低速環(huán)境下無人駕駛智能車路徑規(guī)劃及避障策略 丁永哲

低速環(huán)境下無人駕駛智能車路徑規(guī)劃及避障策略丁永哲摘要：智能車的導(dǎo)航策略和避障方法作為無人駕駛系統(tǒng)對(duì)外界環(huán)境感知和處理的核心技術(shù)，其功能實(shí)現(xiàn)主要是使智能車能夠無碰撞的、滿足一定性能指標(biāo)(時(shí)間、能量等)從當(dāng)前狀態(tài)移動(dòng)到目的狀態(tài)。而作為無人駕駛智能車系統(tǒng)中的核心組成部分，對(duì)于其研究和設(shè)計(jì)則顯得不可或缺。論文首先闡述了無人駕駛智能車技術(shù)發(fā)展現(xiàn)狀，介紹了與局部避障和全局導(dǎo)航相關(guān)的基礎(chǔ)理論研究，并基于動(dòng)力學(xué)、運(yùn)動(dòng)學(xué)建立了智能車的數(shù)學(xué)模型，使用Gmapping算法對(duì)智能車所處的周身環(huán)境進(jìn)行了建模。為了盡可能提高智能車避障和導(dǎo)航的能效性，論文根據(jù)已有理論分析了多種導(dǎo)航和避障策略在半結(jié)構(gòu)化低速環(huán)境下應(yīng)用的優(yōu)缺點(diǎn)，設(shè)計(jì)了基于激光雷達(dá)傳感器數(shù)據(jù)建環(huán)境地圖，局部避障與全局導(dǎo)航相結(jié)合的智能車避障導(dǎo)航系統(tǒng)。其次，研究了局部避障策略中多傳感器組合方案，基于超聲波測(cè)距傳感器和激光測(cè)距傳感器建立近距離避障傳感器組合，對(duì)其無人車采集數(shù)據(jù)進(jìn)行融合處理。為降低融合算法的冗余度，將聯(lián)合卡爾曼數(shù)據(jù)融合算法中子濾波器替換為互補(bǔ)濾波器，得到優(yōu)化后數(shù)據(jù)融合算法。通過仿真分析可得該優(yōu)化的數(shù)據(jù)融合算法提高了檢測(cè)障礙物距離的精確度，降低了算法融合運(yùn)行時(shí)間。再次，以智能車無碰撞、且避碰路徑最短為判斷準(zhǔn)則，基于優(yōu)化的A*算法結(jié)合高優(yōu)先級(jí)的近距離避障策略，設(shè)計(jì)了智能無人車避障導(dǎo)航方案，從而實(shí)現(xiàn)對(duì)智能車的自主移動(dòng)導(dǎo)航，并通過軟件仿真驗(yàn)證，該策略方案能夠保持智能車在低速環(huán)境下無碰撞的、以最短路徑抵達(dá)目標(biāo)地點(diǎn)，證明了該設(shè)計(jì)方案的合理性。最后，設(shè)計(jì)了半結(jié)構(gòu)智能車仿真測(cè)試硬件系統(tǒng)，通過智能車樣車對(duì)提出的避碰導(dǎo)航系統(tǒng)進(jìn)行測(cè)試，證明了基于優(yōu)化的A*算法的避障導(dǎo)航方案在智能車的路徑規(guī)劃中的有效性和可行性。關(guān)鍵詞：無人駕駛；智能車；Gmapping；優(yōu)化A*算法；聯(lián)合卡爾曼算法1緒論1.1課題研究背景與意義無人駕駛智能車(Driverlesssmartcar)又稱為智能輪式移動(dòng)機(jī)器人。理論上它被解釋為一類能夠借助一定方式感知周圍環(huán)境和車輛自身狀態(tài)，能夠?qū)崿F(xiàn)行駛在有障礙物的路段或其它環(huán)境中面向設(shè)定目標(biāo)的自主運(yùn)動(dòng)，進(jìn)而完成設(shè)定作業(yè)功能的機(jī)器人系統(tǒng)［16］。這類機(jī)器人不同于其他機(jī)器人之處在于凸顯了獨(dú)特的移動(dòng)方式和應(yīng)用場(chǎng)景，是一類在尖端科學(xué)領(lǐng)域和平常生活中都有廣泛應(yīng)用和科研價(jià)值的類別。對(duì)于它的研究，包含了經(jīng)濟(jì)、國(guó)防、科技、教育、文化和生活等眾多領(lǐng)域，人們對(duì)它的關(guān)注度也越來越高，隨著近年MCU微處理器以及傳感器的高速發(fā)展，超大規(guī)模集成電路系統(tǒng)(VLSISystem)的普及，傳感器數(shù)據(jù)融合、動(dòng)態(tài)環(huán)境建模與定位、導(dǎo)航策略等諸多相關(guān)領(lǐng)域算法得以在智能車上實(shí)現(xiàn)。與此同時(shí)，對(duì)無人駕駛技術(shù)的研究也成為當(dāng)今研究熱點(diǎn)領(lǐng)域之一。進(jìn)入二十一世紀(jì)，國(guó)家經(jīng)濟(jì)依然保持高速發(fā)展階段，人民生活水準(zhǔn)不斷提高其中，汽車工業(yè)領(lǐng)域和智能化領(lǐng)域也呈現(xiàn)井噴式高速發(fā)展。2011年7月，我國(guó)機(jī)動(dòng)車保有量達(dá)到2.19億輛，回顧上世紀(jì)八十年代，我國(guó)汽車社會(huì)保有量才僅僅為1219萬輛。數(shù)量增長(zhǎng)讓整個(gè)世界都為之震驚。這一發(fā)展一方面改變了人們的生活習(xí)慣，改變了人們的出行方式，與此同時(shí)也帶來了很多社會(huì)問題。就目前較為突出的幾個(gè)方面，安全事故、尾氣污染、交通堵塞等，讓各個(gè)領(lǐng)域的研究者和人們頭疼不已。為了解決上述問題，誕生了無人駕駛智能汽車、城市公共軌道交通，使用綠色能源的新能源汽車等各種新概念汽車。其中，無人駕駛智能車的研究以及實(shí)驗(yàn)表明在減少交通事故，降低駕駛?cè)藛T駕駛疲勞，優(yōu)化城市交通環(huán)境等方面有著卓越表現(xiàn)，從而受到了相關(guān)領(lǐng)域科研人員的關(guān)注與青睞。按照智能車應(yīng)用環(huán)境，可以大致分類為高速公路環(huán)境、城市低速環(huán)境和特殊環(huán)境。城市低速環(huán)境包含一般的城市道路，也包括企業(yè)庫房、商廠、機(jī)場(chǎng)、住宅區(qū)、公園等。這些運(yùn)行環(huán)境對(duì)智能車提出了更高的要求，需要保障準(zhǔn)確性、安全性、交互性、舒適性等眾多影響因素［9］。然而事實(shí)證明，在可以提前確定的環(huán)境中，與智能車導(dǎo)航與避障策略相關(guān)的研究已經(jīng)取得了可觀的成果和應(yīng)用，但在未知環(huán)境中，相關(guān)研究取得的成果并不夠?qū)崿F(xiàn)人們的期望目標(biāo)。在這個(gè)領(lǐng)域，還沒有形成成熟和完善的體系結(jié)構(gòu)，只有較少的先見知識(shí)，還有很多關(guān)鍵理論和實(shí)驗(yàn)有待研究和驗(yàn)證。在此背景下，論文進(jìn)一步研究了低速環(huán)境下無人駕駛智能車的車體硬件結(jié)構(gòu)平臺(tái)設(shè)計(jì)、傳感器組合、導(dǎo)航策略和障礙物檢測(cè)方法。符合目前智能車的發(fā)展方向，對(duì)于其在相關(guān)領(lǐng)域的應(yīng)用提供經(jīng)驗(yàn)并有著十分深遠(yuǎn)的意義。.2國(guó)內(nèi)外研究現(xiàn)狀在智能車研究領(lǐng)域，美國(guó)、德國(guó)、法國(guó)和日本等少數(shù)發(fā)達(dá)國(guó)家一直處與世界領(lǐng)先地位。它的發(fā)展歷史可追溯到20世紀(jì)60年代，在這歷史的慢慢長(zhǎng)河中，取得較為明顯成果的有NavLab系列智能車，典型型號(hào)有NavLab-1系統(tǒng)、NavLab-5系統(tǒng)和NavLab-11系統(tǒng)等。圖1.1NavLab-1系統(tǒng)結(jié)構(gòu)框圖NavLab-1系統(tǒng)在80年代設(shè)計(jì)完成并投入實(shí)驗(yàn)，成功完成了以10Km/h的運(yùn)行速度在非結(jié)構(gòu)化道路上行駛，在典型結(jié)構(gòu)化道路上運(yùn)行速度可以更高。車輛傳感器選用了1臺(tái)ERIM激光雷達(dá)測(cè)距儀，1臺(tái)JVCBY110U帶云臺(tái)彩色攝像機(jī)，激光雷達(dá)，單點(diǎn)激光測(cè)距模塊等，并配備了三臺(tái)計(jì)算機(jī)作為處理器。系統(tǒng)體系結(jié)構(gòu)圖如圖1.1所示。其系統(tǒng)的體系結(jié)構(gòu)十分典型，至今依然具有很大的借鑒意義。系統(tǒng)劃分為三個(gè)功能模組，一臺(tái)Sun3/75計(jì)算機(jī)處理ERIM激光測(cè)距儀數(shù)據(jù)；一臺(tái)Sun3/75計(jì)算機(jī)負(fù)責(zé)對(duì)JVC攝像機(jī)采集的視頻信號(hào)進(jìn)行處理，數(shù)據(jù)首先會(huì)被幀緩沖器進(jìn)行一級(jí)處理，再傳至計(jì)算機(jī)進(jìn)行二級(jí)處理；一臺(tái)Sun3/75計(jì)算機(jī)作為控制器間的中轉(zhuǎn)橋，將三個(gè)執(zhí)行傳感器所需要的執(zhí)行數(shù)據(jù)以及反饋數(shù)據(jù)傳輸。三臺(tái)計(jì)算機(jī)通過局域網(wǎng)兩兩互聯(lián)，可以實(shí)現(xiàn)數(shù)據(jù)共享也可以進(jìn)行處理，底層執(zhí)行機(jī)構(gòu)通過Intel多總線連接驅(qū)動(dòng)執(zhí)行器、轉(zhuǎn)向執(zhí)行器和狀態(tài)傳感器。提高了數(shù)據(jù)傳輸速率降低了執(zhí)行機(jī)構(gòu)響應(yīng)時(shí)間。NavLab-1的環(huán)境感知傳感器安裝結(jié)構(gòu)特點(diǎn)在云臺(tái)攝像機(jī)安裝在測(cè)距儀的上方，激光測(cè)距儀的響應(yīng)時(shí)間和數(shù)據(jù)量都遠(yuǎn)小于攝像機(jī)，可以作為攝像機(jī)的冗余系統(tǒng)補(bǔ)償其特性缺陷。在智能車研究的編年史里，二十世紀(jì)90年代，VaMoRs-P型無人駕駛智能車系統(tǒng)在當(dāng)時(shí)十分閃耀。該無人車結(jié)構(gòu)體系以Mercedes-Benz500作為車體移動(dòng)平臺(tái)。傳感器選用融合了加速度計(jì)和角度傳感器的陀螺儀、速度傳感器、執(zhí)行機(jī)構(gòu)狀態(tài)參數(shù)測(cè)量?jī)x器和兩組雙目視覺圖像處理系統(tǒng)構(gòu)成。數(shù)據(jù)處理部分選擇使用兩臺(tái)計(jì)算機(jī)和一臺(tái)基于Transputer的分布并行處理單元構(gòu)成。實(shí)現(xiàn)了1600公里的無人自主駕駛，其導(dǎo)航與避障性能在同時(shí)期比較及其突出。智能車的行駛環(huán)境大多為路面，將行駛環(huán)境分為兩個(gè)部分，其一是結(jié)構(gòu)化道路，另一個(gè)便是非結(jié)構(gòu)化道路。結(jié)構(gòu)化道路具有比較清晰的道路標(biāo)示和較好的路面行駛環(huán)境，道路特征比較全面和突出，容易被相關(guān)傳感器檢測(cè)到，例如高速公路、城市主干道路等［10］。