Commande de mouvement de véhicule autonome basée sur les primitives de mouvement conduit par un robot

par Boyang Wang

Projet de thèse en SYAM - Systèmes Automatiques et Micro-Électroniques

Sous la direction de Abderrahmane Kheddar et de Jianwei Gong.

Thèses en préparation à Montpellier , dans le cadre de I2S - Information, Structures, Systèmes , en partenariat avec Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 199.-....) (laboratoire) et de Département Robotique (equipe de recherche) depuis le 01-09-2017 .


  • Résumé

    Les véhicules autonomes devraient être intégrés dans notre vie quotidienne. Cela nécessite que les véhicules effectuent des actions similaires à celles de l'homme, ce qui peut améliorer l'adaptabilité à l'habitude de conduite humaine et permettre un contrôle précis de la trajectoire sous les contraintes de la dynamique du véhicule. Cette traite du problème en utilisant une stratégie découplée consistant en l'apprentissage du mouvement et en généralisant l'étape de contrôle optimal du stade et du mouvement.Notamment dans le cadre d'une conduite avec par un robot. Dans la première étape, une structure à deux niveaux pour l'apprentissage et la généralisation des primitives de mouvement qui incluent l'information des commandes de chemin et d'opération est proposée. Les primitives de mouvement de niveau inférieur sont générées sous la couche de segmentation de chemin et la couche de regroupement dans le niveau supérieur. Le modèle de mélange gaussien (GMM) est appliqué pour représenter les primitives et la régression gaussienne de mélange (GMR) est sélectionnée pour généraliser les primitives de mouvement. Les résultats de prédiction sont ensuite servis en tant que contraintes dans l'étape de contrôle optimale. La deuxième étape utilise un contrôleur de programme quadratique (QP) qui génère les commandes longitudinales et latérales du véhicule en utilisant un modèle dynamique de véhicule haute fidélité. Nous proposons une nouvelle approche qui combine l'expérience de conduite personnalisée du conducteur avec une stratégie de contrôle basée sur le modèle dynamique précis. Les données de conduite sont collectées à partir de la plate-forme de véhicules intelligents BIT. Plusieurs expériences sur le véhicule réel et dans le simulateur dynamique sont discutées pour vérifier l'algorithme proposé dans cet article.

  • Titre traduit

    Accurate motion control of autonomous vehicle based on the motion primitives driven by a robot


  • Résumé

    Autonomous vehicles are expected to be integrated into our daily life. This requires the vehicles to perform human-like actions which can improve the adaptability for human driving habit and achieve precise tracking control under the constraints of vehicle dynamics. This paper deals with the problem by utilizing decoupled strategy consisting of motion learning and generalizing stage and motion optimal control stage. Namely when the vehicle is driven by a robot. In the first stage, a two-level structure for learning and generalizing motion primitives which include the information of path and operation commands is proposed. The lower-level motion primitives are generated under the path segmentation and clustering layer in the upper-level. The Gaussian Mixture Model (GMM) is applied to represent the primitives and Gaussian Mixture Regression (GMR) is selected to generalize the motion primitives. The prediction results are then served as the constraints in the optimal control stage. The second stage uses a quadratic program controller (QP) which generates the longitudinal and lateral commands of the vehicle by using a high-fidelity vehicle dynamic model. We propose a new approach that combines the personalized driving experience of the driver with a control strategy based on the accurate dynamic model. The driving data is collected from the BIT intelligent vehicle platform. Several experiments on the real vehicle and in the dynamic simulator are discussed to verify the algorithm proposed in this paper.