CN113200086A - 一种智能车转向控制***及其控制方法 - Google Patents

一种智能车转向控制***及其控制方法 Download PDF

Info

Publication number
CN113200086A
CN113200086A CN202110688887.8A CN202110688887A CN113200086A CN 113200086 A CN113200086 A CN 113200086A CN 202110688887 A CN202110688887 A CN 202110688887A CN 113200086 A CN113200086 A CN 113200086A
Authority
CN
China
Prior art keywords
model
neural network
steering
steering control
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110688887.8A
Other languages
English (en)
Inventor
刘丹丹
罗晓烽
罗中杉
沙郁凯
祁欣玥
陈建炀
吴玉森
韩澍泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202110688887.8A priority Critical patent/CN113200086A/zh
Publication of CN113200086A publication Critical patent/CN113200086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
    • B62D6/001—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits the torque NOT being among the input parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种智能车转向控制***及其控制方法，所述控制***包括采集数据模块、深度学习模块、神经网络转向模型实测模块，所述采集数据模块用于获取智能车的行驶信息，所述采集数据模块包括图像信息处理、数据采集车、七路电磁强度数据、舵机转向角，所述深度学习模块包括通过所述采集数据模块创建数据集，所述深度学习模块还包括构建神经网络转向控制模型、训练模型、测试模型，所述神经网络转向模型实测模块包括神经网络模型、七路实时电磁强度数据、模型测试车、转向角、舵机。该控制***创建数据集，在此基础上训练和测试神经网络模型，设计了新颖的软件控制算法，形成了闭环反馈控制方式，大大提高了智能车行驶的稳定性能。

