习的能力，增加学习方法的经验改善而具备高度自主避障的能力。常用的汽车避障方法主要有模糊逻辑算法、环境地图法和神经网络法和机器学习法。1)模糊逻辑法:模糊逻辑算法采用模糊逻辑控制的思想来实现汽车的自主避障控制，采用外界传感器采集一定量的外界数据，在采集数据分析的基础上，通过多个关键特征的提取，输入到模糊逻辑控制单元，模糊逻辑控制单元综合考虑多个输入因素的特征分布，给出当前的避障方法，控制汽车避障运动。2)环境地图法:环境地图法事先将地图信息植入到汽车存储系统中，在汽车避障行驶的过程中，不断采集外界信息，并且与地图信息进行实时的比对分析，通过分析结果控制汽车安全避障，但此种方法对于新的环境不具有适应性，并且对地图匹配和识别的要求很高，且避障的精度严重受限于图像匹配的精度。3)神经网络法:神经网络法与模糊逻辑法的控制思想基本相同，采用神经网络融合系统的大量信息，然后综合给出神经网络的输出避障控制方法，实现避障。但是神经网络系统存在一定的不稳定性，有时甚至出现发散的现象，作为安全要求性很高的汽车避障系统，是不允许这种不安全因素发生的。4)机器学习法:机器学习法是一种复杂环境中的知识获取新途径。机器学习法与已有的监督学习法和无监督学习法不同，通过增强学习可以利用与环境的交互而获得的评价性反馈信号来实现避障算法优化的性能，在避障中，是一种试错学习的方式。但算法存在一定局限性，主要是因为算法复杂度过高，无法实时应用。综上而言，当前的汽车避障方法的弊端主要体现在算法模型的完整性不够好，不能完整的构建系统的避障模型，所以分析效果较差;另一方面，算法的稳定性差，甚至不收敛，复杂度高，可行性差，这些因素严重限制了避障方法的应用。

2复杂障点分布模型

复杂障点分布模型是一种对复杂障点的状态和量度进行标定的模型建设方法，以纯数学的方式建立模型，用于微分方程求解。复杂障点模型可以解释为障点信号在分析平面内绕原点旋转任意角度后构成的复杂障点模型域上的表示。其定义式如下。从上述定义可以发现，复杂障点模型的输入可以看作是将输入分解在复杂障点模型域的一组完备正交基上，通过改变旋转角度α便可以得到不同的基，使复杂障点模型的信号在某个基上达到最佳的能量聚集特性，从而对复杂障点模型的检测信号具有很好的作用。工程应用中需要计算复杂障点模型的分数阶，目前已有不同的复杂障点模型快速算法，使得复杂障点模型可用于工程实践中。本文采用直接将连续复杂障点模型离散化的方法来获得离散复杂障点模型的核矩阵。此种方法在改变分数阶幂p时不需要重新计算整个过程，只需计算一个对角矩阵即可，较大的提高了实时计算的效率。而且与复杂障点模型有非常相近的输出结果。复杂障点模型变换时，分数阶复杂障点模型变换的性质则说明了信号改变引起其在分数阶复杂障点模型变换域的变换关系。设x(t)是一个复杂障点模型的抽象信号，Xp(u)表示x(t)在阶数为p值的分数阶复杂障点模型变换，定义up轴为p阶分数阶复杂障点模型域。up和up+1是正交的，而up+1和up－1是共线的且彼此反向。另up和up''''是任意两个非正交的分数阶复杂障点模型变换域，复杂障点模型相关信号在它们之间表示为。

3基于复杂障点凝聚的汽车智能避障方法

汽车智能避障方法的复杂障点凝聚技术是指通过对多个汽车智能避障信号进行提取，形成障点分析的原始数据，然后同时对多个障点信息进行深度分析，提取出信号的有用信息和特征，最后融合输出障点信息。一个汽车智能避障数据的障点信号形式为定义:。复杂障点分析的小波峰脊轨迹表明，对于复杂障点分析的障点信号，理论推导结果正确，对于复杂障点分析的信号，在靠近1的尺度附近，其小波峰脊具有与障点特性类似的直线轨迹特性，事实上，如果将障点信号的瞬分析率进行级数展开，可以得到:通过上面基于复杂障点凝聚的汽车智能避障算法，可以很好的实现障点凝聚分析，从而大大改进避障的效果。避障中，通过最近障点与其余所有障点数据的有效凝聚，可以很好的实现信息融合，从而最终给出最佳的避障方案。

4仿真与结果分析

为了测试基于复杂障点凝聚的汽车智能避障方法对于复杂障点环境下的避障性能，采用一组低复杂的多障点进行实际的测试实验，原始障点分布如图2所示。从图2可以看出，原始障点散布在仿真平面的各个部分，杂乱无章，无法看出有效的避障路径来实现避障，所以，面对上述实验环境，如果采用传统的避障方法，则系统计算避障路径的难度会非常大，因为系统障点数目的增多。

作者：王崇单位：齐齐哈尔大学计算机与控制工程学院