基于模糊控制逻辑的换道决策

2023-12-03 10:20
文章标签 逻辑 决策 模糊控制

本文主要是介绍基于模糊控制逻辑的换道决策,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

自主车辆换道决策搭建

`


提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档

文章目录

  • 自主车辆换道决策搭建
  • 前言
  • 一、模糊控制逻辑 + fuzzy
  • 二、安全距离模型
    • 1.主动避撞 安全距离模型
    • 2.输入
    • 3设置隶属度函数
    • 4解模糊及输出变量换道意图
  • 三、carsim&simulink联合仿真搭建
    • 3.1联合仿真模型


前言

本次分享的是智能车辆换道决策模型的搭建,依据驾驶员换道意图决定车辆是否换道,采用的是模糊控制算法逻辑设计策略,这里复现了长安大学硕士论文的部分内容,仿真结果效果也较明显。仿真软件还是Carsim/simulink
Carsim16、matlab 18b联合仿真。


一、模糊控制逻辑 + fuzzy

驾驶员换道意图的识别是一个复杂的过程,无法用精确的数学模型来阐释,而模糊逻辑可以模仿人脑的不确定性概念判断,对于模型未知或者不确定的系统以及强非线性,滞后 的控制对象可以应用 模糊集合+模糊规则进行推理,模拟人脑方式,综合判断,借助于隶属度函数概念,区分模糊集合,及设置模糊关系。
模糊控制一般流程:输入—模糊化—模糊规则——解模糊——输出

二、安全距离模型

1.主动避撞 安全距离模型

在这里插入图片描述 Vref为前车和本车相对速度,Vc0自车速度,Vclf前车速度,这个换道安全距离模型是参考清华大学侯德藻的论文,这里直接引用。这里的自车和前车是指在同一条道路上Carsim的雷达可以探测到的。

2.输入

一般高速场景下,驾驶员同道路换道的话考虑较多的是两车相对距离和相对车速的变化。这里采用的是长安大学硕士论文(高速公路环境下智能车辆自动换道研究)这篇论文,引入速度差值系数
在这里插入图片描述以及引入相对距离车距期望模型
在这里插入图片描述以这两个变量为模糊控制输入变量。

3设置隶属度函数

隶属度函数有高斯型和三角形的,这里采用三角形trimf函数,三角形隶属函数表达式如下:
在这里插入图片描述设置的输入变量论域为[0,1]输出变量论域也是[0,1]

4解模糊及输出变量换道意图

解模糊法采用重心法求解,输出变量为换道意图faid_h。

三、carsim&simulink联合仿真搭建

设置前车工况为一个变速行驶过程。
在这里插入图片描述设置前车速度为一个匀速—减速—匀速—减速的过程。

3.1联合仿真模型

这里联合carsim&simulink仿真,搭建如下模型,模型很简单的。
在这里插入图片描述这个scope图是两车相对距离,输出为换道意图。基本复现那篇论文
在这里插入图片描述模糊控制部分曲面图如下:
在这里插入图片描述这里的三维图可以看出,随着fai_d的增大fai_v的增大,换道意愿越小,因为此时快要接近碰撞前车了。
仿真场景这里设置的前车和本车。自车速度设置为常数100km/h。
在这里插入图片描述后面就是结合换道轨迹规划和轨迹跟踪控制策略进行研究了。

这篇关于基于模糊控制逻辑的换道决策的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/449075

相关文章

逻辑表达式,最小项

目录 得到此图的逻辑电路 1.画出它的真值表 2.根据真值表写出逻辑式 3.画逻辑图 逻辑函数的表示 逻辑表达式 最小项 定义 基本性质 最小项编号 最小项表达式   得到此图的逻辑电路 1.画出它的真值表 这是同或的逻辑式。 2.根据真值表写出逻辑式   3.画逻辑图   有两种画法,1是根据运算优先级非>与>或得到,第二种是采

UMI复现代码运行逻辑全流程(一)——eval_real.py(尚在更新)

一、文件夹功能解析 全文件夹如下 其中,核心文件作用为: diffusion_policy:扩散策略核心文件夹,包含了众多模型及基础库 example:标定及配置文件 scripts/scripts_real:测试脚本文件,区别在于前者倾向于单体运行,后者为整体运行 scripts_slam_pipeline:orb_slam3运行全部文件 umi:核心交互文件夹,作用在于构建真