相比而言，非結(jié)構(gòu)化道路相比較結(jié)構(gòu)化道路就沒有那么明顯的道路標(biāo)志了，一般指城市非主干道、鄉(xiāng)間道路或其他結(jié)構(gòu)化程度低的環(huán)境路面，這類道路沒有明顯的道路特征，環(huán)境較為惡劣，道路背景也比較復(fù)雜，因此也成為了無人駕駛技術(shù)中道路識(shí)別部分的主要研究方向［19］。2001美國(guó)國(guó)防部設(shè)立無人駕駛技術(shù)研發(fā)項(xiàng)目，研制了一輛無人駕駛偵查車，命名為DemoIII系統(tǒng)。該系統(tǒng)最大的特點(diǎn)在于能夠輕松行駛在結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路上，即便是在兩種路況環(huán)境下切換成功率和安全系數(shù)都非常高。與此同時(shí)，它能夠?qū)崿F(xiàn)單車運(yùn)行以及編隊(duì)運(yùn)行。該系統(tǒng)傳感器選擇了立體視覺攝像頭系統(tǒng)、多頻段雷達(dá)組合系統(tǒng)（多個(gè)頻段能夠穿透的障礙物不同，實(shí)現(xiàn)了在同一緯度的障礙物識(shí)別擴(kuò)展）、超聲波測(cè)距模塊、激光測(cè)距模塊、GPS導(dǎo)航以及陀螺儀。并使用數(shù)據(jù)融合算法對(duì)各個(gè)傳感器回傳的數(shù)據(jù)進(jìn)行了融合，發(fā)揮了重要作用，成功的使該系統(tǒng)在復(fù)雜的天氣環(huán)境情況下，例如雨天、霧天、沙塵天氣等中均保持準(zhǔn)確的障礙物判斷并實(shí)現(xiàn)精準(zhǔn)導(dǎo)航，通過處理器給出合理的行駛方案，控制車輛行駛路徑和安全的行駛速度，從而實(shí)現(xiàn)了真正意義上的無人駕駛偵察功能。在無人駕駛智能車領(lǐng)域，我國(guó)研究起步的比較晚，先見經(jīng)驗(yàn)少，主要研究人員集中在研究院和各大高校。因?yàn)槲覈?guó)城鄉(xiāng)結(jié)構(gòu)梯度跨度較大，道路交通發(fā)展受限，種種因素導(dǎo)致智能車研究在一段時(shí)間內(nèi)發(fā)展比較緩慢。80年代末，國(guó)防科技大學(xué)開始將目光投降智能車領(lǐng)域，逐步研制出多型號(hào)CITAVT系列無人駕駛智能小車。在2000年，該校最新型號(hào)CITAVT-IV型新一代地面無人駕駛車問世。該車移動(dòng)平臺(tái)選用了BJ2020SG吉普車，搭載的無人駕駛系統(tǒng)實(shí)現(xiàn)了兩個(gè)突出的功能，一是在非結(jié)構(gòu)化道路上的低速自主駕駛，另一個(gè)是在結(jié)構(gòu)化道路上的自主駕駛。車載傳感器方案選用了圖像采集處理器作為主要的感知傳感器，配合里程計(jì)數(shù)碼盤、激光陀螺儀、磁敏感轉(zhuǎn)速儀等車輛位姿傳感器。通過視覺導(dǎo)航加傳感器避障策略實(shí)現(xiàn)了在結(jié)構(gòu)化道路上75Km/h左右速度的自主航行?，F(xiàn)場(chǎng)實(shí)驗(yàn)圖如圖1.2所示：圖1.2CITAVT-IV現(xiàn)場(chǎng)實(shí)驗(yàn)圖我國(guó)企業(yè)在智能車研究的行列中，百度在2013年與國(guó)內(nèi)第三方汽車廠商簽署了百度無人駕駛車項(xiàng)目，該項(xiàng)目由百度研究院主導(dǎo)研發(fā)，其核心技術(shù)為“百度汽車大腦”，該項(xiàng)目在2015年成功推出第一輛百度無人駕駛車。在該系統(tǒng)中，導(dǎo)航控制體系包含高精度地圖、定位、感知、智能決策四個(gè)模塊，可自動(dòng)識(shí)別交通指示牌和行車信息，只要車主將目的地輸入導(dǎo)航系統(tǒng)，汽車就可以自動(dòng)前往目的地。該項(xiàng)目至今取得的實(shí)驗(yàn)成果在國(guó)內(nèi)屬于領(lǐng)先地位，2018年2月15日，新一代Apollo型智能車成功行駛在珠港澳大橋上，完成各種具有代表性和技術(shù)難度的無人駕駛模式下的動(dòng)作。我國(guó)無人駕駛技術(shù)目前在結(jié)構(gòu)化道路上取得了較多的成果和經(jīng)驗(yàn)理論，在非結(jié)構(gòu)化道路方面，雖然已經(jīng)開展了相關(guān)研究，但是缺少先見經(jīng)驗(yàn)，理論空白還有很多。無論在哪種環(huán)境下工作，智能車運(yùn)行對(duì)設(shè)定功能的完成度和安全性是首當(dāng)重要的。高精度傳感器和高性能處理器的價(jià)格和數(shù)據(jù)處理量是否與功能要求匹配需要我們進(jìn)行探索。低速環(huán)境下不同于其他應(yīng)用場(chǎng)景，具有一定的優(yōu)越條件從而降低了對(duì)傳感器和處理器的要求，所以如何利用較低成本的傳感器實(shí)現(xiàn)某些特定環(huán)境下的智能車功能具有一定的研究意義。國(guó)內(nèi)高校在該背景下聯(lián)合舉辦了全國(guó)大學(xué)生智能汽車競(jìng)賽，鼓勵(lì)大學(xué)生參賽隊(duì)伍制作一個(gè)能夠自主識(shí)別路徑的智能車，以時(shí)間最短為衡量性能指標(biāo)，在專門設(shè)計(jì)的結(jié)構(gòu)化跑道上自動(dòng)識(shí)別道路元素并實(shí)現(xiàn)無碰撞行駛。比賽包含多個(gè)組別，電磁組、光電組、攝像頭組、直立組、雙車追逐組等。各個(gè)組別或使用獨(dú)立傳感器，或使用組合傳感器對(duì)預(yù)先設(shè)計(jì)的賽道進(jìn)行識(shí)別，例如使用CCD攝像頭、灰度模擬采集攝像頭、磁場(chǎng)感應(yīng)器、超聲波測(cè)距模塊、激光測(cè)距模塊等。以較為貼近現(xiàn)實(shí)行駛路況的雙車追逐組別來說，系統(tǒng)設(shè)計(jì)選用兩輛小型車輛模型，分別搭載各自的微處理器芯片，一般設(shè)計(jì)選用單核(單個(gè)MCU芯片)或雙核系統(tǒng)進(jìn)行傳感器數(shù)據(jù)處理、導(dǎo)航和通訊。傳感器選用模擬攝像頭采集道路圖像，經(jīng)過硬件電路閾值處理可轉(zhuǎn)化為二值化圖像，或者使用數(shù)字處理器，將圖像進(jìn)行逆透視處理，再使用動(dòng)態(tài)閾值法將道路特征提取出來。避障傳感器選用超聲波測(cè)距模塊、單點(diǎn)測(cè)距激光雷達(dá)，磁場(chǎng)傳感器等，使用歸一化算法將傳感器采集的數(shù)據(jù)進(jìn)行處理，然后進(jìn)行數(shù)據(jù)融合，得到較優(yōu)得的避障策略，實(shí)現(xiàn)單車避障和導(dǎo)航。該系統(tǒng)設(shè)計(jì)可以完成設(shè)計(jì)道路的最優(yōu)速度航行，十字路口、環(huán)島、大小S型彎道、坡道等諸多道路元素的識(shí)別和導(dǎo)航，并且能夠做到車輛跟隨、超車、匯車避讓、規(guī)定區(qū)域內(nèi)停車等多種現(xiàn)實(shí)路況中會(huì)出現(xiàn)的行為。車輛模型設(shè)計(jì)圖如圖所示。電磁組設(shè)計(jì)面向?qū)ο鬄殇佋O(shè)了電磁引導(dǎo)線的結(jié)構(gòu)化道路。選用電感陣列，超聲波測(cè)距模塊，激光測(cè)距模塊等傳感器識(shí)別道路特征，能夠準(zhǔn)確的沿著電磁線行駛，并能識(shí)別坡道，道路上的障礙物等，對(duì)來往車輛進(jìn)行規(guī)避。隨著科學(xué)領(lǐng)域各個(gè)領(lǐng)域的發(fā)展，人類對(duì)于科學(xué)理論和科學(xué)技術(shù)的探索不再僅限于地面，隨之深入的領(lǐng)域如海洋、天空、太空等都吸引了各國(guó)科學(xué)家的研究熱情。以智能車或移動(dòng)機(jī)器人為探索工具進(jìn)行探測(cè)和開發(fā)，已經(jīng)成為當(dāng)今世界各國(guó)爭(zhēng)相開發(fā)環(huán)境資源的主要手段之一。月球和火星探測(cè)車便是鮮明的例子，它集中了機(jī)器人技術(shù)，無人駕駛技術(shù)，通訊技術(shù)、機(jī)械臂技術(shù)等諸多前沿科技，是一項(xiàng)復(fù)雜的、高要求的研究項(xiàng)目。它帶動(dòng)了包括智能車導(dǎo)航控制、傳感器數(shù)據(jù)融合、信息通訊與降噪在內(nèi)的相關(guān)尖端研究領(lǐng)域。無人駕駛探測(cè)車首先需要行駛在未知環(huán)境中，對(duì)運(yùn)行環(huán)境做以相關(guān)的適應(yīng)，例如自然天氣影響、月地重力環(huán)境、行駛表面不確定等，對(duì)機(jī)械結(jié)構(gòu)要求極高。第二，在行駛之前需要對(duì)周身環(huán)境建模以及定位，建立環(huán)境地圖，保證電路、通訊、各功能模組工作正常。第三，在確定了上述工作完成后就要開始自主航行，借助導(dǎo)航算法與傳感器采集的數(shù)據(jù)，完成指定的目標(biāo)任務(wù)。在上述月球車工作步驟簡(jiǎn)述中，時(shí)時(shí)刻刻運(yùn)行著相關(guān)的尖端技術(shù)并驗(yàn)證著支持理論。圖1.3攝像頭智能小車模型無人駕駛理論研究現(xiàn)狀智能車設(shè)計(jì)理論研究主要在移動(dòng)機(jī)器人體系結(jié)構(gòu)、避障策略、傳感器數(shù)據(jù)融合、導(dǎo)航算法等方面。對(duì)于智能車?yán)碚撗芯繃?guó)外開展的較早，國(guó)內(nèi)因?yàn)榉N種原因研究較少。1.3.1智能車體系結(jié)構(gòu)理論目前為止，在對(duì)智能車體系結(jié)構(gòu)的理論研究中，所提出的體系結(jié)構(gòu)按照人為設(shè)定功能的完成方式的不同，大致可分為階梯式智能車體系結(jié)構(gòu)、反應(yīng)式智能車體系結(jié)構(gòu)、慎思/反應(yīng)復(fù)合式智能車體系結(jié)構(gòu)三種結(jié)構(gòu)類型。選擇合適的智能車體系結(jié)構(gòu)，有利于降低系統(tǒng)模塊之間的協(xié)調(diào)工作的難度，與此同時(shí)在軟硬件部分更加具有開放性和可擴(kuò)展性［15］。階梯式體系結(jié)構(gòu)，智能車的移動(dòng)功能被拆解為感知、建模、規(guī)劃、執(zhí)行四個(gè)階梯步驟并重復(fù)循環(huán)該流程，因此也被稱為功能分解(decomposition)的體系結(jié)構(gòu)。反應(yīng)式智能車體系結(jié)構(gòu)是基于行為的體系，在此結(jié)構(gòu)體系中，每一個(gè)反應(yīng)單元只對(duì)應(yīng)自己的局部目標(biāo)，處理與自身相關(guān)的數(shù)據(jù)，通過這種方式實(shí)現(xiàn)從感知到響應(yīng)的快速行為，相比較之下，階梯式體系結(jié)構(gòu)需要建立整體的環(huán)境模型。所以反應(yīng)式體系結(jié)構(gòu)是一個(gè)自下而上建立系統(tǒng)封構(gòu)架的方法，其特點(diǎn)在于擁有快速的響應(yīng)能力，這在智能車的運(yùn)行中是極其需要的。慎思/反應(yīng)復(fù)合式智能車體系結(jié)構(gòu)，比較于上述兩種結(jié)構(gòu)，既能夠擁有快速的響應(yīng)速度又可以克服單一反應(yīng)機(jī)構(gòu)的局限性，即無法實(shí)現(xiàn)復(fù)雜功能。