基于多目标神经推演算法的智能汽车控制



基于多目标神经推演算法的智能汽车控制

目前，许多车辆都安装了自适应巡航控制（ACC）系统，该系统能按照驾驶员设置的跟车距离行驶。协作自适应巡航控制（CACC）系统主要应用于智能交通（ITS），其可与附近的车辆进行通信。ACC系统和CACC系统的差别如图1所示。然而，CACC系统未考虑各个驾驶员的喜好。

设想了一种控制系统可以使智能汽车在公路上自动行驶、自动加入和驶离车流、超越其它车辆等。基于此，开发了一款基于神经推演算法（NEAT）和强度帕累托进化算法（SPEA2）的多目标算法演进型控制器，实现了车辆智能化，并形成了一套解决方案，即将用户需求如速度、舒适性或燃油经济性等优先考虑的方案。与此相反，目前开发的控制器大多是将用户喜好归结为单一目标。因此，开发出有多种优先权的控制器，根据用户喜好，允许用户实时地选择需要的车辆行驶状态成为研究的重点，如若用户有急事，车速就快；若用户处在放松状态下，车辆行驶于经济状态中。

为了验证上述方案，进行了一系列模拟试验。试验目标有两个：①确认NEATSPEA2多目标算法演进型控制器是否有效；②与常用的驾驶员模型进行对比。模拟试验条件为：10km双车道道路；3000辆汽车穿梭行驶，车速为30km/h，车辆随机进入模拟车道；若车辆发生碰撞事故，车辆仍不会偏离原车道；系统5s测评一次。

试验的初步结果表明，演进型控制器基本上超越了人类的驾驶行为模型。同时也表明，开发根据用户不同喜好选择车辆行驶状态的控制器是可行的。

W.H. Van Willigen et al. 2013 IEEE Computational Intelligence in Vehicles and Transportation Systems, Singapore, April 16-19,2013.

编译：张振伟