PRN(20201231):驾驶人驾驶决策机制遵循最小作用量原理

王建强, 郑讯佳, 黄荷叶. 驾驶人驾驶决策机制遵循最小作用量原理[J]. 中国公路学报, 2020, v.33;No.200(04):159-172. 观点: 为提升智能汽车的自主决策能力,使其能够学习人的决策智慧以适应复杂多变的道路交通环境,需要揭示驾驶人决策机制。 依据: 物理学中常用最小作用量原理解释自然界(包括物理和生物行为)极值现象。同时,最小作用量原理还用于解释蚂蚁在觅

7. 深度强化学习:智能体的学习与决策

引言 深度强化学习结合了强化学习与深度学习的优势,通过智能体与环境的交互,使得智能体能够学习最优的决策策略。深度强化学习在自动驾驶、游戏AI、机器人控制等领域表现出色,推动了人工智能的快速发展。本篇博文将深入探讨深度强化学习的基本框架、经典算法(如DQN、策略梯度法),以及其在实际应用中的成功案例。 1. 强化学习的基本框架 强化学习是机器学习的一个分支,专注于智能体在与环境的交互过程中,学

站在 AI 与 Web3 的交汇路口,EraAI 如何带领投资者进入智能化决策时代?

“基于 AI 、区块链等前沿技术,通过与 D3X 等伙伴的深入合作,EraAI 正在以智能化的方式带领投资者们开启“向前看”的全新时代。” 01 二八定律 金融市场并不缺乏投资者,而是缺乏聪明的投资者,事实上,聪明的投资者总能通过深入研究并制定有效的投资策略,把握市场中的关键机会。无论行情如何、无论市场周期如何亦是如此。 早在 1896 年,意大利经济学家 Vilfredo Pa

【Java编程的逻辑】原子变量 CAS 显示锁

原子变量 在理解synchronized中有使用synchronized保证原子更新操作,但是使用synchronized成本太高了,需要先获取锁,最后还要释放锁,如果获取不到锁还需要等到。这些成本都是比较高的,对于这种情况,可以使用原子变量。 Java并发包中的基本原子变量类型有以下几种: AtomicBoolean:原子Boolean类型,常用来在程序中表示一个标志位 AtomicIn

【Java编程的逻辑】容器类的总结

抽象容器类 用法和特点 容器类有两个根接口,分别是Collection 和 Map ,Collection表示单个元素的集合,Map表示键值对的集合 。 Collection Collection表示的数据集合有基本的增、删、查、遍历等方法,但没有定义元素间的顺序或位置,也没有规定是否有重复元素。 List: 是Collection的子接口,表示有顺序或位置的数据集合,增加了根据

【Java编程的逻辑】堆与优先级队列PriorityQueue

完全二叉树 & 满二叉树 & 堆 基本概念 满二叉树是指除了最后一层外,每个节点都有两个孩子,而最后一层都是叶子节点,都没有孩子。 满二叉树一定是完全二叉树,但完全二叉树不要求最后一层是满的,但如果不满,则要求所有节点必须集中在最左边,从左到右是连续的,中间不能有空的。 特点 在完全二叉树中,可以给每个节点一个编号,编号从1开始连续递增,从上到下,从左到右 完全二叉树有一

【Java编程的逻辑】Map和Set

HashMap Map有键和值的概念。一个键映射到一个值,Map按照键存储和访问值,键不能重复。 HashMap实现了Map接口。 基本原理 HashMap的基本实现原理:内部有一个哈希表,即数组table,每个元素table[i]指向一个单向链表,根据键存取值,用键算出hash值,取模得到数组中的索引位置index,然后操作table[index]指向的单向链表。 存取的时候依据键的

使用AI大模型进行企业数据分析与决策支持

使用AI大模型进行企业数据分析与决策支持已成为现代企业管理的重要趋势。AI大模型凭借其强大的数据处理能力和智能分析功能,能够为企业提供精准、高效的数据分析服务,进而支持企业的决策过程。以下是使用AI大模型进行企业数据分析与决策支持的具体方式和优势: 一、AI大模型在数据分析中的应用 超级数据处理能力 海量数据处理:AI大模型能够同时处理海量数据,包括结构化数据、非结构化数据等,满足企业大规模