有機(jī)的將慎思式和反應(yīng)式結(jié)構(gòu)結(jié)合［15］。近年來，慎思/反應(yīng)復(fù)合式智能車體系結(jié)構(gòu)成為了該領(lǐng)域理論中適用度高的體系結(jié)構(gòu)，逐漸成為了主流思想。但應(yīng)對(duì)于越來越復(fù)雜的功能要求，仍然有許多問題需要解決和完善，主要在以下方面：①如何實(shí)現(xiàn)單個(gè)反應(yīng)單元的靈活組排;②如何實(shí)現(xiàn)基于符號(hào)的慎思式智能與基于反應(yīng)式智能之間的合理協(xié)調(diào);③如何建立各層次之間的交流機(jī)制，通過機(jī)器學(xué)習(xí)獲得新的知識(shí)。1.3.2傳感器數(shù)據(jù)融合算法使用傳感器對(duì)智能車來說是重要的環(huán)境感知和反應(yīng)方式，用來感知自身周圍環(huán)境和外界環(huán)境變化，從傳感器采集的數(shù)據(jù)中提取有意義的環(huán)境特征是當(dāng)前智能車?yán)碚撗芯康臒狳c(diǎn)。使用多傳感器組合設(shè)計(jì)，可以從空間維度提高智能車感知周身環(huán)境的能力，使用多傳感器數(shù)據(jù)融合，可以充分使用足量數(shù)據(jù)來提取環(huán)境特征，減少多個(gè)傳感器在同一維度的重復(fù)信息，極大的簡(jiǎn)化了數(shù)據(jù)量，降低了對(duì)數(shù)據(jù)處理器的要求。目前市面上智能車大多選用超聲波測(cè)距模塊、單點(diǎn)激光測(cè)距雷達(dá)、攝像頭、多波束激光雷達(dá)等多傳感器組合的形式。數(shù)據(jù)融合可以解釋為對(duì)多種不同類型數(shù)據(jù)的處理過程，換一種角度也可以解釋為包括數(shù)據(jù)處理的學(xué)科或問題解決工具［3］。對(duì)于數(shù)據(jù)融合，首先第一步需要對(duì)所選用的傳感器進(jìn)行建模，設(shè)立全局模型坐標(biāo)系，智能車的環(huán)境坐標(biāo)系和移動(dòng)平臺(tái)搭載的傳感器坐標(biāo)系，三個(gè)坐標(biāo)系兩兩關(guān)聯(lián)，可以通過坐標(biāo)轉(zhuǎn)換的方法實(shí)現(xiàn)坐標(biāo)轉(zhuǎn)換。一般情況下，車輛環(huán)境傳感器固定在便于自身探測(cè)障礙物的位置，按照其功能和特性發(fā)揮應(yīng)有的功能。當(dāng)?shù)贸隽藗鞲衅鞯臄?shù)學(xué)結(jié)構(gòu)，將每個(gè)傳感器的分層建立層與層之間的融合關(guān)系，常見成型融合關(guān)系框圖如圖1.4所示［17］，將形成的層級(jí)融合關(guān)系按照有無反饋，集中與否概括為四種融合系統(tǒng)結(jié)構(gòu)框圖，即集中式融合系統(tǒng)結(jié)構(gòu)、無反饋的分布式融合系統(tǒng)結(jié)構(gòu)、有反饋的分布式融合系統(tǒng)結(jié)構(gòu)、有反饋的全并行融合系統(tǒng)結(jié)構(gòu)［35］，如圖1.5所示［17］。能否將結(jié)構(gòu)的特點(diǎn)發(fā)揮出來，主要看多傳感器融合算法的優(yōu)劣。處理數(shù)據(jù)的快慢，解決多傳感器的冗余數(shù)據(jù)，解算數(shù)據(jù)后樣本的凸顯性都是衡量算法的指標(biāo)。目前該領(lǐng)域已提出的主流融合算法可粗略分為兩個(gè)類別。一類屬于隨機(jī)類方法，有卡爾曼濾波極其演變的算法、貝葉斯估計(jì)法、矩估計(jì)法等。另一類是人工智能類方法，有基于模糊邏輯的理論、人工神經(jīng)網(wǎng)絡(luò)等方法［4］。路徑規(guī)劃算法在與智能車相關(guān)技術(shù)的研究當(dāng)中，路徑規(guī)劃是其中一個(gè)關(guān)鍵環(huán)節(jié)。所謂路徑規(guī)劃是指智能車按照某一性能指標(biāo)(如距離、時(shí)間、能量等)搜索一條從初始狀態(tài)到目標(biāo)狀態(tài)的一條最優(yōu)或次優(yōu)路徑［15］。關(guān)于路徑規(guī)劃問題的解決思路可以概括為：運(yùn)用智能車搭載環(huán)境傳感器采集的數(shù)據(jù)建立適合自身使用的環(huán)境模型，再根據(jù)環(huán)境模型得到從初始狀態(tài)到目標(biāo)狀態(tài)的一條最優(yōu)解或者次優(yōu)解，至少達(dá)到無碰撞要求，對(duì)環(huán)境中的不確定性因素能夠處理，使得周身環(huán)境中的障礙物對(duì)系統(tǒng)的影響降低到最小。比對(duì)解算出的控制策略得到較優(yōu)的解決方案。從目前導(dǎo)航理論的研究來看，已知環(huán)境、結(jié)構(gòu)化環(huán)境下的導(dǎo)航策略已經(jīng)有一定的研究基礎(chǔ)，能夠?qū)崿F(xiàn)設(shè)計(jì)者的目標(biāo)要求，但在低速環(huán)境、未知環(huán)境、非結(jié)構(gòu)化道路下的研究還有相當(dāng)大的空白和問題需要填充和解決。概括截至目前導(dǎo)航技術(shù)已經(jīng)投入實(shí)驗(yàn)和尚處于理論階段的成果，按照所獲得環(huán)境信息的區(qū)別，導(dǎo)航技術(shù)可以劃分為三種主要類型：基于事例的學(xué)習(xí)規(guī)劃方法、基于環(huán)境模型的規(guī)劃方法、基于行為的路徑規(guī)劃方法［32］?；谑吕膶W(xué)習(xí)規(guī)劃方法的思想是依靠過去建立的經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)和解決問題，或可能產(chǎn)生新的事例。基于環(huán)境模型的規(guī)劃方法，智能車通過建立環(huán)境模型以及自身定位，在有環(huán)境模型的基礎(chǔ)上通過算法制定實(shí)現(xiàn)從當(dāng)前狀態(tài)到目的狀態(tài)的移動(dòng)，隨著傳感器技術(shù)和處理器技術(shù)的發(fā)展，逐漸成為目前研究的熱點(diǎn)方向?；谛袨榈穆窂揭?guī)劃方法是受生物系統(tǒng)的啟發(fā)而提出的，采取類似生物進(jìn)化從下向上處理的思想，從每個(gè)簡(jiǎn)單的反應(yīng)單元系統(tǒng)化到上層［16］。當(dāng)然，每種方法都有自身的局限性，受于組合思想的啟發(fā)，大家開始將目光投向?qū)⒍喾N處理方法組合的解決方案，例如將基于反應(yīng)式行為的規(guī)劃方法與基于慎思行為規(guī)劃結(jié)合，將全局路徑規(guī)劃與局部路徑規(guī)劃結(jié)合，將傳統(tǒng)方法與智能方法結(jié)合等等。1.4本文主要工作到目前為止，無人駕駛智能車系統(tǒng)經(jīng)過科研人員努力，在長(zhǎng)久時(shí)間的研究和實(shí)驗(yàn)下發(fā)展已經(jīng)取得了令人驚訝的成果和先見經(jīng)驗(yàn)。然而，新問題和新要求的產(chǎn)生永遠(yuǎn)不會(huì)停止，由于一些基礎(chǔ)理論和技術(shù)中的局限性讓智能車在實(shí)際應(yīng)用中的問題仍然沒有較好的解決方法，沒有形成一個(gè)完整的理論體系，智能車在未知環(huán)境、非結(jié)構(gòu)化道路行駛過程中依舊存在種種缺陷。因此論文希望能夠探索一種在低速環(huán)境下無人駕駛智能車的結(jié)構(gòu)平臺(tái)設(shè)計(jì)、避障方法和導(dǎo)航策略，搭建實(shí)物仿真平臺(tái)驗(yàn)證比對(duì)結(jié)果，實(shí)現(xiàn)對(duì)優(yōu)化方案的驗(yàn)證。按照上述需求，論文將通過以下四個(gè)方面來完成對(duì)智能車避障導(dǎo)航系統(tǒng)的設(shè)計(jì)：(1)對(duì)智能車和無人駕駛技術(shù)進(jìn)行深入調(diào)研，詳細(xì)分析并比對(duì)目前為止導(dǎo)航策略和避障方法已有理論的優(yōu)缺點(diǎn)，選擇并建立適合本文研究方向的智能車傳感器組合和導(dǎo)航方案。(2)針對(duì)低速、半結(jié)構(gòu)化室內(nèi)外環(huán)境，處理器芯片資源少，實(shí)時(shí)響應(yīng)快的要求，同時(shí)考慮平臺(tái)的可擴(kuò)展性和可研發(fā)的特點(diǎn)，設(shè)計(jì)一種無人駕駛智能車系統(tǒng)。⑶基于ROS(RobotOperatingSystem)、Gmapping開源包，larldePm和AltiumDesigner編譯環(huán)境軟件，設(shè)計(jì)并實(shí)現(xiàn)一種智能車樣車。搭建一套對(duì)智能車運(yùn)行的仿真和測(cè)試系統(tǒng)，測(cè)試所設(shè)計(jì)的智能車避障導(dǎo)航方案效能性以及設(shè)計(jì)理論的合理性。將論文內(nèi)容結(jié)構(gòu)劃分如下圖1.6所示。圖1.6內(nèi)容結(jié)構(gòu)劃分將論文總分為五點(diǎn)，其中每一章具體內(nèi)容闡述如下：第一點(diǎn)為緒論，掌握低速環(huán)境下無人駕駛智能車系統(tǒng)的研究背景及意義和與智能車避障和導(dǎo)航相關(guān)的關(guān)鍵技術(shù)研究現(xiàn)狀，最后對(duì)論文主要工作內(nèi)容進(jìn)行概括。第二點(diǎn)主要分為三個(gè)部分：智能車動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)模型、環(huán)境模型建立與定位、占據(jù)柵格模型和Gmapping算法構(gòu)圖。對(duì)于智能車模型在數(shù)學(xué)方法下的模型建立進(jìn)行了推導(dǎo)，同時(shí)對(duì)于智能車環(huán)境模型建立以及定位方法也進(jìn)行了詳細(xì)說明；最后對(duì)智能車環(huán)境地圖構(gòu)建算法Gmapping算法進(jìn)行了詳細(xì)闡述，并對(duì)該算法進(jìn)行了仿真分析。第三點(diǎn)為智能車系統(tǒng)近距離傳感器的組合方案、聯(lián)合卡爾曼數(shù)據(jù)融合算法推導(dǎo)以及仿真驗(yàn)證。首先針對(duì)本文半結(jié)構(gòu)化低速環(huán)境的設(shè)計(jì)方向制定了以超聲波和激光測(cè)距傳感器搭配的近距離傳感器組合方案。然后對(duì)聯(lián)合卡爾曼傳感器數(shù)據(jù)融合算法涉及到的相關(guān)理論進(jìn)行了推導(dǎo)分析，將子濾波器優(yōu)化為互補(bǔ)濾波器。最后，通過仿真對(duì)各個(gè)傳感器能效進(jìn)行判斷并驗(yàn)證優(yōu)化數(shù)據(jù)融合算法效果。第四點(diǎn)為智能車系統(tǒng)導(dǎo)航策略的設(shè)計(jì)、仿真以及軟件實(shí)現(xiàn)。本章首先對(duì)論文涉及到的核心部分導(dǎo)航策略A*算法理論進(jìn)行了推導(dǎo)分析，確定了優(yōu)化A*算法為智能車系統(tǒng)的導(dǎo)航算法。