طراحي مسير مانور تعويض خط در وضعيت اضطراري، مبتني بر عملكرد راننده‌ ماهر

Lane Change Path Planning in Emergency Situation Based on Skilled Driver's Performance

تعويض خط در سرعت هاي بالا، يك مانور راهبردي جهت اجتناب از برخورد است. در اين شرايط زمان امكان بروز حادثه عمدتاً كمتر از s2 است؛ لذا يافتن مسير مناسب و كنترل خودرو با كمترين هزينه زماني از اهميت بالايي برخوردار است. در اين مقاله، براساس عملكرد راننده‌ ماهر در شرايط مشابه، مسير مناسب و سيستم كنترلي متناسب با آن، با هدف پايداري خودرو و اجتناب از برخورد طراحي شده است. براي اين منظور، با شبيه سازي عملكرد راننده ماهر بوسيله مدل ديناميكي 7 درجه آزادي خودرو، مسيرهاي احتمالي شناسايي و با‌ آموزش يك شبكه عصبي، مسير نهايي انتخاب شده است. جهت هدايت خودرو از يك كنترل‌كننده‌ تركيبي، شامل: معادلات رفتاري راننده با يك سيستم شبكه‌ عصبي پوششي و دو كنترل‌كننده‌ تناسبي-مشتقي استفاده شده است. مهم‌ترين نوآوري‌هاي اين روش، طراحي هم‌زمان مسيرهاي پايدار با حفظ قيد هندسي عدم برخورد و هزينه محاسباتي و زماني ناچيز سيستم كنترلي و طراحي مسير براي شرايط اضطراري است. نتايج حاصل از شبيه‌سازي‌ها نشان مي دهد بيشترين خطاي شبكه عصبي طراحي مسير حدود 11 درصد است. همچنين سيستم كنترلي توانسته در شرايط مختلف سرعتي و اصطكاك جادهاي، با حداكثر خطاي جابه جايي عرضي cm40 خودرو را هدايت و مسير را دنبال كند.

Lane Change at high speeds is a strategic maneuver to avoid the collision. In this situation, The time of an accident possibility is mainly less than two seconds. therefore, finding the proper trajectory and control of the vehicle is crucial at the lowest cost. In this paper, based on a skilled driver’s performance in a similar situation, a proper path and corresponding appropriate control system was designed aiming at vehicle stability preserving and collision avoidance. To this purpose, possible paths were simulated and identified using the vehicle's seven degrees of freedom model and applying the driver’s behavior. A neural network system was trained; then, the trajectory was chosen. A hybrid controller was hired for the vehicle navigation, consisting of the driver's performance pattern with a covering neural network and two proportional derivative controllers. The Novelties of this method are the simultaneous design of a stable path while maintaining geometric constraints and the low computational burden of the path planning and control system. The results show that the highest neural network error is about 11%. Also, the control system has been able to steer the vehicle and follow the trajectory with 40cm maximum lateral displacement error in the speed and road friction different conditions.