基于运动模式认知模型的智能车辆自主优化控制方法研究

In the driving process, the motion pattern of human beings results from environment cognition. If we can get the computing model which simulates this cognitive behavior, motion control can be guided with the result of environment cognition. It is a new method to improve intelligent vehicle’s ability to adapt to unknown complex environment. This project will establish the computing model which simulates the driver’s cognition of motion pattern. The computing model is based on cognitive mechanism of the neural loop, namely, “hippocampus—prefrontal cortex—anterior cingulated cortex”. Besides, we will propose a method of control realizing autonomous optimization and incremental learning ability. Firstly, the formalized method of motion pattern will be discussed. We will establish the key variables which describe environmental characteristics and motion pattern; moreover, the calculating method of these key variables will also be discussed. Secondly, the neural mechanism of cognitive monitoring, working memory updating, accumulating long-term memory will be simulated and the coordination system of cognition will be established. Based on the Q learning and mixed incremental extreme learning machine, a computing model for the cognition of motion pattern is studied. And the mapping model of “environmental characteristics—motion pattern” is established. Thirdly, according to the cognitive results of motion pattern, the indexes for the stability, accuracy, comfort and other performances will be established. We will propose the coordination optimizing method for motion planning and control. This project will provide new theoretical foundations and solutions for autonomous vehicles which are driving in unknown and complex environments.

人类在驾车过程中，表现出面向交通环境的运动模式选择与控制行为。建立模拟这一认知行为的计算模型，用环境认知的结果指导运动控制，是发展智能车环境适应能力的新途径。本项目将基于人类“海马体—扣带回—前额叶”神经回路的认知机理，建立模拟驾驶员运动模式认知行为的计算模型，研究具有自主优化与增量学习能力的控制方法。首先，研究运动模式认知的形式化方法，设计描述环境特征和运动模式的关键变量以及计算方法。其次，模拟人类认知监控、工作记忆刷新、长时记忆积累的神经机制，建立认知功能协调体系，基于Q学习、增量式极限学习机等方法，研究运动模式认知计算模型，实现“环境特征—运动模式”的映射。最后，根据运动模式认知结果，建立面向稳定性、精确性、舒适性等运动性能指标的目标与约束函数，研究多指标协调优化的运动规划与控制方法。项目预期将为智能车辆在未知复杂环境下的运动模式认知与自主优化控制问题提供新的理论与方法。

在未知、复杂的道路环境下，如何提高智能车辆的自主行为能力是智能车辆研究的关键问题之一，本项目基于人类认知机制，对智能车辆运动过程中的环境认知与运动控制问题开展了研究。取得了以下成果：（1）基于特征优先级的车道线识别与推理认知方法，实现了针对不同道路环境的车道线鲁棒检测。（2）针对智能车辆环境建模问题，提出了一种聚类分析的道路边界检测方法，提高了道路边界检测算法的抗干扰能力。（3）针对智能车辆的横向运动模式认知问题，提出了一种基于自适应动态规划的运动模式认知与控制方法，该方法实现了基于数据的增量学习，并可以根据在线性能评价优化机器人的控制行为。（4）针对智能车辆的纵向控制问题，提出了一种模拟人类驾驶模型的纵向控制方法，该方法兼顾了控制精度、舒适性和环境适应性等多项性能。（5）针对智能车辆运动模式表达问题，提出了一种基于模型预测控制的车辆横向控制方法。在理论分析和仿真计算的结果上，为了验证本项目所提出相关方法的正确性，分别基于无人驾驶车辆平台和履带式移动机器人平台，开展了试验工作。相关数据结果验证了本项目提出的基于人类认知机制的感知与控制方法是有效的，可以提高智能车辆针对未知、复杂环境的适应性。