在激光SLAM算法構(gòu)建的地圖基礎(chǔ)上設(shè)計(jì)了半結(jié)構(gòu)化低速環(huán)境下的避障導(dǎo)航系統(tǒng)；然后闡述了避障導(dǎo)航方案的實(shí)現(xiàn)方案；最后，通過建立仿真環(huán)境，對(duì)所設(shè)計(jì)方案的合理性進(jìn)行驗(yàn)證。第五點(diǎn)為智能車避碰導(dǎo)航測(cè)試環(huán)境搭建部分，本章主要分為三大部分：一是對(duì)智能車避障導(dǎo)航算法進(jìn)行軟件設(shè)計(jì)，采用IntelCore13數(shù)字計(jì)算機(jī)和k66微處理器搭配的方法，各自承擔(dān)不同的任務(wù)，但建立通信實(shí)現(xiàn)了數(shù)據(jù)共享；二是根據(jù)先有經(jīng)驗(yàn)以及機(jī)械設(shè)計(jì)理論建立起智能車車輛實(shí)物模型，基于AltiumDesigner軟件設(shè)計(jì)車輛硬件PCB電路從而使車輛傳感器以及各個(gè)硬件模塊正常運(yùn)作，車輛的各項(xiàng)硬件性能參數(shù)能夠完全滿足設(shè)計(jì)指標(biāo)要求；三是搭建半結(jié)構(gòu)化測(cè)試場(chǎng)景，測(cè)試智能車樣車在測(cè)試環(huán)境下的工作性能，測(cè)試分析設(shè)計(jì)出的智能車樣車的各項(xiàng)性能指標(biāo)，從而實(shí)現(xiàn)評(píng)估設(shè)計(jì)方案的合理性。2智能車運(yùn)動(dòng)學(xué)模型、動(dòng)力學(xué)模型和環(huán)境建模運(yùn)用數(shù)學(xué)工具從宏觀角度分析智能車整體運(yùn)動(dòng)情況和車輛特征，這一過程對(duì)智能車和環(huán)境傳感器數(shù)學(xué)模型的建立必不可少，數(shù)學(xué)模型的建立有利于運(yùn)用數(shù)學(xué)語言和數(shù)學(xué)工具來對(duì)整個(gè)工程的內(nèi)在規(guī)律進(jìn)行探索。借助計(jì)算機(jī)優(yōu)越的解算能力有助于對(duì)我們做出的假設(shè)驗(yàn)證、系統(tǒng)運(yùn)行情況分析節(jié)省大量的時(shí)間和精力。智能車動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)模型本系統(tǒng)的建立基礎(chǔ)是在選定了一輛與越野車輛車體機(jī)構(gòu)契合，動(dòng)力機(jī)構(gòu)后置并采用后輪驅(qū)動(dòng)，前輪轉(zhuǎn)向的傳統(tǒng)驅(qū)動(dòng)方式小車，因?yàn)榻⒛Ｐ偷囊饬x在于簡(jiǎn)化問題，突出對(duì)象的特征因此在本章不對(duì)智能小車的詳細(xì)機(jī)械結(jié)構(gòu)進(jìn)行介紹，選取其特征參數(shù)建立車輛運(yùn)動(dòng)學(xué)模型。選定世界坐標(biāo)系XOY即慣性坐標(biāo)系｛1｝，以后輪驅(qū)動(dòng)點(diǎn)P為原點(diǎn)，車身中軸線PQ方向?yàn)檎较颍O(shè)定車輛坐標(biāo)系xoy即坐標(biāo)系｛R｝，傳感器坐標(biāo)系｛S｝是以某一傳感器設(shè)定位置為原點(diǎn)，傳感器工作正方向?yàn)樽鴺?biāo)系正方向XS，a,0分別為坐標(biāo)｛S｝與坐標(biāo)｛R｝，坐標(biāo)｛R｝與坐標(biāo)｛I｝正方向之間的角度。三個(gè)坐標(biāo)系相互關(guān)聯(lián)，建立車輛運(yùn)動(dòng)學(xué)模型如圖2.1所示。綜上所述，當(dāng)智能車行駛速度大于2.0m/s時(shí)，智能車模型在移動(dòng)過程中會(huì)發(fā)生側(cè)偏、漂移等現(xiàn)象，所需的轉(zhuǎn)彎半徑也更大，無法進(jìn)行路徑跟隨。因此本文定義智能車行駛速度低于2.0m/s的環(huán)境為智能車低速行駛環(huán)境。本文以下的所有設(shè)計(jì)和仿真都是基于在此環(huán)境下實(shí)現(xiàn)的。2.2Gmapping環(huán)境地圖模型建立與定位截至目前，導(dǎo)航算法根據(jù)對(duì)環(huán)境模型的需求可以分為以下幾類，第一種是建立在采集并處理好的地圖上的導(dǎo)航，第二種是建立在增量式地圖的導(dǎo)航算法和未有成型地圖信息的導(dǎo)航［10］。根據(jù)定義，未有成型地圖信息的導(dǎo)航是指智能車識(shí)別并追尋某個(gè)目標(biāo)，從而完成預(yù)先設(shè)定的任務(wù)的導(dǎo)航。如果已存在采集并處理好的地圖，則智能車可以基于此地圖的一些可用信息，利用卡爾曼濾波、互補(bǔ)濾波等方法不斷矯正自身位置，達(dá)到一定誤差范圍內(nèi)的自主定位。然而，位置環(huán)境中既沒有預(yù)先設(shè)定的跟蹤目標(biāo)也沒有可參考的成型地圖信息，只建立在采集里程計(jì)、陀螺儀、慣性器件等車輛位姿傳感器數(shù)據(jù)上得到的智能車位姿狀態(tài)信息(用于定位)很大幾率會(huì)產(chǎn)生累積誤差，于是智能車有必要借助除過車輛位姿傳感器以外的其他傳感器感知外部環(huán)境信息，連續(xù)采集外部環(huán)境中的可用信息主動(dòng)的構(gòu)建地圖，然后實(shí)現(xiàn)精準(zhǔn)定位和路徑規(guī)劃，以便更有效地探索環(huán)境或完成特定任務(wù)。SLAM即時(shí)定位與地圖構(gòu)建算法簡(jiǎn)介建立環(huán)境模型，首先第一步需要完成對(duì)環(huán)境模型的表示。環(huán)境建模的基礎(chǔ)建立在對(duì)環(huán)境特征提取和知識(shí)表達(dá)的方式之上，這一基礎(chǔ)奠定了系統(tǒng)儲(chǔ)存、利用和獲取知識(shí)的途徑。其次能夠提供給智能車進(jìn)行路徑規(guī)劃的主要可用信息是創(chuàng)建的地圖，所以地圖所包含的信息量一定要有利于于處理器理解和計(jì)算，而且當(dāng)提取到新的環(huán)境信息時(shí)，需要能夠方便的融合到已有的地圖信息中。與智能車導(dǎo)航算法相關(guān)的領(lǐng)域經(jīng)常見到的環(huán)境模型有平面模型和三維模型，其中平面模型可細(xì)分為占據(jù)柵格模型、幾何模型、拓?fù)淠Ｐ?。三維模型可細(xì)分為三維幾何模型和可視化模型。在占據(jù)柵格模型中，有一種衍生算法被稱為SLAM(simultaneouslocalizationandmapping)即時(shí)定位與地圖構(gòu)建算法，這是基于占據(jù)柵格模型的理論提出的增量式環(huán)境地圖構(gòu)建方法。當(dāng)選用了激光雷達(dá)為環(huán)境傳感器時(shí)，細(xì)分為激光SLAM算法，同時(shí)也是基于貝葉斯估計(jì)的方法［33］。Gmapping構(gòu)圖工具在本文中根據(jù)激光雷達(dá)對(duì)環(huán)境采集的數(shù)據(jù)處理方法選用Gmapping算法構(gòu)圖，Gmapping是基于濾波SLAM框架的常用開源SLAM算法，可以實(shí)時(shí)構(gòu)建封閉環(huán)境地圖，并且構(gòu)建小場(chǎng)景地圖時(shí)所需的計(jì)算量小且精度高。該算法對(duì)激光雷達(dá)頻率要求低、魯棒性高；構(gòu)建小場(chǎng)景地圖時(shí)，Gmapping不需要太多的粒子，也不需要回環(huán)檢測(cè)，因此計(jì)算量很小但是對(duì)精度影響不大。Gmapping有效利用了車輪里程計(jì)信息，里程計(jì)可以提供智能車的先驗(yàn)位姿，這也是Gmapping對(duì)激光雷達(dá)頻率要求低的原因［13］。Gmapping算法將定位和建圖過程分離，首先利用車輛位姿傳感器進(jìn)行定位，再利用環(huán)境傳感器進(jìn)行建圖。在本文將Gmapping算法僅僅作為實(shí)現(xiàn)構(gòu)建地圖與定位的工具，所以對(duì)該算法原理和理論不做詳細(xì)闡述，具體可參考文獻(xiàn)(ImprovedTechniquesforGridMapping_withRao-BlackwellizedParticleFilters)［27］。使用Gmapping開源包對(duì)在Linux操作系統(tǒng)上對(duì)智能車搭載激光雷達(dá)回傳數(shù)據(jù)進(jìn)行處理，對(duì)實(shí)驗(yàn)場(chǎng)地進(jìn)行環(huán)境數(shù)據(jù)采集，對(duì)該算法的構(gòu)圖效果，時(shí)效性，地圖構(gòu)建范圍進(jìn)行仿真［14］在10mxl0m的仿真環(huán)境下，Gmapping建圖仿真實(shí)驗(yàn)結(jié)果如圖2.3(a)、(b)所示，所構(gòu)建的地圖包含了場(chǎng)景內(nèi)激光雷達(dá)掃描不透的所有障礙物信息，2mm一個(gè)周期回傳圖像數(shù)據(jù)，實(shí)時(shí)性、探測(cè)距離、以及障礙物分辨度均滿足低速環(huán)境下智能車行駛時(shí)的地圖構(gòu)建與定位，由此可見，該構(gòu)圖與定位方法滿足避障策略和導(dǎo)航算法的需求。本章小結(jié)本章主要目的在于從數(shù)學(xué)模型的角度去分析智能車系統(tǒng)的運(yùn)動(dòng)規(guī)律和參數(shù)，簡(jiǎn)要梳理了設(shè)計(jì)智能車環(huán)境建圖和導(dǎo)航所需要的相關(guān)基礎(chǔ)性理論知識(shí)，確立構(gòu)圖算法。首先借助數(shù)學(xué)工具，完成了在理想情況下車輛運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)模型理論的部分推導(dǎo)，奠定了整篇論文的理論基礎(chǔ)，通過這個(gè)過程，智能車運(yùn)動(dòng)學(xué)模型得以建立。然后對(duì)于智能車在障礙物環(huán)境中如何建立周身環(huán)境的模型并構(gòu)建地圖來實(shí)現(xiàn)自身定位的方法和理論進(jìn)行了確定和推導(dǎo)，簡(jiǎn)述激光SLAM模型下的Gmapping開源包建圖優(yōu)越性，計(jì)算量較小且精度較高。最后，對(duì)設(shè)計(jì)的理論方案進(jìn)行了仿真，驗(yàn)證了設(shè)計(jì)的構(gòu)圖算法在半理想情況結(jié)構(gòu)環(huán)境下的效能和各項(xiàng)指標(biāo)符合智能車在低速環(huán)境下的要求。下一章將設(shè)計(jì)智能車系統(tǒng)的核心部分，導(dǎo)航算法和避障策略。完成多傳感器組合方案，使用本章建圖結(jié)果進(jìn)行路徑規(guī)劃。3智能車障礙物檢測(cè)方案根據(jù)前文論述，智能車障礙物檢測(cè)方案對(duì)智能車系統(tǒng)來說是和外界環(huán)境交流的主要途徑任何一種智能移動(dòng)機(jī)器人，依賴于一種或多種傳感器組合，對(duì)傳感器返回的信息進(jìn)行合理的融合處理，這是智能車對(duì)自身所處環(huán)境得到一些有效估計(jì)的方法之一，進(jìn)而才能做出決策。障礙物檢測(cè)方案在智能車的設(shè)計(jì)過程中是不可缺少的。