基于神经网络驾驶员模型的车间AGV控制算法研究
来源:用户上传
作者:郭泉成 彭双凌 王翔真
摘要：人工神经网络作为理论上能够拟合任何非线性映射的算法被广泛用在驾驶员模型的构建之中，契合了驾驶员作为一个复杂、离散性和时变性系统的特点。本文研究的车间自动导航车辆（AGV）作为无人驾驶车辆的一种，具有应用场景相对单一和道路结构化的特点，对于人工神经网络拟合过程需要的训练样本量的要求不大。基于此构建驾驶员在环的神经网络训练样本采集试验平台，使用双层前馈神经网络进行车间AGV驾驶员模型拟合，并通过MATLAB/Simulink耦合Prescan软件进行算法仿真试验验证分析，试验结果验证了算法的有效性和一定的速度适应性，为车间AGV控制提供了一条可行的研究路径。
关键词：车间AGV;人工神经网络;Prescan
中图分类号：TP391.9 文献标识码：A
文章编号：1009-3044（2020）25-0173-03
Abstract： As an algorithm that can fit any nonlinear mapping， in theory， an artificial neural network is widely used in the construction of the driver model， which fits the characteristics of a driver as a complex， discrete and time-varying system. As a kind of driverless vehicle， the workshop automatic navigation vehicle （AGV） studied in this paper has the characteristics of a single application scenario and structured road， and has little requirement for the training sample size of the artificial neural network fitting process. Based on this， a driver in the loop neural network training sample collection test platform is constructed， and the double-layer feed-forward neural network is used to fit the driver model of workshop AGV， and the algorithm simulation test is carried out by Matlab / Simulink coupled with Prescan software. The test results verify the validity and speed adaptability of the algorithm， which provides a feasible research path for workshop AGV control.
Key words： Workshop AGV; artificial neural network; Prescan
隨着人工智能技术和现代计算机技术的不断进步，无人驾驶技术得到了迅速发展[1]。人工驾驶的车辆，驾驶员是人-车-路闭环系统中的关键环节[2]。而寻找一种替代人工驾驶员的模型，成了无人驾驶发展的一条重要的技术路线。自上世纪中期以来，各国研究者提出了许多基于汽车方向控制的驾驶员模型，最初建立的驾驶员模型是用传递函数的形式表示[3]，比如这类模由Kondo提出的线性预估模型和由Yoshimoto提出的二阶预估型[4]。我国学者郭孔辉院士于1982于年提出了预瞄-跟随系统理论[5]，并在此基础上建立了驾驶员预瞄最优曲率模型。中国农业大学的余群教授等建立了一个驾驶员模糊控制模型[6]，进行了汽车单移线和双移线的仿真计算，得到了比较理想的轨迹跟随效果。而就目前情况来看，这些驾驶员操纵行为模型，距离真正的驾驶员行为特征还比较远。