新書推薦：
《
带献帝去旅行--历史书写的中古风景（论衡系列）
》
售價：HK$
69.6
《
出行创新设计：概念、范式与案例
》
售價：HK$
119.9
《
爱的能力：为什么我们既渴望爱，又害怕走进爱（第13版）
》
售價：HK$
83.8
《
环艺设计手绘：景观/室内 马克笔 手绘效果图技法精解
》
售價：HK$
95.8
《
明清与李朝时代
》
售價：HK$
81.6
《
感动，如此创造
》
售價：HK$
71.8
《
商业人像摄影
》
售價：HK$
95.8
《
抗争表演
》
售價：HK$
74.4
|
| 編輯推薦： |
|
汽车的发展正在进入智能网联时代，智能驾驶是新一代信息技术与交通运输行业融合发展的产物，也是体现全球新一轮科技创新和产业变革成果的重要领域，本书系统介绍智能汽车自主决策规划技术为代表的智能驾驶前沿研究技术与中国智能驾驶领域自主科技创新成果，以推动智能驾驶领域的人才培养和产业发展，增强我国智能驾驶关键技术的知识积累，助力智慧交通和智能城市建设，提升我国汽车产业在全球的竞争力。
|
| 內容簡介： |
|
本书全面的介绍了自动驾驶汽车运动规划和控制算法，并且针对城市结构化道路场景下的运动规划这一国内外研究焦点，设计了以典型行驶行为为导向的多目标优选运动规划算法，以及覆盖常规工况和极限工况、包含整车控制和执行器控制的运动控制算法。书中详细介绍了算法原理、设计过程和试验验证效果，并附上主要算法代码，供读者参考。本书共6章。第1章为绪论。第2～4章介绍了自动驾驶汽车的运动规划方法，第5～6章介绍了自动驾驶汽车的运动控制方法。其中，第2章为基于典型行驶行为的基础轨迹规划方法，第3章为满足算法完备性的重规划方法，第4章为综合多目标需求的轨迹优选方法，第5章为基于条件积分算法的侧向运动鲁棒控制方法，第6章为纵向运动控制算法设计。希望本书的出版，不仅可以给广大从事自动驾驶汽车领域的专业技术人员和研究生提供一本理论与实践相结合的参考书，也为其他读者对自动驾驶汽车的运动规划与运动控制知识的学习打下一定的基础。
|
| 關於作者： |
|
熊璐，同济大学汽车学院副院长，教授、博导。智能汽车研究所执行所长，主要研究方向为汽车系统动力学与控制，新能源汽车整车集成技术，主持和参与国家重点研发计划项目、国家自然科学基金项目等多项国家和省部级项目，发表论文100余篇，参撰英文著作2部。
|
| 目錄：
|
第1章绪论/1
1.1国内外研究现状/2
1.1.1运动规划/2
1.1.2运动控制/11
1.2本书内容/20
本章参考文献/23
第2章基于典型行驶行为的基础轨迹快速规划/31
2.1汽车运动学模型/32
2.1.1微分平坦性质/32
2.1.2阿克曼转向模型/32
2.2基于典型行驶行为的快速路径规划/33
2.2.1曲率可控的平滑路径生成器/34
2.2.2换道路径规划/36
2.2.3转弯路径规划/38
2.2.4调头路径规划/40
2.2.5转弯和调头路径规划改进/42
2.3以路径曲率极值分段的速度规划策略/47
2.4本章小结/52
本章参考文献/53
第3章满足算法完备性的重规划方法/55
3.1RRT规划算法简介/55
3.2以典型行驶行为为导向的快速RRT算法/57
3.2.1换道重规划/59
3.2.2转弯重规划/60
3.2.3调头重规划/62
3.2.4后处理策略/65
3.3仿真验证/66
3.3.1换道规划/66
3.3.2转弯规划/69
3.3.3调头规划/73
3.4本章小结/76
本章参考文献/76
自动驾驶汽车运动规划与控制目录第4章综合多目标需求的轨迹优选方法/78
4.1择优指标提取/78
4.1.1静态评价指标/79
4.1.2动态评价指标/80
4.2择优体系构建/82
4.2.1明确问题/82
4.2.2构造判断矩阵/83
4.2.3层次单排序/84