做出合理的傳感器組合方案是保障智能車實(shí)現(xiàn)有效避障能力的第一步，更為重要的是如何將傳感器數(shù)據(jù)進(jìn)行處理，考慮到處理器的解算速度，各種傳感器的特性，選擇合理的數(shù)據(jù)融合算法是關(guān)鍵。處理數(shù)據(jù)的快慢，解決多傳感器的冗余數(shù)據(jù)，解算數(shù)據(jù)后樣本的凸顯性都是衡量算法的指標(biāo)。目前該領(lǐng)域已提出的主流融合算法有卡爾曼濾波極其演變的算法、貝葉斯估計(jì)法、矩估計(jì)法等隨機(jī)類方法還有近代提出的基于模糊邏輯的理論、人工神經(jīng)網(wǎng)絡(luò)等人工智能類方法［35］。對(duì)于本系統(tǒng)，考慮到處理器芯片性能較低，以及智能車行駛環(huán)境為低速環(huán)境下的半結(jié)構(gòu)化環(huán)境，選用聯(lián)合卡爾曼濾波、互補(bǔ)濾波結(jié)合的算法對(duì)多傳感器數(shù)據(jù)進(jìn)行融合。智能車傳感器組合方案根據(jù)查詢資料和先驗(yàn)經(jīng)驗(yàn)，智能車常用的環(huán)境傳感器有超聲波測(cè)距模塊、單點(diǎn)激光測(cè)距雷達(dá)、攝像頭、多波束或單波束激光雷達(dá)等，車輛位姿傳感器常選用光電編碼器、加速度計(jì)、陀螺儀、氣壓傳感器等。對(duì)于攝像頭或雙目視覺系統(tǒng)采集環(huán)境的數(shù)據(jù)量過大，對(duì)處理器提出了較高要求，再者雙目視覺系統(tǒng)在較簡(jiǎn)單的環(huán)境下，例如面對(duì)白色墻面以及單一色塊無法有效的進(jìn)行距離判斷，因此本系統(tǒng)舍棄攝像頭傳感器。激光雷達(dá)在多種常用環(huán)境傳感器中擁有較優(yōu)的抗有源干擾能力，在光照環(huán)境，障礙物介質(zhì)復(fù)雜的環(huán)境下，依然可以保持非常精確的測(cè)距能力。但激光雷達(dá)也具有一定的局限性，在霧天情況下，激光衰減率增大，其性能會(huì)大幅降低。不論選擇哪種傳感器，單一傳感器的功能不足以實(shí)現(xiàn)智能車在多變環(huán)境以及干擾條件較多的情況下實(shí)現(xiàn)有效避碰。因此，本文選擇多傳感器組合，結(jié)合每種傳感器的優(yōu)缺點(diǎn)，取長(zhǎng)補(bǔ)短，實(shí)現(xiàn)多維度的障礙物信息采集。根據(jù)技術(shù)指標(biāo)，環(huán)境傳感器設(shè)計(jì)選用相位激光雷達(dá)、單點(diǎn)激光測(cè)距模塊、超聲波模塊組合的方案。（1）相位激光雷達(dá)對(duì)比多廠家多種雷達(dá)掃描結(jié)構(gòu)類型，最終選用LS03系列LS03ALS03B型號(hào)相位法激光雷達(dá)，LS03系列是一款低成本相位法二維掃描測(cè)距激光雷達(dá)。該激光雷達(dá)掃描方式為單波束360°旋轉(zhuǎn)，因此測(cè)量角度可以達(dá)到360°，光源范圍792nm，測(cè)量范圍0.15~40m,角度分辨率1°/0.5°,測(cè)量精度：測(cè)量物體在10m以內(nèi)+/-10mm,10m以外范圍+/-15mm,掃描頻率：10Hz,采樣頻率：14400點(diǎn)/秒，數(shù)據(jù)輸出方式為串口輸出。在低速環(huán)境下該激光雷達(dá)完全符合智能車在行駛過程中地圖刷新速度、測(cè)量范圍等要素的要求。（2）單點(diǎn)激光測(cè)距雷達(dá)當(dāng)智能車離障礙物的距離十分近的時(shí)候，對(duì)傳感器采集頻率要求非常高，以實(shí)現(xiàn)快速響應(yīng)，相比較而下，大數(shù)據(jù)量的傳感器均不能實(shí)現(xiàn)這一要求，但激光測(cè)距模塊，超聲波測(cè)距模塊的數(shù)據(jù)量小，采集頻率高，處理器對(duì)這種傳感器數(shù)據(jù)易于處理。因此在組合方案中選用激光測(cè)距模塊。TF02是一款基于TF01廣泛應(yīng)用經(jīng)驗(yàn)而研發(fā)量產(chǎn)的新一代單點(diǎn)測(cè)距激光雷達(dá)，在采集頻率和抗有源干擾能力方面有著卓越性能，可用于智能車在面對(duì)近距離障礙物時(shí)的反應(yīng)傳感器。該激光測(cè)距雷達(dá)擁有可達(dá)22m的量程和更穩(wěn)定的測(cè)距性能。TF02基于TOF（Time-of-Flight）時(shí)間飛行法，采用相位法實(shí)現(xiàn)測(cè)距功能。測(cè)距的原理是測(cè)距激光雷達(dá)發(fā)射調(diào)制的近紅外光，在遇到障礙物后反射后，傳感器計(jì)算由調(diào)制紅外光的發(fā)射、反射后產(chǎn)生的相位差，進(jìn)一步換算與被測(cè)目標(biāo)物體之間的距離以生成深度信息。該模塊在22m距離上的反射率為90%,室內(nèi)10m距離反射率為10%,室外為30%（100Klux光強(qiáng)），距離分辨率為1cm，采樣頻率可以達(dá)到100Hz，抗環(huán)境光能力為100Klux。（3）超聲波模塊激光測(cè)距傳感器對(duì)光照環(huán)境要求較高，在室外強(qiáng)光照的情況下容易產(chǎn)生誤差，因此在本設(shè)計(jì)方案中加入超聲波測(cè)距模塊，在強(qiáng)光情況下進(jìn)行補(bǔ)償，使用超聲波測(cè)距的特性，降低智能車在復(fù)雜多變的情況下的容錯(cuò)率。超聲波測(cè)距原理與激光測(cè)距原理在一定基礎(chǔ)上相似，在此不做詳細(xì)闡述。本設(shè)計(jì)智能車姿態(tài)傳感器選用光電碼盤、陀螺儀、加速度計(jì)。（1）光電碼盤光電碼盤作為里程計(jì)中的一部分，實(shí)現(xiàn)對(duì)智能車移動(dòng)距離值的采集。（2）陀螺儀、加速度計(jì)陀螺儀和加速度計(jì)是常用的慣性元件，可以對(duì)智能車姿態(tài)信息進(jìn)行采集，以及在不同行駛速度下，通過處理器完成對(duì)智能車運(yùn)行速度、加速度的解算。3.2傳感器數(shù)據(jù)融合3.2.1卡爾曼算法基礎(chǔ)原理卡爾曼濾波器是卡爾曼最初在他寫的一篇論文中提到的一種最優(yōu)化的自回歸濾波算法，因?yàn)檫@個(gè)緣故，卡爾曼濾波器被正式命名。該算法使用遞歸推理方法對(duì)待離散采樣的數(shù)據(jù)進(jìn)行處理。與此同時(shí)，隨著數(shù)字處理器芯片的高速發(fā)展發(fā)展以及數(shù)學(xué)等學(xué)科理論漸漸形成成熟體系，在數(shù)字圖像處理領(lǐng)域、機(jī)器人自動(dòng)控制領(lǐng)域、智能車定位導(dǎo)航領(lǐng)域等多個(gè)領(lǐng)域卡爾曼濾波器得到了廣泛的應(yīng)用。在智能車多傳感器的數(shù)據(jù)融合過程中，這一重要步驟對(duì)于決策系統(tǒng)來說就是要實(shí)現(xiàn)一個(gè)合理的濾波器來選擇對(duì)系統(tǒng)判斷決策有用的信息。經(jīng)過多年的優(yōu)化和補(bǔ)充，卡爾曼濾波器以其高效且最優(yōu)的性能逐漸充當(dāng)了數(shù)據(jù)融合算法中的主角?？柭鼮V波算法在避障系統(tǒng)中的應(yīng)用主要作為一種高級(jí)的最小估計(jì)方法，使用現(xiàn)代控制理論實(shí)現(xiàn)系統(tǒng)狀態(tài)估計(jì)為最小的均方誤差。建立被估計(jì)量（避障系統(tǒng)的內(nèi)部狀態(tài)變量）與其存在的噪聲之間的連接關(guān)系（狀態(tài)方程），把傳感器的測(cè)量值以及子濾波器的輸出作為輸入，在經(jīng)過狀態(tài)方程、量測(cè)方程、噪聲統(tǒng)計(jì)計(jì)算之后得到最優(yōu)估計(jì)量，將之用于避障距離數(shù)據(jù)輸出校正［36］。在工程計(jì)算中使用離散卡爾曼濾波方程，設(shè)系統(tǒng)狀態(tài)空間描述方程為：3.2.2傳感器數(shù)據(jù)融合算法有兩種方法可以使用卡爾曼濾波器實(shí)現(xiàn)多個(gè)傳感器之間的數(shù)據(jù)融合：一種是集中式卡爾曼濾波，另一種是分散式卡爾曼濾波。集中式卡爾曼濾波的優(yōu)點(diǎn)是可以獲得最佳系統(tǒng)狀態(tài)估計(jì)值，不足之處是在處理器的一定計(jì)算能力下，對(duì)于多維的系統(tǒng)，數(shù)據(jù)處理量太大，計(jì)算速度慢，使系統(tǒng)實(shí)時(shí)性和動(dòng)態(tài)性能變差，系統(tǒng)滯后。分散式卡爾曼濾波與集中式卡爾曼濾波的不同之處在于，使用主濾波器和多個(gè)從濾波器取代集中式濾波器，把需要處理的傳感器數(shù)據(jù)分為多個(gè)階段處理，極大提高了效率。聯(lián)合卡爾曼濾波器是分散式卡爾曼濾波的一種特殊形式，實(shí)現(xiàn)方式是將主濾波器的動(dòng)態(tài)數(shù)據(jù)分配到各個(gè)從濾波器。在許多相似的子系統(tǒng)中選擇一個(gè)可靠性高、能夠較全面表達(dá)被測(cè)實(shí)體的信息、有較高輸出速度的子系統(tǒng)作為參考，將它與剩余的子系統(tǒng)進(jìn)行兩兩結(jié)合，得到各自的從濾波器，各個(gè)從濾波器并行計(jì)算，得到基于從濾波器的局部測(cè)量值的局部最優(yōu)解。根據(jù)給定的規(guī)則處理這些局部最優(yōu)解以得到全部測(cè)量值的整體估計(jì)，因此聯(lián)合卡爾曼濾波是部分處理再整體融合的過程［17］。下面進(jìn)行聯(lián)合卡爾曼算法推導(dǎo)。設(shè)聯(lián)合卡爾曼濾波器求最優(yōu)融合解的狀態(tài)向量Xg,方差矩陣Pg,子濾波器狀態(tài)向量為Xi,主濾波器的狀態(tài)向量為Xm,子濾波器方差矩陣為Pi，主濾波器方差矩陣為Pm,使用測(cè)量噪聲方差矩陣的逆R-1表示測(cè)量數(shù)據(jù)矩陣、系統(tǒng)噪聲方差矩陣的逆Q-1表示系統(tǒng)數(shù)據(jù)矩陣，估計(jì)誤差方差矩陣的逆P-1表示估計(jì)誤差矩陣。結(jié)合實(shí)際情況,設(shè)計(jì)智能車近距離避障系統(tǒng)多傳感器融合算法的結(jié)構(gòu)圖如圖3.1所示［17］。SINS為選定參考傳感器。紅色曲線為融合后的角度值曲線,藍(lán)色曲線為未融合的角度值曲線。由圖像可得聯(lián)合卡爾曼在數(shù)據(jù)融合方面有著卓越效果,該理論對(duì)智能車避障和位姿確定有很大的優(yōu)化作用。本章小結(jié)本章主要完成了三部分工作,一是設(shè)計(jì)傳感器組合方案,對(duì)各種類型的傳感器參數(shù)進(jìn)行簡(jiǎn)述,對(duì)所提傳感器的優(yōu)缺點(diǎn)進(jìn)行了分析,結(jié)合本文設(shè)計(jì)方向,設(shè)計(jì)了低速環(huán)境下的傳感器組合方案。第二部分對(duì)目前為止多種傳感器數(shù)據(jù)融合算法理論以及實(shí)驗(yàn)應(yīng)用的優(yōu)缺點(diǎn)進(jìn)行對(duì)比,最終選用聯(lián)合卡爾曼算法對(duì)傳感器數(shù)據(jù)進(jìn)行融合,并將該算法中的子濾波器替換為互補(bǔ)濾波器,得到一套優(yōu)化的聯(lián)合卡爾曼數(shù)據(jù)融合算法。