智能汽车路径规划中的高效神经动力学方法



智能汽车路径规划中的高效神经动力学方法

实时安全导航是智能汽车系统中主要的挑战之一。在自动寻找和优化从起点位置到目的地的机器人领域，智能汽车实时路径规划以避开障碍是难点之一。智能汽车的基本导航问题是寻找一条从起点到目的地的高质量无碰撞危险的安全路径。在智能汽车规避障碍的导航领域，已经出现了大量的方法，如势场法、模糊逻辑、基于样本的方法、波前法、基于传感器的技术、基于图像的方法、神经网络模型等。

目前很多研究的焦点在于规避障碍以防止使智能汽车距离障碍物太近或者太远，但是很难获得一条最优的路径。本文提出了一种新型的仿生神经网络研究方法，它考虑到了智能汽车在非固定的环境中实时防撞运行的安全性。通过改变代表动态环境的神经活动迹象，并结合安全意识导航算法，实时规划出智能汽车路径。尽管没有用任何全域约束函数进行优化，但这种仿生神经网络模型能够规划出全局最优的车辆运动路径。通过神经网络的动态活动迹象对车辆实时路径进行优化，且不需要动态环境的先验知识，因此具有较高的计算效率。本文提出的考虑智能汽车安全性的路径规划模型克服了不是“太近”就是“太远”的缺点，能够实时规划出一条“舒适”的路径。本文的主要贡献是在先前仿生神经网络模型的基础上，把虚拟障碍程序整合到智能汽车的导航系统中。仿真结果证明了本文提出的方法在智能汽车安全防撞导航方面的作用和效率。

M. P. Chaomin Luo et al. 2014 International Joint Conference on Neural Networks (IJCNN)，China- July 6- 11, 2014.

编译：周建鹏