4.2.4层次总排序/88
4.3实验验证/90
4.3.1联合仿真验证/90
4.3.2实车试验/109
4.4本章小结/116
本章参考文献/116
第5章基于条件积分算法的侧向运动鲁棒控制/118
5.1车辆侧向运动模型/119
5.1.1坐标系/119
5.1.2轨迹跟踪运动学模型/120
5.1.3车辆侧向动力学模型/124
5.1.4线控转向系统动力学模型/126
5.2侧向运动控制算法分层控制框架/128
5.3运动学控制算法设计/129
5.3.1控制律设计/130
5.3.2稳定性分析/131
5.3.3跟踪点位置选取/136
5.3.4设计参数选取/137
5.4横摆动力学控制算法设计/139
5.4.1单轴侧偏刚度估计/140
5.4.2控制律设计/141
5.4.3稳定性分析/142
5.4.4算法优化/145
5.4.5系统互联稳定分析/146
5.5线控转向系统转向角跟踪控制算法设计/155
5.5.1轮胎回正力矩非线性特性分析/156
5.5.2转向角跟踪控制律设计/159
5.5.3考虑转向系统后侧向运动控制的互联稳定分析/161
5.6侧向运动控制算法性能分析/164
5.6.1侧向运动稳态响应仿真分析/164
5.6.2侧向运动瞬态响应仿真分析/168
5.7本章小结/175
本章参考文献/176
第6章纵向运动控制算法设计/178
6.1轮胎力约束策略/179
6.1.1垂向载荷计算/179
6.1.2车辆坐标系下轮胎侧向力需求/183
6.1.3轮胎坐标系下轮胎纵向力约束/185
6.1.4车轮驱制动力矩约束/185
6.2考虑纵向加速度需求的纵向车速控制算法设计/186
6.2.1纵向车速控制律设计/187
6.2.2纵向加速度控制律设计/194
6.2.3考虑纵向加速度需求的纵向车速控制律设计/195
6.3纵向运动控制算法性能分析/200
6.4运动控制实车试验/204
6.4.1试验测试系统介绍/204
6.4.2转向角跟踪控制试验/205
6.4.3纵向车速控制试验/209
6.4.4稳态回转试验/214
6.4.5紧急避障试验/216
6.5本章小结/222
本章参考文献/222
二维码说明/224
|
| 內容試閱：
|
前言自动驾驶技术是未来汽车科技的战略制高点，已成为当今世界汽车领域甚至是交通、控制、计算机等领域的研发热点。自动驾驶包含环境感知、智能决策、运动规划、运动控制以及执行器控制等五大核心技术。其中，运动规划是在智能决策得到的驾驶行为引导下，基于环境感知信息，生成满足特定约束条件（例如汽车本身的动力学约束、障碍物避让、乘客舒适性等）的轨迹；运动控制需要协调驱动、制动和转向等执行器以快速、准确地跟踪规划轨迹，同时保证汽车稳定性；执行器控制则是实现驱动、制动和转向等执行器对运动控制需求的精确与快速响应。本书全面的介绍了自动驾驶汽车运动规划和控制算法，并且针对城市结构化道路场景下的运动规划这一国内外研究焦点，设计了以典型行驶行为为导向的多目标优选运动规划算法，以及覆盖常规工况和极限工况、包含整车控制和执行器控制的运动控制算法。书中详细介绍了算法原理、设计过程和试验验证效果，并附上主要算法代码，供读者参考。本书共6章。第1章为绪论。第2～4章介绍了自动驾驶汽车的运动规划方法，第5～6章介绍了自动驾驶汽车的运动控制方法。其中，第2章为基于典型行驶行为的基础轨迹规划方法，第3章为满足算法完备性的重规划方法，第4章为综合多目标需求的轨迹优选方法，第5章为基于条件积分算法的侧向运动鲁棒控制方法，第6章为纵向运动控制算法设计。希望本书的出版，不仅可以给广大从事自动驾驶汽车领域的专业技术人员和研究生提供一本理论与实践相结合的参考书，也为其他读者对自动驾驶汽车的运动规划与运动控制知识的学习打下一定的基础。