Description

一种智能车转向控制***及其控制方法
技术领域
本发明涉及智能车转向控制领域，具体涉及一种智能车转向控制***及其控制方法。
背景技术
以下对本发明的相关背景技术进行说明，但这些说明并不一定构成本发明的现有技术。
智能车是通过电磁、激光或摄像头作为传感器来搭建的可自动识别路线，并追寻路线，智能车的速度越来越快，因此对车辆的控制要求也越来越高。在智能车的控制***中，转向控制是一个复杂的问题，其原因是控制对象舵机是一个非线性迟滞***。采用传统控制方法，势必造成转向调节的阶梯式跳跃变化、对路径变化反应不灵敏、容易产生超调与振荡等现象，难以达到满意的结果。
转向控制***是体现智能车智能行为的基础，也是智能车研究领域的热点和难点。伴随着智能控制理论的发展，越来越多的智能控制方法应用于智能车的转向控制***中，这使得如何根据不同工况和道路环境选择合适的智能控制方法成为一门新课题。基于经典PID控制、模糊控制、最优控制和自适应控制、滑模控制以及预测控制的转向控制方法具有原理简单、易于实现、适应性强等优点，在转向***控制领域应用较为广泛。PID控制方案虽简单易行，但缺乏对复杂工况的适应性，鲁棒性差，难以实现精确控制；最优控制的控制对象一般为线性时不变***，在控制模型精确且无干扰的情况下，控制精度比较高，但对外部干扰的鲁棒性较差，容易降低转向***的稳定性；模糊控制的隶属度参数和控制规则参数主要依靠专家经验法和试探法来确定，主观性较强，且易产生稳态误差。这些控制算法一个共同点是只要轮胎进入非线性区控制精度就会大大下降，***的稳定性也难以保证，从而制约了智能汽车的应用范围。
发明内容
为解决上述技术问题，本发明提供一种智能车转向控制***及其控制方法。
一种智能车转向控制***，所述控制***包括采集数据模块、深度学习模块、神经网络转向模型实测模块，
所述采集数据模块用于获取智能车的行驶信息，所述采集数据模块包括图像信息处理、数据采集车、七路电磁强度数据、舵机转向角，
所述深度学习模块包括通过所述采集数据模块创建数据集，所述深度学习模块还包括构建神经网络转向控制模型、训练模型、测试模型，
所述神经网络转向模型实测模块包括神经网络模型、七路实时电磁强度数据、模型测试车、转向角、舵机。
进一步的，所述神经网络转向控制模型包括超参数的选取，所述超参数的选取包括学习率Alpha、Mini-batch的大小、Dropout、神经网络层数、激活函数、学习率衰减。
一种智能车转向控制方法，包括以下步骤：
S1、创建数据集，由数据采集车完成数据采集，分别在自主行驶和手动行驶两种模式下采集数据，采用视觉传感器采集行驶道路图像信息，进行路径识别，采集舵机转向角数据，采用七路电磁传感器采集行驶道路上的电磁强度值，构建数据集，自主行驶和手动行驶模式分别用于采集车身在行驶道路中间和行驶道路边缘的数据，
S2、构建神经网络转向控制模型，所述转向控制神经网络模型共5层，其中隐藏层为3层，每层均采用全连接层，神经元数分别为140、100和40，所述第1层为输入层，有7路输入为电磁强度数据，用x1，x2，x3…x7表示，向量表示为X＝[x1，x2，x3…x7]T，所述第2层至第4层为隐藏层，所述第5层为输出层，设Ym为第m层神经元的输出，则有
Ym＝f(Wm-1，mYm-1+bm)
式中，Wm-1，m表示第m-1层到m层的权重矩阵，bm表示第m层的偏置向量，f表示激活函数，2≤m≤5，Y1＝X，表示输入层，Y5表示输出层，
S3、训练转向控制模型，将采集到的舵机值作为标签值，利用制作的数据集，采用梯度下降法对所述神经网络转向控制模型进行训练，利用链式求导计算损失函数对每个权重的偏导数(梯度)，根据梯度下降公式更新权重，
S4、测试转向控制模型，模型测试车以不同的速度沿行驶道路自主行驶，在记录行驶圈数的同时观察车身的震荡情况，压路肩次数，判断神经网络的稳定性，并得出神经网络模型能够稳定运行的最佳速度。
进一步的，还包括学习率Alpha的选取，使用random Search为超参数选择一个合适的范围，使参数均匀的落在各个区间内，参数落在0.0001-0.001、0.001-0.1、0.1-1之间的概率相同，即选取Alpha值分别为0.001、0.01、0.1、1，经过对训练后的Loss值以及Accuracy值进行对比，选取Alpha值。
进一步的，还包括Mini-batch的大小，对于Mini-batch值我们选取16、32、128，经过对训练后的Loss值以及Accuracy值进行对比，选取Mini-batch值。
进一步的，还包括激励函数，通过对这三种不同激励函数Sigmoid、Tanh、Relu对应的Loss值和Accuracy值进行对比，选取函数。
进一步的，还包括Dropout值，对于Dropout值我们选取0、0.2、0.3、0.5，经过对训练后的Loss值以及Accuracy值进行对比，选取Dropout值。
本发明的有益效果是：该控制***由数据采集车完成数据采集的过程，包括采集电磁强度、图像、转向角等数据创建用于深度学习的数据集，在此基础上训练和测试神经网络模型，模型测试车采用经训练和测试的神经网络模型，结合实时电磁强度数据，实现对其转向的实时控制。经过实测，该控制***能够有效控制转向，使智能车完成复杂路况下的行驶任务，本发明设计了新颖的软件控制算法，形成了闭环反馈控制方式，大大提高了智能车行驶的稳定性能。
附图说明
图1为本发明所述的一种智能车转向控制***逻辑框图，
图2为本发明所述的一种智能车转向控制***示意图，
图3为本发明所述的一种智能车转向控制方法的转向控制神经网络模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1、2所示，一种智能车转向控制***，所述控制***包括采集数据模块、深度学习模块、神经网络转向模型实测模块，
所述采集数据模块用于获取智能车的行驶信息，所述采集数据模块包括图像信息处理、数据采集车、七路电磁强度数据、舵机转向角，
