راهبردهای تصمیم‌گیری، برنامه‌ریزی و کنترل برای خودروهای هوشمند ۲۰۲۲
Decision Making, Planning, and Control Strategies for Intelligent Vehicles 2022

خودروی هوشمند نقشی حیاتی و اساسی در توسعه‌ی سیستم حمل‌ونقل هوشمند آینده ایفا خواهد کرد، سیستمی که در راستای محیط رانندگی متصل، ایمنی و آسایش حداکثری رانندگی، و همچنین بازدهی سبز در حال توسعه است. در حالی که تصمیم‌گیری، برنامه‌ریزی و کنترل اجزای بسیار حیاتی خودروی هوشمند هستند، این ماژول‌ها همچون پلی، زیرسیستمِ ادراک محیط و اجرای کنترل سطح پایین خودرو را به هم متصل می‌کنند. این کتاب مختصر، استراتژی‌های مختلف طراحیِ تصمیم‌گیری، برنامه‌ریزی مسیر، کنترل ردیابی و همچنین رانندگی مشارکتیِ انسان و سیستم خودکار را برای انطباق با سطوح مختلف سیستم رانندگی خودکار پوشش می‌دهد.

به طور خاص‌تر، ما یک ماژول تصمیم‌گیری سرتاسری مبتنی بر یادگیری تقویتی عمیق (deep Q-learning) و روش‌های بهبودیافته‌ی برنامه‌ریزی مسیر مبتنی بر پتانسیل‌های مصنوعی و نوارهای الاستیک را معرفی می‌کنیم که برای اجتناب از موانع طراحی شده‌اند. سپس، روش بهینه مبتنی بر بهینه‌سازی محدب و اِسپلاین درجه سوم طبیعی (natural cubic spline) ارائه می‌شود.

در مورد برنامه‌ریزی سرعت، روش‌های برنامه‌ریزی مبتنی بر بهینه‌سازی چندهدفه و چندجمله‌ای‌های مرتبه بالا، و روشی با بهینه‌سازی محدب و اِسپلاین‌های درجه سوم طبیعی برای سناریوی غیرِدنبال‌کردن خودرو (مثلاً رانندگی آزاد، تغییر خط، اجتناب از مانع) پیشنهاد می‌شوند، در حالی که روش برنامه‌ریزی مبتنی بر سینماتیکِ دنبال‌کردن خودرو و کنترل پیش‌بین مدل (MPC) برای سناریوی دنبال‌کردن خودرو به کار گرفته می‌شود. ما دو روش ردیابی مقاوم برای دنبال‌کردن مسیر معرفی می‌کنیم. روش اول، مبتنی بر سیستم‌های دینامیکی طولی یا پیش‌نمایش مسیر غیرخطی خودرو، از قانون کنترل حالت لغزشی تطبیقی (SMC) استفاده می‌کند که می‌تواند عدم قطعیت‌ها را برای دنبال‌کردن پروفایل‌های سرعت یا مسیر جبران کند. روش دوم مبتنی بر سیستم دینامیکی غیرخطی خودرو با پنج درجه آزادی است که از MPC خطی‌شده با تغییر زمان برای ردیابی همزمان پروفایل سرعت و مسیر استفاده می‌کند.

در راستای سیستم‌های رانندگی تعاونی انسان و سیستم خودکار، ما دو استراتژی کنترلی را برای پرداختن به مسائل مربوط به مرجع کنترل و مدیریت تضاد بین راننده انسانی و سیستم‌های رانندگی خودکار معرفی می‌کنیم. میدان ایمنی رانندگی و نظریه بازی‌ها برای پیشنهاد یک استراتژی مبتنی بر بازی مورد استفاده قرار می‌گیرند که برای مقابله با تضادهای مسیر در هنگام اجتناب از موانع استفاده می‌شود. قصد رانندگی راننده، ارزیابی موقعیت و شاخص عملکرد برای توسعه استراتژی مبتنی بر منطق فازی به کار گرفته می‌شوند.

مطالعات موردی و دموهای متعددی در هر فصل گنجانده شده است تا اثربخشی رویکرد پیشنهادی را نشان دهد. صمیمانه امیدواریم مطالب این کتاب مختصر، راهنمایی نظری و پشتیبانی فنی مشخصی را برای توسعه فناوری خودروی هوشمند ارائه دهد.

The intelligent vehicle will play a crucial and essential role in the development of the future intelligent transportation system, which is developing toward the connected driving environment, ultimate driving safety, and comforts, as well as green efficiency. While the decision making, planning, and control are extremely vital components of the intelligent vehicle, these modules act as a bridge, connecting the subsystem of the environmental perception and the bottom-level control execution of the vehicle as well. This short book covers various strategies of designing the decision making, trajectory planning, and tracking control, as well as share driving, of the human-automation to adapt to different levels of the automated driving system.

More specifically, we introduce an end-to-end decision-making module based on the deep Q-learning, and improved path-planning methods based on artificial potentials and elastic bands which are designed for obstacle avoidance. Then, the optimal method based on the convex optimization and the natural cubic spline is presented.

As for the speed planning, planning methods based on the multi-object optimization and high-order polynomials, and a method with convex optimization and natural cubic splines, are proposed for the non-vehicle-following scenario (e.g., free driving, lane change, obstacle avoidance), while the planning method based on vehicle-following kinematics and the model predictive control (MPC) is adopted for the car-following scenario. We introduce two robust tracking methods for the trajectory following. The first one, based on nonlinear vehicle longitudinal or path-preview dynamic systems, utilizes the adaptive sliding mode control (SMC) law which can compensate for uncertainties to follow the speed or path profiles. The second one is based on the five-degrees-of-freedom nonlinear vehicle dynamical system that utilizes the linearized time-varying MPC to track the speed and path profile simultaneously.

Toward human-automation cooperative driving systems, we introduce two control strategies to address the control authority and conflict management problems between the human driver and the automated driving systems. Driving safety field and game theory are utilized to propose a game-based strategy, which is used to deal with path conflicts during obstacle avoidance. Driver’s driving intention, situation assessment, and performance index are employed for the development of the fuzzy-based strategy.

Multiple case studies and demos are included in each chapter to show the effectiveness of the proposed approach. We sincerely hope the contents of this short book provide certain theoretical guidance and technical supports for the development of intelligent vehicle technology.