УДК 004

Разработка и реализация системы управления движением беспилотного транспортного средства

Чжао Цзихуай – бакалавр Белорусского национального технического университета.

Ван Синбо – бакалавр Белорусского национального технического университета.

Аннотация: Автомобиль без водителя сам по себе является сильно нелинейным, имеет временные задержки сигнала и неопределенность параметров, а на его управление также влияют внешние факторы, такие как изменения коэффициентов сцепления с дорогой и боковой ветер. Поэтому зачастую сложно стабильно и точно управлять ими с помощью обычных методов управления. Способность нейронных сетей к обучению, адаптивность и возможность приближенного нелинейного отображения обеспечивают эффективный способ решения проблем неопределенности параметров модели транспортного средства, внешних возмущений и адаптивного управления транспортным средством. С учетом вышеизложенных аспектов, результаты и прогресс, достигнутый отечественными и зарубежными учеными в применении нейронных сетей для управления движением беспилотных транспортных средств в последние годы, обобщены и классифицированы, представлены области применения и оценены преимущества и недостатки соответственно. Наконец, обобщены основные проблемы нейронных сетей в управлении движением беспилотных транспортных средств и намечены возможные направления развития.

Ключевые слова: система, управление, автомобиль, робот, автоматизация.

Автомобили без водителя (далее беспилотные автомобили) привносят удобство в ежедневные поездки людей, а также широко используются в военных областях и опасных сценариях. Они могут значительно снизить количество ошибок водителя, а также обеспечить удобство для людей с ограниченными возможностями, которые не могут управлять транспортными средствами. Проектирование традиционных контроллеров движения беспилотных транспортных средств опирается на точные модели транспортных средств, и существует разрыв между реальными результатами применения и результатами моделирования[1]. В этом контексте нейронные сети обеспечивают мощную техническую поддержку для сложных нелинейных систем с неизвестными моделями или динамическими изменяющимися во времени объектами управления, особенно для управления движением беспилотных автомобилей. Нейронные сети могут извлекать признаки из большого количества данных, и, регулируя веса и пороговые значения внутренних связей узлов, они могут вызывать различные степени влияния на выход сети с целью управления системой. В управлении движением беспилотных автомобилей широко используются следующие модели нейронных сетей[2].

BP нейронная сеть по сути является нелинейной оптимизационной задачей, которая находит комбинацию параметров при известных ограничениях, чтобы минимизировать объективную функцию, определяемую комбинацией. Нейронные сети BP часто используются для проектирования контроллеров беспилотных автомобилей, поскольку они могут быть преобразованы в задачи оптимального решения при многочисленных ограничениях. Поскольку нейронные сети ВР обладают способностью к адаптивному обучению, они обладают высокой устойчивостью и отказоустойчивостью, поэтому они подходят для оптимизации параметров других алгоритмов управления, делая их адаптивными и повышая точность алгоритма[3].

Управление движением беспилотного транспортного средства в основном заключается в установлении соответствия между отклонением состояния транспортного средства и объемом управления, необходимым для устранения этого отклонения. Нейронные сети, как контроллеры транспортных средств, могут вычислять величины управления непосредственно из отклонений состояния транспортного средства для достижения контроля движения беспилотных транспортных средств. Нейронные сети были впервые реализованы в Университете Камерона в 1989 году для управления движением беспилотных транспортных средств и были оптимизированы с помощью эволюционных алгоритмов. Сочлененные беспилотные автомобили отличаются от пассажирских беспилотных автомобилей тем, что они имеют уникальный механизм рулевого управления. Используя нейронные сети, можно построить контроллеры специально для шарнирных беспилотных автомобилей. Управление водителем транспортного средства, аналогично контроллеру автомобиля, заключается в том, чтобы заставить транспортное средство как можно точнее следовать заданному состоянию. Модель водителя - это математическая форма моделирования поведения водителя по управлению транспортным средством, устанавливающая связь между отклонениями состояния транспортного средства и управлением водителем транспортным средством. Использование нейронных сетей для моделирования водителей транспортных средств позволяет сравнить поведение водителя при управлении транспортным средством с поведением автономных систем круиз-контроля. Чтобы избежать сбора большого количества данных об управлении водителем в качестве обучающих образцов для нейронной сети, веса и пороговые значения нейронной сети могут быть определены путем оптимизации функции цели[4].