驾驶员是一个非常复杂的系统，作为人类个体，在心理和生理方面具有个体差异，行为具有很强的跟随性、自适应性、离散性和时变性[4]。根据这个特点，人工神经网络作为理论上能够拟合任何非线性映射的算法被广泛用在驾驶员模型的构建之中[7]，并展现出了引领主流的潜力。但现实的车辆形式场景复杂多变，人工神经网络需要大量的真实驾驶员行驶记录作为学习数据[8]。而车间自动导航车辆（AGV）作为智能车的一种，具有应用场景相对单一和道路结构化的特点，对于学习样本量的要求不大。基于此，本文构建驾驶员在环的神经网络训练样本采集试验平台，使用双层前馈神经网络进行车间AGV驾驶员模型拟合，并通过MATLAB/Simulink耦合Prescan无人驾驶开发软件进行算法仿真试验验证分析，试验结果验证了算法的有效性和一定的速度适应性，为车间AGV控制提供了一条可行的研究路径。
1 人工神经网络算法
人工神经网络（ANN）是近年来发展起来的新兴交叉学科[9]。人工神经网络涉及的学科包括生物学、计算机和数学物理学等等。要简单地说，其本质在于使用电子器件等来模拟人脑的结构和功能的人工系统。它模拟的是人的大量的简单的神经元组成的结构，在某种程度上，通过学习，它可以模仿人脑对于外界信息的处理功能，芯片制程技术的快速发展，极大地促进了神经网络大规模学习和实时应用，展示出了非常广阔的应用前景。典型的神经元模型如图1所示，是一个多输入单输出（MISO）的非线性元件。
图中x1…xn分别代表其他神经元对此神经元的输入，w1j….wnj则分别表示神经元1，2，3…n与第j个神经元的连接强度，即权值。θj称为阈值，f（.）为神经元的激活函数。 一个完成某种任务的人工神经网络还需要有特定的拓扑结构，一个多层前馈是神经网络，其神经网络拓扑图如图2所示。
人工神经网络的学习过程可以概括为以下描述：
（1）初始化：用小的随机数初始化网络里的各个权值和阈值;
（2）设定参数：根据用户需求，设定期望误差，学习次数等参数;
（3）训练样本：获取足够的输入和期望输出数据，并提供神经网络学习使用;
（4）代入：用获取的输入数据代入神经网络，得到输出结果并与期望输出进行比对;
（5）比对误差：根据比对之后的输出误差，调整权值和阈值;
（6）继续重复步骤4、5，直到达到用户设定的期望误差或者最大学习次数即停止;
（7）得到符合用户需求的人工神经网络模型;
完成学习之后的人工神经网络模型即可投入使用。
2 网络训练样本试验平台
训练样本的数量和质量是神经网络准确度最重要的因素之一[10]，然而获取神经网络训练样本是一件费时费力的高成本事情，因此，设计一个合理的获取样本的方法对于神经网络驾驶员模型的拟合非常重要。使用实际的车辆和驾驶员在不同道路场景下进行驾驶，以获取训练样本，是一个直观的想法，然而这个过程不仅需要汽车开放各种传感器以实时记录数据，还需要驾驶员长时间驾驶，有不小的安全隐患。为了克服这种困境，本文采用基于Prescan的驾驶员在环仿真试验平台，以获取训练样本，具有安全，快速，传感数据易获得等优点。基于Prescan的驾驶员在环仿真试验平台构成原理如图3所示。
PreScan是一个基于智能车辆仿真平台，用于汽车工业中开发基于传感器技术的先进驾驶员辅助系统（ADAS），其传感器包括如雷达、激光/激光雷达、照相机和GPS等。可以实现软件在环（SIL）和硬件制在环（HIL）系统的仿真测试。Prescan通过耦合MATLAB/Simulink软件，控制算法由Simulink编辑，Prescan提供的各种交通要素和车辆模型，均可以在Simulink中得以模型的表达。
在Prescan场景中搭建AGV的工作车间路况，然后通过基于Prescan的驾驶员在环仿真试验平台，获取训练样本的输入和期望输出。车间一般道路高度结构化，为了各功能区的规整，车间道路一般只包含直道和直角转弯或T、十字路口。所以Prescan对车间道路场景建模时，以直道和直角转弯构成。从实际驾驶任务划分，分析可知驾驶任务可以划分为直道行驶，直角左转和直角右转三种典型工况，为了涵盖着三种典型工况，本文决定采用8字形的场景建模，建设一个封闭连续的道路，方便驾驶员循环往复的获得训练样本数据，如图6所示。驾驶员在环的样本数据采集试验平台如图7所示。
3 人工神经网络驾驶员模型拟合