本书所述研究内容得到了国家重点研发计划项目(2018YFB0105103，2018YFB0105101)、上海市工业强基专项 (GYQJ-2017-4-08)、同济大学中央高校基本科研业务费专项资金资助项目 (22120190205)以及上海市科委项目(17DZ1100202，16DZ1100700)资助。本书部分内容来源自课题组毕业生章仁燮、李奕姗、卫烨、夏浪的博士学位论文，课题组的研究生杨兴、李拙人、张培志、阮鑫耀、周泽伟参与了书稿撰写，在此感谢他们的付出。感谢华中科技大学出版社俞道凯编辑的细致工作以及大力支持。自动驾驶技术的发展日新月异，关于运动规划和运动控制的理论和实践也在不断更新和完善，加之自身研究和实践的水平有限，书中难免有疏漏和不足之处，恳请读者提出宝贵意见。 作者2021年7月20日于同济大学
基于空间采样的方法试图通过连接一系列无障碍空间的采样节点，建立一条从初始状态到目标状态的路径。该方法可避免在状态空间中显式地构造障碍物，轨迹的可行性由碰撞检测来验证，节省了大量计算成本。该算法具有概率完备性，这意味着规划算法不能返回解的概率随着样本的数量趋近无穷而衰减到零。
最具代表性的空间采样算法是快速随机扩展树算法(Rapidly-exploring Random Trees， RRT)，1998年由美国的Steven M.LaValle教授提出，该算法由概率路图法PRM发展而来。RRT算法在高维空间中搜索路径的效率较高，基本原理为从根节点（即搜索起点）开始，通过在状态空间中循环地随机采样，逐步增加叶节点，从而生成一个随机扩展树。当随机树扩展到指定终点或已搜索到终点区域，那么通过从终节点开始，一步步查找节点的父节点便可以在随机树中找到一条连接起点和终点的路径。
基础RTT算法由于是在整个采样空间内均匀随机地采样，因此大量的计算被消耗在了无用的采样点上，从而导致了算法的收敛速度慢、效率低。对此，国内外研究者在基础RRT算法上进行了不断地优化。Kuffner J J 提出了Bi-RRT（双向搜索树），该算法以初始点和目标点为根节点，同时进行循环采样生成两棵树，直到两棵树相遇后扩展停止，以此来加快算法的收敛速度。Urmson C提出启发式RRT算法(heuristic RRT，hRRT)，使用启发式函数增加扩展代价低的结点被采样的概率，但在复杂环境中，代价函数的定义往往较困难。Goal-biasing在RRT采样过程中将目标点作为采样点，即进行目标强制扩展，在无障碍碰撞的情况下，就可以结束搜索，返回最终的RRT树。若有碰撞，将进入迭代搜索，根据概率选择进行一般搜索还是进行强制扩展，直至搜索到目标点或者迭代结束。Shkolnik A提出RC-RRT(resolution complete RRT)算法，通过对采样节点增加惩罚值来降低靠近障碍物的节点获得扩展的概率，提高搜索质量。
尽管各种改进措施可以大幅度提高RRT求解的质量，但是仍难以保证获得最优解。针对此问题，研究者提出了各种具有渐进最优性质的改进算法。Karaman S中提出的RRT*算法通过计算代价的方式来使路径渐进于最优路径。随机树在生成新节点前，计算新节点附近节点的代价，选择最低代价，从而使路径趋于最优。但RRT*与标准RRT一样具有盲目探索整个状态空间的特点，其计算效率还有很大的提升空间。Gammell J D提出了Informed RRT*算法，来避免RRT*对整个状态空间的不必要的探索，其思路是先用RRT*找到一个解，然后把采样区域限制到一个以初始、目标状态为焦点并包含当前解的椭球内，继续优化当前解。另外，针对算法的随机性导致生成的路径不平滑的问题，杜明博采用基于最大曲率约束的剪枝函数对部分节点做剔除。当随机树得到的路径曲率不满足边界要求时，则根据曲率约束插入合适的节点，最后利用B样条曲线对最终得到的树做平滑处理。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