В 1989 году Померло разработал систему управления беспилотным автомобилем на основе нейронной сети ALVINN (Autonomous land vehicle in a neural network) для управления беспилотным автомобилем CMU Navlab. Система ALVINN использует трехслойную нейронную сеть с прямой связью. Входной слой представляет собой видеоизображение размером 30 x 32 точки, а скрытый слой содержит 4 нейрона. Выходной слой содержит 30 нейронов и представляет собой линейное представление текущего угла поворота. Самый средний выходной блок представляет состояние "прямо", а блоки по обе стороны представляют резкие повороты влево и вправо соответственно. После обучения контроллер нейронной сети способен управлять беспилотным автомобилем на основе информации о дороге. При максимальной скорости 88 км-ч-1 автомобиль остается в среднем в пределах 6,9 см от центра полосы движения. Однако система ALVINN требует частого переобучения для адаптации к изменяющимся внешним условиям. Более того, используемый метод обратного распространения ошибки требует метода градиентного спуска для поиска оптимального направления в весовом пространстве, которое склонно к попаданию в локальные минимумы. В литературе [5] рассматривается использование эволюционных алгоритмов для определения весов и порогов нейронных сетей.

Управление сочлененным беспилотным транспортным средством отличается от обычных пассажирских транспортных средств тем, что конструкция его контроллера является более сложной. В литературе [6] рассмотрено управление движением сочлененного беспилотного транспортного средства с помощью нейронных сетей. Сначала создается упрощенная модель транспортного средства, а затем на основе модели проектируется нейросетевой контроллер для сочлененного беспилотного транспортного средства с учетом принципа адаптивного управления. Нейронная сеть представляет собой трехслойную сеть: входной слой, состоящий из 4 нейронов, один скрытый слой, состоящий из 10 нейронов, и линейный выходной слой. Входами нейронной сети являются кривизна дороги, боковое ускорение, боковая скорость и боковое смещение, а выходами - углы сочленения. Моделирование показывает, что контроллер имеет быструю сходимость и хорошие характеристики устойчивого состояния на участках дороги с переменной кривизной, и способен точно управлять сочлененным беспилотным транспортным средством для отслеживания желаемой траектории.

Поведение водителя при управлении транспортным средством, как и поведение контроллера транспортного средства, заключается в том, чтобы сделать так, чтобы состояние движения транспортного средства как можно точнее соответствовало желаемому состоянию. Модель водителя - это математическая имитация поведения водителя при управлении транспортным средством. Используя модель водителя, можно создать замкнутую систему "водитель-автомобиль-дорога" для более полной оценки стабильности управления автомобилем.

Список литературы

1. Гордиенко Е. П. Развитие беспилотных технологий на железнодорожном транспорте //Актуальные проблемы и перспективы развития транспорта, промышленности и экономики России (ТрансПромЭк 2020). – 2020. – С. 82-85.
2. Коробеев А. И., Чучаев А. И. Беспилотные транспортные средства: новые вызовы общественной безопасности //Lex russica. – 2019. – №. 2 (147). – С. 9-28.
3. Гусев С. И., Епифанов В. В. Повышение эффективности при эксплуатации беспилотных автотранспортных средств //Вузовская наука в современных условиях. – 2022. – С. 105-108.
4. Гусев С. И., Епифанов В. В. Инфраструктура системы функционирования беспилотного автотранспортного средства //Вестник Ульяновского государственного технического университета. – 2020. – №. 1 (89). – С. 26-29.
5. Правиков Д. И., Пономарева Е. А., Куприяновский В. П. Проблемы обеспечения информационной безопасности высокоавтоматизированных транспортных средств //International journal of open information technologies. – 2020. – Т. 8. – №. 6. – С. 98-103.
6. Городничев М. Г., Мосева М. С., Полянцева К. А. Программная платформа мониторинга и управления движением беспилотных транспортных средств. – 2020.