基于深度学习的履带式智能运输车辆稳定避障控制方法技术

基于深度学习的履带式智能运输车辆稳定避障控制方法，涉及履带式智能运输车辆避障控制技术领域，本发明专利技术方法能够有效保证履带式智能运输车辆在复杂环境中稳定行驶；包括以下步骤：在车辆前端均匀布局N个超声波测距雷达，用以检测车辆前方障碍物的位置和大小；当车载雷达检测到前方障碍物时，车辆将通过改变两侧履带速度差来调整θ

【技术实现步骤摘要】
基于深度学习的履带式智能运输车辆稳定避障控制方法


[0001]本专利技术涉及履带式智能运输车辆避障控制
，具体的说是一种基于深度学习的履带式智能运输车辆稳定避障控制方法。

技术介绍

[0002]随着车辆智能化进程的日趋加快，仿人化自主避障行驶作为无人驾驶领域的新兴技术，愈发受到科研人员的关注。履带式智能运输车辆作为特种运输作业中的重要设备，承担着越来越重要的职能和任务。在智能车辆自主避障方法方面，针对在结构化道路上行驶的车辆而言，多采用模糊算法、神经网络、机器视觉等方法构建智能车辆的辅助驾驶控制系统，这些常用的智能算法对于相对简单的行驶环境具有良好的控制效果，但对于在非结构化道路上行驶的履带式智能车辆而言，其行驶环境复杂恶劣，在避障行驶过程中常常伴随着碰撞和侧翻等安全隐患，导致车辆难以保持行驶的稳定性。
[0003]本专利技术提出的基于深度学习的履带式智能车辆稳定避障控制方法，可以在非结构环境下有效实现车辆的自主避障控制，性能优良；适用于解决其他类似工程领域中与避障控制相关的路径规划问题，如自动协同驾驶的多车编队任务分配策略和无人车辆多车道编队方法等。

