《無人駕駛地下礦用汽車路徑跟蹤與速度決策研究》由會員分享，可在線閱讀，更多相關《無人駕駛地下礦用汽車路徑跟蹤與速度決策研究（2頁珍藏版）》請在裝配圖網上搜索。
1、
無人駕駛地下礦用汽車路徑跟蹤與速度決策研究
隨著我國對地下礦產資源開采量的顯著增加 , 國家大力發(fā)展深部采礦 , 隨著開采深度增加 , 工作環(huán)境高溫、 高濕、噪聲振動等對礦山設備操作人員健康造成極大危害 , 因此無人駕駛系統(tǒng)受到廣泛關注。本文以 30 噸級地下礦用鉸接式自卸車為研究對象 , 針對無人駕駛地下礦用汽車的路徑跟蹤控制、 速度決策算法方面做了相應的研究。 旨在實現(xiàn)無人駕駛過程中的路徑跟蹤和抑制地形引起的整車振動。 本文對實車進行電氣化改造 , 并搭建了小比例模型樣機 , 建立了用于硬件在環(huán)仿真的實時模型虛擬樣機。 在實車和小比例樣機上加裝了相同的信息采集
2、系統(tǒng)、通信系統(tǒng)和主控制器 , 實現(xiàn)了地下礦用汽車實車及其模型樣機的人工操作、 遙控操作以及無人駕駛功能。 在樣機的基礎上定義了參考軌跡與實際軌跡的偏差并證明了車速與整車垂向振動響應
幅值線性關系。對實車轉向與速度控制模型進行系統(tǒng)辨識 , 發(fā)現(xiàn)轉向控制模型為純滯后比例環(huán)節(jié) , 速度控制模型為純滯后一階慣性環(huán)節(jié)。為路徑跟蹤與速度決策算法設計提供了理論依據。 根據反應式導航控制策略 , 以 PID 控制算法為基礎 , 設計了基于強化學習的自適應 PID路徑跟蹤方向控制器 , 該控制器以軌跡偏差為輸入 , 以轉角控制量為輸
出 , 通過強化學習算法對 PID 參數(shù)進行在線自適應整定
3、。之后根據駕駛員預瞄模型 , 制定了路徑跟蹤速度控制策略 , 并設計了基于監(jiān)督學習的模糊神經網絡路徑跟蹤速度控制器。利用監(jiān)督學習算法 , 以駕駛員行駛數(shù)據作為訓練樣本 , 對控制器參數(shù)進行學習。以垂向振動加速度幅值與車速的線性關系為基礎 , 推導了基于整車垂向振動的理想速
度, 并以路徑跟蹤速度控制器輸出、 理想速度和縱向加速度作為約束 , 設計了速度決策算法 , 參數(shù)通過監(jiān)督學習算法由駕駛員數(shù)據訓練得出。
隨后定義了激光雷達點云數(shù)據的特征向量和地形粗糙度評分函數(shù) , 并
根據粗糙程度將地形分類二值化以使用自監(jiān)督學習算法進行學習 , 學習樣本由激光
4、雷達和慣性導航模塊數(shù)據經濾波后在線自動產生。 將地形粗糙度結果用于速度預測從而改進速度決策算法。 最后通過仿真驗證和道路實車實驗分別對路徑跟蹤和速度決策算法進行測試。 路徑跟蹤實驗結果顯示自適應 PID 路徑跟蹤方向控制器相比傳統(tǒng)固定參數(shù) PID 控制器橫向位置偏差、航向角偏差、曲率偏差和轉角控制量的幅值、均值、方差均有明顯減少 , 而模糊神經網絡路徑跟蹤速度控制器輸出與駕駛員速度控制意圖接近； 速度決策算法實驗結果顯示該算法結合速度預測在崎嶇路面可以明顯降低整車超閾值垂向振動次數(shù)與幅值 , 同時在平坦路面能夠提高車速。實驗結果證明了路徑跟蹤方向
和速度控制器能夠對無人駕駛地下礦用汽車進行有效控制。 速度決策算法可以有效抑制由地形引起的整車垂向振動。 本文為無人駕駛地下礦用汽車路徑跟蹤與速度決策研究提供了理論依據。
無人駕駛地下礦用汽車路徑跟蹤與速度決策研究