第三部分對(duì)所選方法進(jìn)行仿真驗(yàn)證,驗(yàn)證了在響應(yīng)快、數(shù)據(jù)量少、容錯(cuò)率低等應(yīng)用指標(biāo)要求下,設(shè)計(jì)的多傳感器數(shù)據(jù)融合方案適用于智能車的近距離避障,并使得融合后距離數(shù)據(jù)結(jié)果優(yōu)越于傳統(tǒng)方法所得。下一章將進(jìn)行低速環(huán)境下基于A*算法的無人駕駛智能車導(dǎo)航實(shí)現(xiàn)。4優(yōu)化A*算法導(dǎo)航策略智能車導(dǎo)航算法對(duì)智能車系統(tǒng)來說是核心部分之一,利用合理的導(dǎo)航算法進(jìn)行智能車路徑規(guī)劃,對(duì)智能車能否按照一定要求行駛起決定性作用。關(guān)于路徑規(guī)劃問題的解決思路可以概括為：運(yùn)用智能車搭載環(huán)境傳感器采集的數(shù)據(jù)建立適合自身使用的環(huán)境模型,再根據(jù)環(huán)境模型得到從初始狀態(tài)到目標(biāo)狀態(tài)的一條最優(yōu)解或者次優(yōu)解,至少達(dá)到無碰撞要求,對(duì)環(huán)境中的不確定性因素能夠處理并降低跟蹤路徑誤差,將周身環(huán)境中的障礙物對(duì)系統(tǒng)的影響降低到最小。根據(jù)前文論述,本文基于激光雷達(dá)傳感器進(jìn)行定位與建圖,因而選擇基于環(huán)境模型的規(guī)劃方法,智能車通過建立環(huán)境模型以及自身定位,在有環(huán)境模型的基礎(chǔ)上通過算法制定實(shí)現(xiàn)從當(dāng)前狀態(tài)到目的狀態(tài)的移動(dòng)。在眾多導(dǎo)航策略實(shí)現(xiàn)算法中，優(yōu)化的A*算法在半結(jié)構(gòu)化環(huán)境、低速移動(dòng)條件下展現(xiàn)了突出的路徑規(guī)劃能力,因此選擇此算法作為本文導(dǎo)航策略算法。A*算法是一種很常用的路徑查找方法和圖形遍歷算法，由于借助啟發(fā)函數(shù)的引導(dǎo)，A*算法通常能夠發(fā)揮較好的性能和準(zhǔn)確度。具有編程方法相對(duì)簡(jiǎn)單,參數(shù)設(shè)置較少,搜索路徑效率高的特點(diǎn)［5］。4.1A*算法原理A*算法通過對(duì)狀態(tài)空間中搜索點(diǎn)進(jìn)行評(píng)價(jià)，取得最佳點(diǎn)，然后依據(jù)此位置節(jié)點(diǎn)繼續(xù)進(jìn)行搜尋，一直找到目標(biāo)點(diǎn)為止。該算法以獲取最短路徑為實(shí)現(xiàn)目標(biāo)的搜索方法，屬于典型的啟發(fā)式算法。核心表達(dá)式為：f(n)=g(n)+h(n)(4-1)其中:f(n)表示從起點(diǎn)開始經(jīng)過當(dāng)前節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的路徑長(zhǎng)度；g(n)表示起點(diǎn)至當(dāng)前節(jié)點(diǎn)n的路徑長(zhǎng)度，此時(shí)g(n)已經(jīng)是智能車從起始點(diǎn)到當(dāng)前點(diǎn)的最短距離；h(n)是從狀態(tài)節(jié)點(diǎn)n到目標(biāo)狀態(tài)的估計(jì)代價(jià)函數(shù)距離［30］。通過圖4.1描述算法搜索節(jié)點(diǎn)的過程，墨綠色點(diǎn)表示起始點(diǎn)位置，紅色點(diǎn)表示目標(biāo)點(diǎn)位置，藍(lán)色點(diǎn)周圍的8個(gè)點(diǎn)表示可以設(shè)定為當(dāng)前狀態(tài)空間的子節(jié)點(diǎn)候選點(diǎn)，設(shè)一個(gè)點(diǎn)表示距離為1。式(4-1)簡(jiǎn)寫為F=G+H,G、H分別對(duì)應(yīng)上述f(n)、g(n)所代表的定義。H是歐式距離，起始點(diǎn)周圍8個(gè)格子F、G、H各數(shù)值見圖，由圖可知2號(hào)小格F最小，將其作為接下來要處理的點(diǎn)，然后檢查2號(hào)周圍的小格的G、H值，黑色方格是障礙物。在計(jì)算G、H值時(shí)忽略其不可通行，確定2號(hào)的待選小格是1號(hào)、3號(hào)。由于1號(hào)、3號(hào)是父節(jié)點(diǎn)(起始點(diǎn))的8個(gè)相鄰節(jié)點(diǎn)、3號(hào)節(jié)點(diǎn)周圍沒有可選新的相鄰節(jié)點(diǎn)，故從起始點(diǎn)選擇待處理節(jié)點(diǎn)是1號(hào)而不是2號(hào)、3號(hào)。按照此思路，4號(hào)節(jié)點(diǎn)是1號(hào)節(jié)點(diǎn)的子節(jié)點(diǎn)。該導(dǎo)航策略考慮到超聲波傳感器、激光測(cè)距模塊采集頻率高，數(shù)據(jù)量小，測(cè)量維度單一等優(yōu)點(diǎn)，對(duì)這部分傳感器功能定義為2米內(nèi)近距離緊急避障模塊，激光雷達(dá)測(cè)量范圍廣，一維測(cè)量無死角，因此被定義為大于2米范圍的遠(yuǎn)距離傳感器模塊。根據(jù)各個(gè)模塊工作距離以及工作特性，在空間上實(shí)現(xiàn)障礙物距離測(cè)量的合理融合。以此制定了各模塊在導(dǎo)航方案中的執(zhí)行優(yōu)先級(jí)。在導(dǎo)航策略中，提高智能車對(duì)規(guī)劃路徑的跟蹤準(zhǔn)確度是無法忽略的問題，本文實(shí)現(xiàn)的導(dǎo)航避碰策略，使得低速行駛環(huán)境下智能車準(zhǔn)確的跟蹤路徑降低了一定難度。當(dāng)然，本文設(shè)計(jì)的導(dǎo)航策略并沒有完全忽視這一問題。由結(jié)構(gòu)圖可知，在導(dǎo)航策略中，智能車以近距離緊急避障模塊高頻率實(shí)時(shí)對(duì)周身障礙物距離進(jìn)行采集，當(dāng)判斷障礙物距離不合理時(shí)，達(dá)到快速糾正車身姿態(tài)以及路徑的目的。當(dāng)判斷障礙物距離合理時(shí)，根據(jù)距離傳感器模塊更新地圖數(shù)據(jù)。通過增加該步驟，使得智能車能夠及時(shí)減小由自身硬件局限性所帶來的跟蹤偏差，提高了智能車對(duì)規(guī)劃的路徑跟隨的準(zhǔn)確度。4.4基于A*算法的避障導(dǎo)航方案仿真將優(yōu)化后的A*導(dǎo)航算法在Linux系統(tǒng)RobotStudio仿真環(huán)境下進(jìn)行仿真。設(shè)計(jì)在沒有強(qiáng)光照室內(nèi)仿真環(huán)境下，設(shè)置不同數(shù)量障礙物，基于激光雷達(dá)，在Gmapping算法構(gòu)建的地圖上設(shè)定起始點(diǎn)A和目標(biāo)點(diǎn)B,優(yōu)化A*導(dǎo)航算法規(guī)劃的路徑如圖4.5所示：圖4.5A*算法規(guī)劃路徑一圖中A點(diǎn)為智能車當(dāng)前位置點(diǎn)，B點(diǎn)為設(shè)定目標(biāo)點(diǎn)，圖中白色區(qū)域?yàn)闊o障礙區(qū)域，其余地區(qū)均檢測(cè)為障礙區(qū)域。曲線AB為A、B兩點(diǎn)間優(yōu)化A*算法規(guī)劃的最優(yōu)路徑。當(dāng)改變障礙物參數(shù)時(shí)，仍然設(shè)計(jì)在沒有強(qiáng)光照的室內(nèi)仿真環(huán)境，基于激光雷達(dá)，在Gmapping算法構(gòu)建的地圖上設(shè)定起始點(diǎn)A和目標(biāo)點(diǎn)B,優(yōu)化A*導(dǎo)航算法規(guī)劃的路徑如圖4.6所示。圖4.9中A點(diǎn)為智能車當(dāng)前位置點(diǎn)，B點(diǎn)為設(shè)定目標(biāo)點(diǎn)，圖中白色區(qū)域?yàn)闊o障礙區(qū)域其余地區(qū)均檢測(cè)為障礙區(qū)域。紅色曲線AB為A、B兩點(diǎn)間優(yōu)化A*算法規(guī)劃的最優(yōu)路徑。由仿真結(jié)果可以看出，優(yōu)化后的A*算法結(jié)合Gmapping地圖構(gòu)建對(duì)智能車在有隨機(jī)障礙物的行駛環(huán)境下能夠規(guī)劃出符合最優(yōu)的行駛路線，該路徑滿足智能車以2m/s以下速度行駛的過程中，車輛對(duì)路徑的跟隨，并能引導(dǎo)智能車對(duì)障礙物無碰撞的行駛至目標(biāo)點(diǎn)。因此，選擇優(yōu)化后的A*算法應(yīng)用為智能車的導(dǎo)航算法是合理的，對(duì)智能車的導(dǎo)航可以起到優(yōu)化作用。圖4.9A*算法規(guī)劃路徑二本章小結(jié)本章首先進(jìn)行了對(duì)目前為止多種導(dǎo)航算法的理論以及實(shí)驗(yàn)應(yīng)用的優(yōu)缺點(diǎn)進(jìn)行對(duì)比，然后在本文探索的應(yīng)用環(huán)境下的應(yīng)用指標(biāo)：低速環(huán)境、激光雷達(dá)構(gòu)圖、行駛路程短等要求下，選擇了優(yōu)化后的A*算法導(dǎo)航方案。最后對(duì)導(dǎo)航策略進(jìn)行仿真實(shí)驗(yàn)，在設(shè)定情況下的驗(yàn)證仿真成果，驗(yàn)證了該策略的能效。5智能車系統(tǒng)性能測(cè)試與分析避障導(dǎo)航算法軟件設(shè)計(jì)在本系統(tǒng)中，選用了intelcorei3數(shù)字計(jì)算機(jī)與kinetis66MCU結(jié)合的處理器方案，因此軟件設(shè)計(jì)包含了在單個(gè)處理器工程環(huán)境下的數(shù)據(jù)處理，處理器與處理器之間通訊，人機(jī)交互，數(shù)據(jù)共享等多個(gè)模塊。在intelcorei3數(shù)字計(jì)算機(jī)上編程的工作環(huán)境需要Linux操作系統(tǒng)，在此基礎(chǔ)上使用RoboWareStudio開發(fā)環(huán)境，這是一款用于ROS(機(jī)器人操作系統(tǒng)的一種)開發(fā)和調(diào)試的集成開發(fā)環(huán)境(IDE)。intelcorei3數(shù)字計(jì)算機(jī)主要需要處理的是對(duì)相位激光雷達(dá)掃描數(shù)據(jù)通過Gmapping開源算法包建立環(huán)境地圖并確定智能車位置。kinetis66MCU主要處理的響應(yīng)頻率高的近距離傳感器數(shù)據(jù)融合，并將融合數(shù)據(jù)發(fā)送給intelcorei3數(shù)字計(jì)算機(jī)。對(duì)MCU編程使用larldePm工程環(huán)境，簡(jiǎn)稱IAR，該工程環(huán)境搭配J-Link仿真器可以實(shí)現(xiàn)在線實(shí)時(shí)數(shù)據(jù)調(diào)試，極大的方便了我們?cè)诠こ檀a調(diào)試時(shí)對(duì)數(shù)據(jù)變量的監(jiān)控。