所述深度学习模块包括通过所述采集数据模块创建数据集，所述深度学习模块还包括构建神经网络转向控制模型、训练模型、测试模型，
所述神经网络转向模型实测模块包括神经网络模型、七路实时电磁强度数据、模型测试车、转向角、舵机，
在实际应用中，所述神经网络转向控制模型包括超参数的选取，所述超参数的选取包括学习率Alpha、Mini-batch的大小、Dropout、神经网络层数、激活函数、学习率衰减。
一种智能车转向控制方法，包括以下步骤：
S1、创建数据集，用于深度学习的数据集至关重要，数据的丰富性和完整性对行驶任务的完成效果颇具影响。由数据采集车完成数据采集，分别在自主行驶和手动行驶两种模式下采集数据，
(1)采用视觉传感器采集行驶道路图像信息，进行路径识别，实现自主驾驶，
(2)采集舵机转向角数据，采用七路电磁传感器采集行驶道路上的电磁强度值，构建数据集，
(3)自主行驶和手动行驶模式分别用于采集车身在行驶道路中间和行驶道路边缘的数据，
S2、如图3所示，构建神经网络转向控制模型，所述转向控制神经网络模型共5层，其中隐藏层为3层，每层均采用全连接层，神经元数分别为140、100和40，
(1)所述第1层为输入层，有7路输入为电磁强度数据，用x1，x2，x3…x7表示，向量表示为X＝[x1，x2，x3…x7]T，
(2)所述第2层至第4层为隐藏层，
(3)所述第5层为输出层，设Ym为第m层神经元的输出，则有
Ym＝f(Wm-1，mYm-1+bm)
式中，Wm-1，m表示第m-1层到m层的权重矩阵，bm表示第m层的偏置向量，f表示激活函数，2≤m≤5。Y1＝X，表示输入层。Y5表示输出层。
S3、训练转向控制模型，将采集到的舵机值作为标签值，利用制作的数据集，采用梯度下降法对所述神经网络转向控制模型进行训练，利用链式求导计算损失函数对每个权重的偏导数(梯度)，根据梯度下降公式更新权重，
Train 101times
Epoch 1/1
104572/104572[---------------------------------]-8s 72us/step
loss：0.0182-acc：0.1232
104572/104572[----------------------------------]-2s 20us/step
overFit rate＝0％
times＝101，loss＝0.0108，accu＝0.1235，ir＝0.07408，decay＝0.000002overfit rate＝0
new ir_rat＝0.007386
Train 102times
Epoch 1/1
104572/104572[----------------------------------]-8s 76us/step
loss：0.0172-acc：0.1234
104572/104572[----------------------------------]-2s 18us/step
overFit rate＝5％
times＝102，loss＝0.0108，accu＝0.1235，ir＝0.07386，decay＝0.000002overfit rate＝5％
new ir_rat＝0.007363
S4、测试转向控制模型，模型测试车以不同的速度沿行驶道路自主行驶，在记录行驶圈数的同时观察车身的震荡情况，压路肩次数，判断神经网络的稳定性，并得出神经网络模型能够稳定运行的最佳速度，
Figure BDA0003125521430000051
进一步的，所述步骤S2中还包括学习率Alpha的选取，在尝试多个不同的超参数时，主要有grid Search和random Search两种方法。gird Search是网格搜索，对于要调整的超参数，可以给定一组候选值，网格搜索对候选值依次进行组合，选出最优的参数组合；random Search是随机搜索超参数，对于要调整的超参数，给定参数范围，在其中随机的选取若干个超参数进行尝试，最终选出最优的超参数组合。使用random Search的关键是要为超参数选择一个合适的范围，使参数均匀的落在各个区间内，使参数落在0.0001-0.001、0.001-0.1、0.1-1之间的概率相同，即选取Alpha值分别为0.001、0.01、0.1、1，经过对训练后的Loss值以及Accuracy值进行对比，Alpha值为0.01最佳。
Figure BDA0003125521430000061
进一步的，所述步骤S2中还包括Mini-batch的大小，如果Mini-batch太小，则没有充分利用计算资源；如果Mini-batch太大，则更新权重和偏向比较慢。对于Mini-batch值我们选取16、32、128，经过对训练后的Loss值以及Accuracy值进行对比，Mini-batch值为32最佳。
Figure BDA0003125521430000062
进一步的，所述步骤S2中还包括激励函数，所述激励函数理论上是可以任意选，但在实际应用的时候并不是任何函数都适合。常用的激励函数有：Sigmoid、Tanh、Relu。通过对这三种不同激励函数对应的Loss值和Accuracy值进行对比，选取Relu函数。
Figure BDA0003125521430000063
进一步的，所述步骤S2中还包括Dropout值，所述Dropout值是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。对于随机梯度下降来说，由于是随机丢弃，故而每一个Mini-batch都在训练不同的网络。在线性空间中，学习一个整个空间的特征集合是足够的，但是当数据分布在非线性不连续的空间中时，学习局部空间的特征集合会比较好。对于Dropout值我们选取0、0.2、0.3、0.5，经过对训练后的Loss值以及Accuracy值进行对比，Dropout值为0最佳。
Figure BDA0003125521430000071
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (7)