本文人工神经网络驾驶员模型为双层前馈神经网网络，其基本结构如图8所示。
各层的说明如下：
（1）输入：本文设计的神经网络驾驶员模型的输入是一个四维向量，分别是车间AGV的位置x，y，横向速度[x]和纵向速度[y]，即I=[x y [xy]]T。经过驾驶员在环仿真试验平台的驾驶数据采集，采集到神经网络训练样本输入数据为21678行4列的矩阵。
（2）隐层：隐含层使用Sigmod神经元，根据Kolmogorov定理，选择2×4+1=9个神经元，补充为10个加强神经网络的收敛。
（3）输出层：使用线性输出神经元。
（4）输出：输出数据为方向盘角度[δ]，输出数据为21678个方向盘角度数据。
使用MATLAB的NeutralFitting工具箱，拟合的基本步骤如下：
（1）加载训练样本：分别加载输入和期望输出数据。
（2）设置样本训练比例、验证比例和测試比例，这里设置为70%、15%和15%。
（3）设置隐层神经元数据，这里设计10个隐层神经元。
（4）训练。
（5）导出神经网络驾驶员模型，本文以simulink函数文件作为此模型的格式，方便后续试验验证时导入模型。
在IntelCorei5，2.4GHz，内存4G的64位操作系统上，模型拟合使用总时间23秒，迭代次数801次，训练回归R值0.961，测试回归R值0.959，见表1。
4 仿真试验结果分析
车间AGV在真实的场景中会受到各种因素的干扰，比如地面对轮胎的扰动，传动的误差等，因此在仿真分析时，给予仿真车间AGV一个高斯白噪声干扰，以检验人工神经网络在干扰存在的情况下，是否能够完成8字环绕的行驶任务，同时车间AGV在车间行驶速度一般不超过15km/h，设计8 km/h、10 km/h、15km/h三组不同的速度工况，检验算法的速度适应性。仿真验证试验Simulink算法结构如图9所示。
仿真结果如图9所示。
从图10中可以看到，人工神经网络驾驶员模型能够完成直道和直角左转弯和直角右转弯的车间路径跟踪控制，并具有一定速度适应性;车辆控制轨迹没有严格地按照道路中心线行驶，这是因为驾驶员在环训练样本数据采集的时候，驾驶员根据人开车的习惯，并没有能够完全贴着道路中心线行驶，因此人工神经网络也将人的这一部分驾驶特性拟合进了驾驶员的网络模型中。
5 结论
本文结合车间自动导航车辆（AGV）应用场景相对单一和道路结构化的特点，构建涵盖直道行驶、左右直角转弯的“8”字道路工况，通过驾驶员在环的仿真驾驶试验平台获取神经网络学习样本数据，使用双层前馈神经网络进行车间AGV驾驶员模型拟合，并通过MATLAB/Simulink耦合Prescan软件进行算法仿真试验验证。试验结果表明人工神经网络驾驶员模型能够完成直道和直角左转弯和直角右转弯的工作任务，并具有一定速度适应性，为车间AGV控制提供了一条可行的研究路径。
参考文献：
[1] 汪榆程.无人驾驶技术综述[J].科技传播，2019，11（6）：147-148.
[2] 郭孔辉，马凤军，孔繁森.人-车-路闭环系统驾驶员模型参数辨识[J].汽车工程，2002，24（1）：20-24.
[3] 马爱静.考虑NMS的新型驾驶员模型在转向控制中的应用研究[D].南京：南京航空航天大学，2014.
[4] 徐瑾.基于ADAMS的不同类型驾驶员模型参数的选择[D].南京：南京航空航天大学，2009.
[5]郭孔辉.预瞄跟随理论与人—车闭环系统大角度操纵运动仿真[J].汽车工程，1992（1）：1-11.
[6]李世雄，余群.模糊控制理论在驾驶员—汽车—环境闭环系统操纵稳定性研究中的应用[J].汽车工程， 1999（3）：140-144.
[7] 李伟，高正红.基于神经网络驾驶员模型的PIO预测分析[J].科学技术与工程，2012，12（8）：1961-1964，1985.
[8] 胡鹏飞，谢诞梅，熊扬恒.一种基于白箱模型的人工神经网络参数辨识算法[J].中国电机工程学报，2016，36（10）：2734-2741.
[9] 任宏，姜庆五.人工神经网络及其在预防医学领域的应用[J].上海预防医学，2003，15（1）：22-24.
[10] 王轩.训练样本对农作物遥感分类的精度影响研究[D].哈尔滨：黑龙江大学，2017.
【通联编辑：唐一东】
转载注明来源:https://www.xzbu.com/8/view-15339907.htm
