城区交通环境下无人车实时规划及控制方法研究

It is an challenging issue that real-time motion planning and motion control in the environment of multiple moving obstacles for mobile robots. Unmanned vehicles under urban traffic environment as a typical kind of outdoor mobile robots, due to the wide range and complexity of the environment, strong maneuverability etc, real-time motion planning and control of which is more challenging than under the specific environment. The project is a study of the real-time planning and the control problem for unmmanded vehicles under urban traffic environment. The main contents include: 1) To solve the optimal and no collision trajectory in real time in velocity space. 2) To design high precise, jitter-free sliding mode controller based on vehicle dynamics model. 3) To design replanning strategy based on unexpected traffic conditions and errors of tracking control. The validation and application of the study will rely on the unmanned paltform ‘Kua Fu No.1’. The result of the study has not noly a good theoretical innovation, but also good application prospects in intelligent transportation systems, intelligent automobiles and other fields.

多运动障碍物环境中的实时运动规划和运动控制是自主移动机器人研究领域中的挑战性问题，面临着求解空间高度复杂、实时性强、控制精度高等困难。城区交通环境下的无人驾驶车辆作为一种典型的室外自主移动机器人系统，由于活动范围广、环境复杂、机动性强等因素，其实时运动规划和控制比特定环境下的移动机器人系统更富有挑战性。本项目针对城区交通环境下的无人驾驶车辆的实时规划与控制问题展开研究，主要研究内容包括：1）速度空间最优无碰撞的实时规划轨迹求解；2）基于车辆动力学模型的高精度、无抖动滑模控制器设计；3）针对突发交通状况及跟踪控制误差的重规划机制。上述研究将依托国家自然科学基金资助的重点项目“夸父一号”无人驾驶平台进行验证和应用。该研究成果不仅在理论上具有较好的创新性，而且在智能交通系统和智能汽车等领域中具有很好的应用前景。

多运动障碍物环境中的实时运动规划和运动控制是自主移动机器人研究领域中的挑战性问题，面临着求解空间高度复杂、实时性强、控制精度高等困难。城区交通环境下的无人驾驶车辆作为一种典型的室外自主移动机器人系统，由于活动范围广、环境复杂、机动性强等因素，其实时运动规划和控制比特定环境下的移动机器人系统更富有挑战性。本项目针对城区交通环境下的无人驾驶车辆的实时规划与控制问题展开研究，主要研究内容包括：1）速度空间最优无碰撞的实时规划轨迹求解；2）基于车辆动力学模型的高精度、无抖动滑模控制器设计；3）针对突发交通状况及跟踪控制误差的重规划机制。通过本项目的研究，针对多运动障碍物条件下的实时运动规划算法问题，提出在移动机器人速度空间采用快速扩展随机树算法生成最优轨迹，该成果已申请国家发明专利。针对路口复杂场景的决策与规划问题，提出路口场景下基于Bezier和VFH的无人车轨迹规划方法，该成果已申请国家发明专利并发表国际会议论文。针对车辆动力学的高度非线性特征，设计并应用快速终端滑模控制实现了对车辆侧纵向耦合模型的控制，获得了高精度的跟踪控制性能，该成果已获得国家发明专利。针对突发交通状况及跟踪控制误差，建立实车实验中车辆规划轨迹及实际车辆速度、曲率、跟踪误差的状态统计模型，该成果已发表国际会议论文。针对提升无人驾驶车辆自主驾驶的智能性及在线自学习能力，分别提出了基于随机神经网络的Q-learning策略和基于基于最小平均p范数超限学习机的Q-learning策略，该成果均已发表在国际期刊。上述研究均依托国家自然科学基金资助的重点项目“夸父一号”无人驾驶平台进行验证和应用。该研究成果不仅在理论上具有较好的创新性，而且在智能交通系统和智能汽车等领域中具有很好的应用前景。