1.一种智能车转向控制***，其特征在于：所述控制***包括采集数据模块、深度学习模块、神经网络转向模型实测模块，
所述采集数据模块用于获取智能车的行驶信息，所述采集数据模块包括图像信息处理、数据采集车、七路电磁强度数据、舵机转向角，
所述深度学习模块包括通过所述采集数据模块创建数据集，所述深度学习模块还包括构建神经网络转向控制模型、训练模型、测试模型，
所述神经网络转向模型实测模块包括神经网络模型、七路实时电磁强度数据、模型测试车、转向角、舵机。
2.根据权利要求1所述的一种智能车转向控制***，其特征在于：所述神经网络转向控制模型包括超参数的选取，所述超参数的选取包括学习率Alpha、Mini-batch的大小、Dropout、神经网络层数、激活函数、学习率衰减。
3.一种智能车转向控制方法，其特征在于：包括以下步骤：
S1.创建数据集，由数据采集车完成数据采集，分别在自主行驶和手动行驶两种模式下采集数据，采用视觉传感器采集行驶道路图像信息，进行路径识别，采集舵机转向角数据，采用七路电磁传感器采集行驶道路上的电磁强度值，构建数据集，自主行驶和手动行驶模式分别用于采集车身在行驶道路中间和行驶道路边缘的数据，
S2.构建神经网络转向控制模型，所述转向控制神经网络模型共5层，其中隐藏层为3层，每层均采用全连接层，神经元数分别为140、100和40，所述第1层为输入层，有7路输入为电磁强度数据，用x1，x2，x3…x7表示，向量表示为X＝[x1，x2，x3…x7]T，所述第2层至第4层为隐藏层，所述第5层为输出层，设Ym为第m层神经元的输出，则有
Ym＝f(Wm-1，mYm-1+bm)
式中，Wm-1，m表示第m-1层到m层的权重矩阵，bm表示第m层的偏置向量，f表示激活函数，2≤m≤5，Y1＝X，表示输入层，Y5表示输出层，
S3.训练转向控制模型，将采集到的舵机值作为标签值，利用制作的数据集，采用梯度下降法对所述神经网络转向控制模型进行训练，利用链式求导计算损失函数对每个权重的偏导数，根据梯度下降公式更新权重，
S4.测试转向控制模型，模型测试车以不同的速度沿行驶道路自主行驶，在记录行驶圈数的同时观察车身的震荡情况，压路肩次数，判断神经网络的稳定性，并得出神经网络模型能够稳定运行的最佳速度。
4.根据权利要求3所述的一种智能车转向控制方法，其特征在于：还包括学习率Alpha的选取，使用random Search为超参数选择一个合适的范围，使参数均匀的落在各个区间内，参数落在0.0001-0.001、0.001-0.1、0.1-1之间的概率相同，即选取Alpha值分别为0.001、0.01、0.1、1，经过对训练后的Loss值以及Accuracy值进行对比，选取Alpha值。
5.根据权利要求4所述的一种智能车转向控制方法，其特征在于：还包括Mini-batch的大小，对于Mini-batch值我们选取16、32、128，经过对训练后的Loss值以及Accuracy值进行对比，选取Mini-batch值。
6.根据权利要求5所述的一种智能车转向控制方法，其特征在于：还包括激励函数，通过对这三种不同激励函数Sigmoid、Tanh、Relu对应的Loss值和Accuracy值进行对比，选取函数。
7.根据权利要求6所述的一种智能车转向控制方法，其特征在于：还包括Dropout值，对于Dropout值我们选取0、0.2、0.3、0.5，经过对训练后的Loss值以及Accuracy值进行对比，选取Dropout值。
CN202110688887.8A 2021-06-21 2021-06-21 一种智能车转向控制***及其控制方法 Pending CN113200086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688887.8A CN113200086A (zh) 2021-06-21 2021-06-21 一种智能车转向控制***及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688887.8A CN113200086A (zh) 2021-06-21 2021-06-21 一种智能车转向控制***及其控制方法