技术实现思路

[0004]本专利技术提供一种基于深度学习的履带式智能运输车辆稳定避障控制方法，该方法能够有效保证履带式智能运输车辆在复杂环境中稳定行驶。
[0005]基于深度学习的履带式智能运输车辆稳定避障控制方法，包括以下步骤：
[0006]S1、在车辆前端均匀布局N个超声波测距雷达，用于检测车辆前方障碍物的位置和大小，并根据野外障碍物的位置和大小，将障碍物分为N类；并设定车体两侧与障碍物之间预留安全距离q；
[0007]S2、当车载雷达未检测到障碍物时，车辆将保持原航向行驶至目标点；当车载雷达检测到前方障碍物时，车辆将调整航向以避开障碍物，采用公式(1)求得车辆航向角θ
m
：
[0008][0009]式中，R为履带车辆的转弯半径，D为轨距，b为单条履带宽度；
[0010]S3、对车辆的动态稳定性进行分析和评估，利用IMU采集车辆的行驶状态参数，包括行驶过程中的三轴姿态角、三轴角速度以及质心动态位置，基于坡度信息和车辆自身行驶信息，采用公式(2)表示车辆的动态稳定性指标：
[0011][0012]式中，β为路面坡度角，β
max
为车辆的最大爬坡角，a
x
、a
y
、a
z
分别为车辆的侧向加速度、前向加速度、纵向加速度，a
rx
、a
ry
、a
rz
分别为车辆的俯仰角加速度、翻滚角加速度、航向
角加速度，λ1～λ6为权重系数；
[0013]S4、根据步骤S2得到的车辆航向角θ
m
和步骤S3获得的动态稳定性指标DSE
min
，结合LSTM和Attention机制，建立基于Attention
‑
LSTM深度学习方法的稳定避障控制策略。
[0014]本专利技术的有益效果：
[0015](1)本专利技术提出的基于深度学习的履带式智能车辆稳定避障控制方法，可以在非结构环境下有效实现车辆的自主避障控制，性能优良；
[0016](2)本专利技术也适用于解决其他类似工程领域中与避障控制相关的路径规划问题，如自动协同驾驶的多车编队任务分配策略和无人车辆多车道编队方法等。
附图说明
[0017]图1为本专利技术所述的基于深度学习的履带式智能运输车辆稳定避障控制方法的流程图；
[0018]图2为本专利技术方法中障碍物分类示意图；
[0019]图3为本专利技术方法中履带车辆避障路径示意图；
[0020]图4为本专利技术方法中多层次避障网络模型结构图；
[0021]图5为本专利技术方法中履带车辆稳定避障控制框架设计图。
具体实施方式
[0022]下面将结合附图，以具体的实例来说明本方法，应当理解，此处所描述的优选实例仅适用于说明和解释本专利技术，并不用于限定本专利技术。
[0023]在该实例中，履带式智能车辆能独立运动，两侧履带能够单独控制行驶速度，采用超声波测距雷达作为主要的环境探测传感器。
[0024]本专利技术基于深度学习的履带式智能运输车辆稳定避障控制方法如图1所示，包括以下步骤：
[0025]1)在车辆前端均匀布局N＝5个超声波测距雷达，用以检测车辆前方障碍物的位置和大小，并根据野外障碍物的位置和大小，将障碍物分为5类，在车辆行驶过程中，为保证车辆能够安全避障，将车体两侧与障碍物之间预留一定安全距离q，设定q≥0.2m；
[0026]2)当车载雷达未检测到障碍物时，车辆将保持原航向行驶至目标点；当车载雷达检测到前方障碍物时，车辆将调整航向以避开障碍物，采用公式(1)可以求得航向角θ
m
：
[0027][0028]式中，R为履带车辆的转弯半径，轨距D＝1.25m，单条履带宽度b＝0.25m；i＝1,2,
…
,5；m＝1,2,
…
,15；
[0029]3)对车辆的动态稳定性进行分析和评估，利用IMU采集车辆的行驶状态参数，包括行驶过程中的三轴姿态角、三轴角速度、质心动态位置，基于坡度信息和车辆自身行驶信息，采用公式(2)来表示车辆的动态稳定性指标：
[0030][0031]式中，β为路面坡度角，车辆的最大爬坡角β
max
＝30
°
，a
x
、a
y
、a
z
分别为车辆的侧向加
速度、前向加速度、纵向加速度，a
rx
、a
ry
、a
rz
分别为车辆的俯仰角加速度、翻滚角加速度、航向角加速度，λ1～λ6为权重系数，且有λ1+λ2+λ3+λ4+λ5+λ6＝1，根据实验对权重系数设置为：λ1＝λ2＝λ5＝λ6＝0.2，λ3＝λ4＝0.1。履带式智能运输车辆的失稳评价指标如下表所示：
[0032][0033]针对履带车辆在非结构化道路上行驶时会遇到的复杂行驶路况，基于坡度信息和车辆自身的行驶信息，提出车辆自主避障控制方法，即：基于车辆行驶稳定性的专家避障策略如下：
[0034]①
首先，完成履带式智能运输车辆的初始化设置，并设置车辆的安全避障距离L
T
为1500mm，车辆姿态控制系统输入的信息为：基于雷达来获取前方障碍物信息，基于IMU实时获取的车辆行驶状态参数，将上述信息处理后，姿态控制系统输出指令，以控制车辆的航向角与行驶速度；
[0035]②
当车辆确定前方目标点的坐标(x，y，z)后，车辆启动行驶，车辆障碍物探测系统开始工作，并对多传感器获取的信息进行实时融合；
[0036]③
障碍物探测系统对车辆传感器信息进行融合：将每组超声波雷达的返回值输入至车辆系统控制中心，如果前方障碍物距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的履带式智能运输车辆稳定避障控制方法，其特征是：该方法由以下步骤实现：S1、在车辆前端均匀布局N个超声波测距雷达，用于检测车辆前方障碍物的位置和大小，并根据野外障碍物的位置和大小，将障碍物分为N类；并设定车体两侧与障碍物之间预留安全距离q；S2、当车载雷达未检测到障碍物时，车辆将保持原航向行驶至目标点；当车载雷达检测到前方障碍物时，车辆将调整航向以避开障碍物，采用公式(1)求得车辆航向角θ
m
：式中，R为履带车辆的转弯半径，D为轨距，b为单条履带宽度；S3、对车辆的动态稳定性进行分析和评估，利用IMU采集车辆的行驶状态参数，包括行驶过程中的三轴姿态角、三轴角速度以及质心动态位置，基于坡度信息和车辆自身行驶信息，采用公式(2)表示车辆的动态稳定性指标：式中，β为路面坡度角，β
max
为车辆的最大爬坡角，a
x
、a
y
、a
z
分别为车辆的侧向加速度、前向加速度、纵向加速度，a
rx
、a
ry
、a
rz
分别为车辆的俯仰角加速度、翻滚角加速度、航向角加速度，λ1～λ6为权重系数；S4、根据步骤S2得到的车辆航向角θ
m
和步骤S3获得的动态稳定性指标DSE
min
，结合LSTM和Attention机制，建立基于Attention
‑
LSTM深度学习方法的稳定避障控制策略。2.根据权利要求1所述的基于深度学习的履带式智能运输车辆稳定避障控制方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：张冠宇，王艺添，赵寰宇，
申请(专利权)人：吉林大学，
类型：发明
国别省市：