首先介紹intelcorei3處理器實(shí)現(xiàn)功能的編程流程圖如圖5.1所示：圖5.1i3編程流程圖該部分編程首先對(duì)激光雷達(dá)、WIFI模塊、通信模塊的參數(shù)、地址、工作狀態(tài)進(jìn)行初始化配置，完成初始化工作后嘗試與MCU建立通訊，當(dāng)返回通訊成功標(biāo)志后對(duì)激光雷達(dá)回傳數(shù)據(jù)進(jìn)行保存并處理，使用RoboWareStudio執(zhí)行Gmapping開源算法包，建立環(huán)境地圖并實(shí)現(xiàn)智能車定位，建立的環(huán)境地圖數(shù)據(jù)表示方式為極坐標(biāo)系下的二維數(shù)組，對(duì)該數(shù)組進(jìn)行常坐標(biāo)系的轉(zhuǎn)換，然后使用優(yōu)化A*算法對(duì)該地圖數(shù)據(jù)進(jìn)行啟發(fā)式搜圖，規(guī)劃最優(yōu)路徑。最后將路徑信息發(fā)送至kinetis66MCU微處理器。當(dāng)MCU微處理器接收到數(shù)字計(jì)算機(jī)發(fā)送的數(shù)據(jù)后，開始第二部分處理。圖5.2為MCU編程流程圖：圖5.2MCU編程流程圖在軟件設(shè)計(jì)的第二部分中，MCU擔(dān)任及時(shí)處理與響應(yīng)的功能。首先進(jìn)行超聲波測(cè)距模塊激光測(cè)距模塊、通信模塊的參數(shù)、地址初始化。確認(rèn)各個(gè)模塊工作正常之后建立與i3處理器的通信，接收地圖和規(guī)劃的路徑信息并進(jìn)行保存。然后對(duì)各個(gè)傳感器模塊回傳的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合處理，將融合后數(shù)據(jù)與地圖數(shù)據(jù)中障礙物距離進(jìn)行比對(duì)，設(shè)立判斷機(jī)制，當(dāng)距離信息正確時(shí)，使用PID控制策略對(duì)執(zhí)行機(jī)構(gòu)進(jìn)行控制，進(jìn)而實(shí)現(xiàn)路徑的跟隨，當(dāng)判斷距離信息偏差較大時(shí)，啟動(dòng)緊急避障方案，立刻使用近距離傳感器模塊對(duì)障礙物二次采集，使用傳感器數(shù)據(jù)進(jìn)行緊急避障。并將此數(shù)據(jù)融合到地圖信息中，對(duì)障礙物距離數(shù)據(jù)進(jìn)行更新，在i3處理器上使用優(yōu)化A*算法根據(jù)此時(shí)智能車位置重新進(jìn)行路徑規(guī)劃。5.2智能車機(jī)械結(jié)構(gòu)設(shè)計(jì)為適應(yīng)室內(nèi)與室外環(huán)境下開展實(shí)驗(yàn)的需要，智能車采用了兩驅(qū)動(dòng)輪與兩轉(zhuǎn)向輪的運(yùn)動(dòng)機(jī)構(gòu)。車體后部左右兩側(cè)各安裝一個(gè)驅(qū)動(dòng)輪。左右驅(qū)動(dòng)輪通過齒輪機(jī)械結(jié)構(gòu)和轉(zhuǎn)動(dòng)軸連接，形成機(jī)械差速結(jié)構(gòu)。四個(gè)支撐輪均安裝雙減震彈簧，當(dāng)遇到障礙物阻擋時(shí)，減震裝置配合越野式車輪結(jié)構(gòu)可以攀越一定高度的障礙物。對(duì)于整個(gè)車體結(jié)構(gòu)，按照重量分布，將平臺(tái)所搭載模塊沿車輛中軸按照集合對(duì)稱安裝，降低了智能車左右橫擺時(shí)產(chǎn)生的偏差力矩，并且盡可能的降低車輛重心，提高車輛運(yùn)行時(shí)穩(wěn)定性。四車輪的機(jī)械結(jié)構(gòu)實(shí)現(xiàn)智能車地盤平臺(tái)的俯仰與橫滾狀態(tài)，該結(jié)構(gòu)簡(jiǎn)單，從而能夠有效的、均衡的發(fā)揮驅(qū)動(dòng)輪與轉(zhuǎn)向輪的效率。智能車采用電機(jī)驅(qū)動(dòng)實(shí)現(xiàn)前輪控制轉(zhuǎn)向。電機(jī)轉(zhuǎn)交設(shè)定為165°，通過舵機(jī)力臂長(zhǎng)度的配比，達(dá)到前輪轉(zhuǎn)向最優(yōu)轉(zhuǎn)角跨度，能夠減少轉(zhuǎn)動(dòng)時(shí)摩擦阻力的影響。驅(qū)動(dòng)電機(jī)、舵機(jī)、舵機(jī)力臂集成為一個(gè)機(jī)械模塊，有利于維護(hù)和部件的改進(jìn)，車模部件可以進(jìn)行對(duì)各類組件的安裝與調(diào)整。實(shí)物如圖5.3(a)(b)(c)所示：在電源管理模塊電路設(shè)計(jì)中，整個(gè)智能車系統(tǒng)中總共需要四種不同的電壓值，其中包括電池電壓8.6V,供給伺服舵機(jī)的驅(qū)動(dòng)電壓6V,供給傳感器接收放大電路和人機(jī)交互模塊的5V以及供給單片機(jī)最小系統(tǒng)和傳感器模塊的3.3V電壓。在單片機(jī)的選擇上選擇了恩智浦公司Kinetis系列中最新的一款單片機(jī)MK66FX1M0VLQ18,這款單片機(jī)使用的是ARM公司的Cortex-M4內(nèi)核為控制器，原生主頻速率高達(dá)180MHz，足以滿足大部分的算法運(yùn)行與實(shí)時(shí)控制，同時(shí)這款芯片配備256K的SRAM以及1M的大flash空間。同時(shí)K66的板載資源也是非常的豐富，包括6個(gè)UART串口、3個(gè)SPI模塊、4個(gè)I2C模塊、2個(gè)16位ADC模塊以及4個(gè)FTM模塊、20路PWM輸出，同時(shí)所有I/O口都支持硬件外部中斷觸發(fā)。使用K66作為核心CPU搭配必要的復(fù)位電路和硬件電路，配合引出必要的引腳與傳感器模塊、人機(jī)交互模塊一起組成主控板。圖5.5給出了主控板電路設(shè)計(jì)框圖。圖5.5主控板電路框圖5.3.1電源管理模塊設(shè)計(jì)電源管理模塊是整個(gè)硬件電路中的基礎(chǔ)，所有的芯片都會(huì)有一個(gè)可以正常穩(wěn)定工作的電壓范圍，所以就需要電源管理模塊分配穩(wěn)定脈動(dòng)小的電壓。如果電源管理模塊設(shè)計(jì)不當(dāng)，造成穩(wěn)出的電壓波動(dòng)較大，對(duì)于某些敏感元件來說容易造成頻繁的復(fù)位甚至燒毀，同時(shí)要考慮電源部分是否會(huì)對(duì)信號(hào)傳輸部分造成電磁干擾以及所分配的電壓是否滿足正常工作所需要的功率要求。所以說電源模塊的設(shè)計(jì)是整個(gè)硬件電路設(shè)計(jì)中非常重要的一部分。在智能車系統(tǒng)中，根據(jù)不同器件的電壓需求總共可以分為四級(jí)電壓，包括11.2V系統(tǒng)，6V舵機(jī)系統(tǒng)，5V傳感系統(tǒng)以及3.3V的敏感元件系統(tǒng)。其中11.2V系統(tǒng)是電池電壓，在整個(gè)系統(tǒng)中主要作為各級(jí)電壓系統(tǒng)的高壓輸入以及電機(jī)的驅(qū)動(dòng)電壓。6V舵機(jī)系統(tǒng)主要是供給舵機(jī)以作驅(qū)動(dòng)，由于舵機(jī)是一個(gè)功率器件，對(duì)該部分進(jìn)行電路設(shè)計(jì)的時(shí)候需要考慮到功率大小與電磁干擾問題。5V系統(tǒng)主要供給傳感系統(tǒng)，包括模擬電壓信號(hào)放大電路以及光柵測(cè)速模塊，該部分涉及到傳感器接收所以要求這部分的電壓穩(wěn)定脈動(dòng)小不然會(huì)影響到傳感器采集到的的數(shù)據(jù)。3.3V系統(tǒng)主要由最小系統(tǒng)和陀螺儀模塊組成，這部分對(duì)功率要求不大但所有器件均為核心敏感器件，需要保持電源純凈無脈動(dòng)，所以這一部分對(duì)電源的要求是最高的。對(duì)于穩(wěn)壓芯片的選擇上，采用的降壓方案是兩級(jí)穩(wěn)壓的方式，第一級(jí)穩(wěn)壓從11.2V穩(wěn)壓至5V,第二極穩(wěn)壓再從5V穩(wěn)至3.3V。這對(duì)于第一級(jí)穩(wěn)壓來說要供給后面所有電路的功率所以功率要求足夠大，同時(shí)損耗小，對(duì)于第二級(jí)穩(wěn)壓來說敏感器件要求電壓脈動(dòng)小而平穩(wěn)的穩(wěn)定電壓。1、直接降壓直接降壓采用AS1015來完成，AS1015是美矽半導(dǎo)體公司研制的一款高頻控制的DC-DC開關(guān)穩(wěn)壓。它的輸入電壓最高可以達(dá)到23V,同時(shí)這是一款可以根據(jù)電路設(shè)計(jì)中的電阻比來調(diào)節(jié)輸出電壓的芯片，這款芯片的輸出電壓與輸入電壓的最小壓差僅有0.8V，但是他輸出電流的能力卻有5A，完全滿足了小車系統(tǒng)中舵機(jī)所需要的電壓與功率，同時(shí)這款芯片配有過流保護(hù)，可以在伺服舵機(jī)堵轉(zhuǎn)的時(shí)候保護(hù)舵機(jī)與電路。AS1015的輸出電壓VOUT是與VFB有線性的對(duì)應(yīng)關(guān)系。也就是說，如果知道VFB的值，通過對(duì)R1和R2進(jìn)行配置就可以讓AS1015輸出所期望的電壓。在芯片的內(nèi)部,FB引腳上連接了一個(gè)運(yùn)算放大器,在運(yùn)算放大器的正相輸入上有一個(gè)0.8V的參考電壓，經(jīng)過與FB引腳的電壓比較后，經(jīng)過300KHZ的PWM調(diào)制后會(huì)從SW腳輸出期望的電壓值，所以認(rèn)為VFB就是0.8V,所以如果期望電壓為6V的話，經(jīng)過計(jì)算R1與R2的比值應(yīng)為6.5，同時(shí)考慮到電路限流保護(hù)以及市面上容易買到的標(biāo)稱電阻值，最后選擇R1為10K，R2為1.5K。同時(shí)觀察該芯片的典型性能特征，在低壓與常溫的范圍下，各部分性能穩(wěn)定，在接近空載與接近滿載的情況下，電壓波動(dòng)范圍不大，適合本次的舵機(jī)供電電路設(shè)。圖5.6為AS1015直接降壓電路圖。圖5.64AS1015直接降壓電路設(shè)計(jì)2、一級(jí)穩(wěn)壓針對(duì)除了伺服舵機(jī)之外的其他電路來說使用分兩級(jí)穩(wěn)壓的方式來穩(wěn)壓。第一級(jí)穩(wěn)壓使用TPS54560B來完成，TPS54560B也是一種基于開關(guān)電源原理的開關(guān)穩(wěn)壓芯片，該芯片的輸入電壓高達(dá)60V，是一款集成高邊N溝道型MOSFET降壓穩(wěn)壓器?；陂_關(guān)穩(wěn)壓電源的開關(guān)穩(wěn)壓芯片是依靠buck電路為基礎(chǔ)實(shí)現(xiàn)降壓，同時(shí)在降壓的同時(shí)還設(shè)有電壓反饋補(bǔ)償部分，使用內(nèi)部反饋的電壓值與期望值進(jìn)行對(duì)比，對(duì)誤差使用PWM脈沖調(diào)制技術(shù)來進(jìn)行補(bǔ)償。在這一部分使用開關(guān)穩(wěn)壓芯片而不使用線性穩(wěn)壓芯片的原因是，第一級(jí)穩(wěn)壓需要大功率與低損耗，在這些方面開關(guān)穩(wěn)壓遠(yuǎn)優(yōu)于線性穩(wěn)壓的高熱耗與固定效率。TPS54560B的內(nèi)部參考電壓精度為0.8V±1%,由一個(gè)帶隙基準(zhǔn)電路在工作溫度和電壓范圍內(nèi)的縮放產(chǎn)生。輸出電壓依靠FB引腳兩端的RHS與RLS兩個(gè)電阻來調(diào)節(jié)，調(diào)解公式如下：（2）在整個(gè)系統(tǒng)中，光柵測(cè)速模塊需要使用FTM模塊來獲取轉(zhuǎn)速與轉(zhuǎn)向信息。