Publications (1)

Publication Number Publication Date
CN113200086A true CN113200086A (zh) 2021-08-03

Family

ID=77022633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688887.8A Pending CN113200086A (zh) 2021-06-21 2021-06-21 一种智能车转向控制***及其控制方法

Country Status (1)

Country Link
CN (1) CN113200086A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114056425A (zh) * 2021-11-23 2022-02-18 东软集团股份有限公司 车辆转向控制方法、装置、车辆及存储介质
CN115035105A (zh) * 2022-08-10 2022-09-09 山东西曼克技术有限公司 一种agv小车转向控制的多维数据融合、决策方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202453734U (zh) * 2011-12-28 2012-09-26 长安大学 基于电磁引导的自动循迹智能小车控制器
CN106054893A (zh) * 2016-06-30 2016-10-26 江汉大学 智能车的控制***和方法
DE102016205152A1 (de) * 2016-03-29 2017-10-05 Avl List Gmbh Fahrerassistenzsystem zum Unterstützen eines Fahrers beim Führen eines Fahrzeugs
CN110516380A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于车辆行驶仿真数据的深度强化测试方法和***
CN111553188A (zh) * 2020-03-24 2020-08-18 张印祺 基于深度学习的端到端自动驾驶车辆转向控制***
CN112278072A (zh) * 2020-11-06 2021-01-29 吉林大学 一种智能车转向安全控制***及控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202453734U (zh) * 2011-12-28 2012-09-26 长安大学 基于电磁引导的自动循迹智能小车控制器
DE102016205152A1 (de) * 2016-03-29 2017-10-05 Avl List Gmbh Fahrerassistenzsystem zum Unterstützen eines Fahrers beim Führen eines Fahrzeugs
CN106054893A (zh) * 2016-06-30 2016-10-26 江汉大学 智能车的控制***和方法
CN110516380A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于车辆行驶仿真数据的深度强化测试方法和***
CN111553188A (zh) * 2020-03-24 2020-08-18 张印祺 基于深度学习的端到端自动驾驶车辆转向控制***
CN112278072A (zh) * 2020-11-06 2021-01-29 吉林大学 一种智能车转向安全控制***及控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙艺铭等: "基于BP神经网络的智能车电磁导航控制算法", 《科学技术创新》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114056425A (zh) * 2021-11-23 2022-02-18 东软集团股份有限公司 车辆转向控制方法、装置、车辆及存储介质
CN115035105A (zh) * 2022-08-10 2022-09-09 山东西曼克技术有限公司 一种agv小车转向控制的多维数据融合、决策方法
CN115035105B (zh) * 2022-08-10 2022-10-25 山东西曼克技术有限公司 一种agv小车转向控制的多维数据融合、决策方法

Similar Documents

Publication Publication Date Title
CN111899510B (zh) 基于发散卷积和gat的智能交通***流量短期预测方法及***
Wang et al. Capturing car-following behaviors by deep learning
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN110991027A (zh) 一种基于虚拟场景训练的机器人模仿学习方法
Li et al. Data augmented deep behavioral cloning for urban traffic control operations under a parallel learning framework
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
CN113200086A (zh) 一种智能车转向控制***及其控制方法
Liu et al. Modeling and simulation of robot inverse dynamics using LSTM-based deep learning algorithm for smart cities and factories
CN108960421A (zh) 改进基于bp神经网络的水面无人艇航速在线预报方法
CN110000781B (zh) 基于发育网络的移动机器人运动方向预先决策方法
CN115952736A (zh) 一种多智能体目标协同搜索方法及***
CN111967087A (zh) 基于神经网络的网联车辆决策控制模型建立及评估方法
CN108073978A (zh) 一种人工智能超深度学习模型的构成方法
Zhao et al. A driving risk prediction algorithm based on PCA-BP neural network in vehicular communication
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN108073985A (zh) 一种导入人工智能超深度学习用于语音识别的方法
CN108073979A (zh) 一种导入人工智能超深度学习用于图像识别的方法
Khidhir et al. Comparative Transfer Learning Models for End-to-End Self-Driving Car
Li et al. Road pavement identification based on acceleration signals of off-road vehicles using the batch normalized recurrent neural network
CN114881308A (zh) 基于元学习的网联车辆速度预测方法
CN112580702A (zh) 多传感器协同感知方法及装置
Riid et al. Interpretability of fuzzy systems and its application to process control
Toubeh et al. Risk-aware planning by confidence estimation using deep learning-based perception
CN112052905B (zh) 一种基于循环神经网络的驾驶人多操作疲劳特征提取方法
Gu et al. Interpretable Deep Knowledge Tracing with Graph Relationship Information

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210803