在K66中有四個(gè)FTM模塊分別是FTM0~FTM3。其中FTM0與FTM3具有8通道，F(xiàn)TM1與FTM2只有有2通道，而且只有FTM1與FTM2具有正交解碼過程。而且同一個(gè)FTM模塊可以輸出同頻率的PWM波，所以使用FTM1與FTM2分別對(duì)兩個(gè)光柵進(jìn)行采集。圖5.12為PWM調(diào)制信號(hào)接口原理圖。人機(jī)交互部分在整個(gè)系統(tǒng)中起到提示與實(shí)時(shí)修改的作用，在對(duì)系統(tǒng)調(diào)試的時(shí)候一個(gè)設(shè)計(jì)良好的人際交互系統(tǒng)會(huì)大大減少調(diào)試的難度。本文中主要用到了按鍵、蜂鳴器與OLED顯示。按鍵的電路實(shí)現(xiàn)非常簡(jiǎn)單，一般是一端與I/O口相連，另一端與正極或地相連，出于保護(hù)單片機(jī)不會(huì)受到過電流的損壞，所以在這里使用另一端與地線相連的電路設(shè)計(jì)，為了節(jié)省空間便于操控，在電路設(shè)計(jì)中還加入了五向按鍵。顯示部分使用12864的點(diǎn)陣屏幕同樣適用I2C協(xié)議來顯示圖像，可以顯示數(shù)字、漢字、ASCII碼甚至是圖像。圖5.13是人機(jī)交互模塊電路原理圖。根據(jù)實(shí)驗(yàn)結(jié)果，當(dāng)確定智能車起始位置和目標(biāo)位置后，在對(duì)系統(tǒng)實(shí)時(shí)路徑以及規(guī)劃路徑進(jìn)行監(jiān)控的過程中，智能車能建立完整、正確的環(huán)境地圖。能夠規(guī)劃無碰撞、較短的路徑，在行駛過程中，能夠?qū)崟r(shí)的根據(jù)障礙物距離信息優(yōu)化、更新路徑。在智能車行駛過程中，車輛對(duì)規(guī)劃路徑跟隨的準(zhǔn)確度有待提高，智能車在移動(dòng)過程中由于機(jī)械結(jié)構(gòu)的局限性導(dǎo)致不能完全跟隨路徑。測(cè)試二：測(cè)試條件：15mx10m室內(nèi)環(huán)境，陽光照射加室內(nèi)白熾燈光照環(huán)境，地面為防滑粗糙路面。封閉式測(cè)試場(chǎng)地，包含障礙物由路障、安全錐、U型急轉(zhuǎn)彎道等。檢測(cè)儀器：數(shù)字計(jì)算機(jī)，Wifi通訊模塊、障礙物觸碰警報(bào)。被測(cè)物：智能車位姿狀態(tài)測(cè)試過程圖如圖5.19(a)(b)所示：圖(a)、(b)為車載陀螺儀實(shí)驗(yàn)過程中陀螺儀輸出數(shù)據(jù)，在圖像中可以清晰的看出傳感器數(shù)據(jù)融合算法對(duì)陀螺儀以及加速度計(jì)數(shù)據(jù)融合后的結(jié)果很優(yōu)秀，消除了大量的噪聲和誤差。智能車對(duì)規(guī)劃路徑跟隨時(shí)，車身姿態(tài)沒有出現(xiàn)危險(xiǎn)情況，例如翻車、碰撞等。驗(yàn)證了本文對(duì)車輛動(dòng)力學(xué)建模、路徑規(guī)劃、導(dǎo)航算法的合理性。本章小結(jié)本章首先完成了智能車避障導(dǎo)航方案的軟件設(shè)計(jì)。然后完成了智能車平臺(tái)的機(jī)械結(jié)構(gòu)調(diào)整和搭建，按照幾何結(jié)構(gòu)的理論指導(dǎo)實(shí)現(xiàn)車輛轉(zhuǎn)彎半徑，輪胎摩擦力，機(jī)械結(jié)構(gòu)空程消除以及傳感器的合理布置，從機(jī)械結(jié)構(gòu)的角度調(diào)整車輛平臺(tái)上搭載的硬件安裝。再次完成了智能車硬件電路的實(shí)現(xiàn)，借助設(shè)計(jì)軟件，將車輛上各個(gè)模塊的供電，信號(hào)采集，處理器與執(zhí)行機(jī)構(gòu)間的通訊集成為一個(gè)系統(tǒng)。將整個(gè)硬件電路部分拆分成幾部分，包括最小系統(tǒng)部分、外圍接口部分、電源管理部分、人機(jī)交互部分，然后對(duì)整個(gè)硬件電路進(jìn)行PCB的繪制并進(jìn)行測(cè)試完成了整個(gè)系統(tǒng)的硬件電路設(shè)計(jì)與實(shí)現(xiàn)。最后，對(duì)設(shè)計(jì)的硬件電路、智能車實(shí)際運(yùn)行指標(biāo)進(jìn)行檢驗(yàn)，通過示波器波形分析和實(shí)時(shí)參數(shù)監(jiān)控得到所設(shè)計(jì)的智能車系統(tǒng)符合要求，驗(yàn)證了所設(shè)計(jì)的理論方案在半結(jié)構(gòu)化低速環(huán)境下的效能。6結(jié)論為了實(shí)現(xiàn)在半結(jié)構(gòu)化低速環(huán)境下智能車以最短路徑無碰撞的行駛到目標(biāo)地點(diǎn)，設(shè)計(jì)了基于激光雷達(dá)傳感器建立環(huán)境地圖、多傳感器組合的智能車避障策略和導(dǎo)航方案。避障方案采用超聲波傳感器、激光測(cè)距模塊對(duì)近距離障礙物進(jìn)行距離測(cè)量，使用多傳感器數(shù)據(jù)融合方案對(duì)各個(gè)傳感器原始數(shù)據(jù)進(jìn)行優(yōu)化，制定緊急避障方案并豐富地圖數(shù)據(jù)。導(dǎo)航方案采用激光SLAM算法進(jìn)行環(huán)境地圖構(gòu)建與智能車定位，在此基礎(chǔ)上使用優(yōu)化的A*算法進(jìn)行全局路徑規(guī)劃。結(jié)合智能車避障策略與導(dǎo)航方案，實(shí)現(xiàn)局部避障與全局路徑規(guī)劃的相互補(bǔ)充。而且經(jīng)過數(shù)學(xué)仿真和模擬環(huán)境測(cè)試實(shí)驗(yàn)，初步驗(yàn)證了根據(jù)上述設(shè)計(jì)的智能車避障策略和導(dǎo)航方案具有對(duì)智能車在半結(jié)構(gòu)化低速環(huán)境下運(yùn)行的避障和導(dǎo)航能力。本文主要研究工作及研究成果闡述如下：第一，研究了智能車避障策略和導(dǎo)航方案的基本理論，對(duì)低速環(huán)境下智能車使用上述方案進(jìn)行設(shè)計(jì)的過程進(jìn)行了詳細(xì)的梳理，從而明確了低速環(huán)境下智能車避障策略與導(dǎo)航方案在整個(gè)智能車無人自主移動(dòng)中起到的作用及其設(shè)計(jì)原則。第二，建立了四輪智能車的動(dòng)力學(xué)數(shù)學(xué)模型，分析了智能車在運(yùn)行過程中可能的干擾和機(jī)械局限性，從而為路徑規(guī)劃提供設(shè)計(jì)原則。在設(shè)計(jì)了智能車的數(shù)學(xué)模型基礎(chǔ)上，選擇了適合四輪車模型的激光SLAM算法進(jìn)行環(huán)境地圖構(gòu)建并進(jìn)行智能車定位，在這個(gè)過程中具體使用Gmapping開源算法包進(jìn)行極坐標(biāo)系下的地圖建立，結(jié)合車輛里程計(jì)和陀螺儀實(shí)現(xiàn)定位。仿真結(jié)果表明，在激光雷達(dá)的工作范圍內(nèi)，可以以一定刷新頻率建立滿足智能車行駛，包含足夠障礙物信息的環(huán)境地圖。第三，根據(jù)目前智能車傳感器組合方案以及各種傳感器的特性，設(shè)計(jì)以超聲波傳感器、激光測(cè)距模塊構(gòu)成的近距離避障傳感器組合；陀螺儀、加速度計(jì)、地磁儀模塊構(gòu)成的車輛姿態(tài)傳感器組合。在此基礎(chǔ)上使用聯(lián)合卡爾曼算法對(duì)上述避障傳感器、姿態(tài)傳感器數(shù)據(jù)進(jìn)行融合。在數(shù)據(jù)融合算法部分，選擇激光雷達(dá)為參考傳感器，設(shè)計(jì)互補(bǔ)濾波器為子濾波器，減少處理器運(yùn)算量，提升數(shù)據(jù)融合算法效率。通過仿真驗(yàn)證，設(shè)計(jì)的傳感器數(shù)據(jù)融合算法能夠有效提升傳感器測(cè)量障礙物距離的準(zhǔn)確度，提高抵抗環(huán)境噪聲的能力。第四，對(duì)傳統(tǒng)A*算法在搜索領(lǐng)域、軌跡的平滑度等方向進(jìn)行優(yōu)化?；诃h(huán)境地圖的建立,設(shè)計(jì)以優(yōu)化的A*算法作為全局導(dǎo)航核心算法，對(duì)地圖數(shù)據(jù)進(jìn)行處理得到以行駛路徑最短、無碰撞為判斷準(zhǔn)則的最優(yōu)路徑行駛方案。從而實(shí)現(xiàn)了智能車全局導(dǎo)航與局部避障結(jié)合的導(dǎo)航算法，并在Intelcorei3處理器和kinetis66微處理器上進(jìn)行算法實(shí)現(xiàn)。第五，基于智能車樣車，搭建了仿真實(shí)驗(yàn)場(chǎng)地對(duì)智能車進(jìn)行了模擬測(cè)試，測(cè)試結(jié)果初步驗(yàn)證了智能車在實(shí)際半結(jié)構(gòu)化低速環(huán)境下具有自主行駛至指定目標(biāo)地點(diǎn)的能力。從而驗(yàn)證了該避障導(dǎo)航策略的有效性和可行性。本文建立了體系的仿真環(huán)境和模擬測(cè)試環(huán)境，雖然室內(nèi)布置的測(cè)試環(huán)境具有一定局限性，但依然可以反饋該智能車系統(tǒng)設(shè)計(jì)的盲區(qū)。在智能車行駛的過程中，車輛對(duì)規(guī)劃的路徑能否以較低偏差保持跟隨在本文中沒有著重考慮，智能車樣車的機(jī)械結(jié)構(gòu)因素，例如車輛轉(zhuǎn)彎半徑，執(zhí)行機(jī)構(gòu)滯后響應(yīng)，一定車速時(shí)車體傾斜打滑等，都會(huì)對(duì)跟隨路徑的精確度造成干擾。而以較低偏差跟隨規(guī)劃路徑是智能車在自主行駛時(shí)考量其容錯(cuò)率和穩(wěn)定性的重要判斷準(zhǔn)則。因此，在接下來的優(yōu)化設(shè)計(jì)和測(cè)試中，會(huì)對(duì)此問題進(jìn)行改進(jìn)。參考文獻(xiàn)李旭.自主車輛多傳感器導(dǎo)航與橫向魯棒控制的研究[D]?東南大學(xué),2006.王順奎.國(guó)外信息融合技術(shù)概述[J].紅外與激光技術(shù),1995(01):1-4.王耀南，李樹濤?多傳感器信息融合及其應(yīng)用綜述[J].控制與決策,2001(05):518-522.張明路，戈新良，唐智強(qiáng),劉興榮?多傳感器信息融合技術(shù)研究現(xiàn)狀和發(fā)展趨勢(shì)[J].河北工業(yè)大學(xué)學(xué)報(bào),2003(02):30-35.⑸王殿君?基于改進(jìn)A~*算法的室內(nèi)移動(dòng)機(jī)器人路徑規(guī)劃[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,52(08):1085-1089.⑹王中玉,曾國(guó)輝，黃勃，方志軍?改進(jìn)A*算法的機(jī)器人全局最優(yōu)路徑規(guī)劃[J/OL].計(jì)算機(jī)應(yīng)用:1-7[2019-06-08].⑺陳豪，李勇，羅靖迪?基于改進(jìn)A*算法優(yōu)化的移動(dòng)機(jī)器人路徑規(guī)劃研究[J]?自動(dòng)化與儀器儀表,2018(12):1-4.⑻趙曉，王錚