بخشی از مقاله
چکیده
طی چند دههي گذشته، خودوند ساختن عمل رانندگی به وسیله روشهاي هوش مصنوعی به راهگشایی براي ارائه یک رانندگی ایمن و پرهیز از به وجود آمدن ناپایداري کلی خودرو تبدیل شده است. یکی از این روشها، استفاده از روشهاي کنترل هوشمند در زیرساخت-هاي کنار جاده و خودروهاست. هدف اصلی از انجام این پژوهش طراحی یک سیستم کنترلی هوشمند براي فرآیند سبقتگیري با در نظر گرفتن رفتار ریزساختار رانندگان است.
در این پژوهش، در ابتدا براي مدلسازي این رفتار، با استخراج پارامترهاي مورد نظر از مجموعهي دادههاي واقعی، یک مدل شبکه عصبی براي مسیرحرکت رفتار سبقتگیري ارائه میشود. بعد از مدلسازي دینامیک سیستم، یک کنترلر فازي براي هدایت مسیر حرکت خودروي سبقتگیرنده طراحی میشود.
اعتبارسنجی و صحهگذاري کنترلر ارائه شده به صورت کامل با مقایسه با رفتار واقعی راننده انسانی و معیارهاي خطا صورت میپذیرد. نتایج حاصل نشان میدهند که کنترلر ارائه شده قادر است به خوبی مسیرحرکتی مشابه مسیر حرکت مطلوب ارائه دهد. همچنین، بررسیها نشان میدهد که کنترلر طراحی شده در مقایسه با رفتار یک راننده انسانی، نکات لازم را براي راحتی و ایمنی سرنشینان رعایت میکند.
مقدمه
در زمینهي رانندگی و خودرو در دهههاي گذشته پروژههاي تحقیقاتی مختلفی انجام شده است. اکثر این پروژهها روي عملکردهاي درون یک دسته مانند رفتارهاي حرکت-توقف، حرکت در دسته، جدا شدن از دسته، تعقیب خودرو و تغییرخط متمرکز بودهاند. اما به رفتار سبقتگیري و مباحث ایمنی مرتبط با آن بسیار کم پرداخته شده است.
یک فرآیند سبقتگیري به پنج فاز تقسیمبندي میشود که عبارتند از: تصمیمگیري براي انجام سبقتگیري، آماده شدن، تغییرخط از خط راست به خط چپ، حرکت در مسیر مستقیم و رد شدن از خودروي آهسته، و در آخر تغییرخط مجدد از خط چپ به خط راست و ادامه دادن به مسیر مستقیم .[3] این رفتار در شکل 1 نشان داده شده است. در این پژوهش ابتدا به طراحی مدل شبکه عصبی رفتار سبقتگیري پرداخته میشود. سپس، طراحی کنترلر فازي هدایت مسیر حرکت شرح داده و عملکرد این کنترلر بررسی میشود.
شکل :1 نماي رفتار سبقت گیري
مدلسازي رفتار سبقتگیري بر مبناي شبکه عصبی
براي طراحی سیستم کنترلی که بتواند بخشی از این رفتار یا کل رفتار را به طور هوشمند انجام دهد، نه تنها به داشتن اطلاعات دقیق از این رفتار، بلکه به مدلسازي آن نیز نیاز داریم. براي مدلسازي این رفتار روشهاي متعددي وجود دارد. روشهاي مدلسازي اتوماتاي سلولی1 و مدلسازي با معادلات دیفرانسیل از جمله روش- هاي اصلی در مدلسازي هستند. روشهاي مبتنی بر محاسبات نرم مانند شبکههاي عصبی، فازي و شبکههاي عصبی-فازي تطبیقی2 نیز از جمله دیگر روشهاي متداول میباشند
. شبکههاي عصبی مصنوعی ابزار مناسبی براي استفاده از دادههاي واقعی مشاهده شده براي توسعهي مدلها میباشد. این شبکهها با توانایی قابل توجه خود در استنتاج نتایج از دادههاي پیچیده میتوانند در استخراج الگوها و شناسایی گرایشهاي مختلفی که براي انسانها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند .[6-5] بنابراین، به سراغ مدل- سازي بر مبناي شبکههاي عصبی به کمک دادههاي واقعی خواهیم رفت و از مقدار لحظهاي تمامی پارامترهاي موثر روي رفتار سبقت- گیري بهره میگیریم.
براي طراحی مدل رفتار سبقتگیري، مجموعهایی از دادههاي این رفتار لازم میباشد. بنابراین، از مجموعهي دادههاي اداره ي بزرگراههاي فدرال ایالت متحدهي آمریکا و شبیهسازي نسل بعد3، دادههاي رفتار سبقتگیري را استخراج و براي آموزش مدل به کار میگیریم. در این پژوهش، از دو مجموعهي داده که مربوط به دو بزرگراه مختلف میباشند، استفاده میکنیم. در سال 2005، مجموعهي از دادههاي خودروهاي بخشی از بزرگراه 101، در سانفرانسیسکو در کالیفرنیا ثبت گردید. از این بخش به طول 640 متر، دادههاي 6101 خودرو ضبط شد. مجموعهي دادههاي دوم که در این پژوهش استفاده شد نیز توسط ادارهي بزرگراههاي فدرال ایالت متحدهي آمریکا و شبیهسازي نسل بعد منتشر شده است.
محققان این اداره در سال 2005، دادههاي دقیق خودروها درمسیر رو به شرق بزرگراه 80 در منطقه خلیج سانفرانسیسکو در کالیفرنیا را جمعآوري کردند. منطقه مورد مطالعه در حدود 500 متر و داراي شش خط آزادراه میباشد. این دادهها در بازههاي زمانی 0,1 ثانیه نمونهبرداري شدهاند و در 3 بخش 15 دقیقهایی فراهم آمدهاند. هر کدام از نمونههاي اندازهگیريشده، داراي 18 ویژگی هر واحد راننده- خودرو در هر زمان نمونهبرداري بودند. حال، به طراحی مدلی بر مبناي شبکه عصبی براي یافتن مسیر حرکت خودروي سبقتگیرنده میپردازیم
هدف از طراحی این مدل، تعیین مسیر حرکت مطلوب در فرآیند سبقتگیري میباشد. بنابراین، خروجی سیستم را جابجایی خودرو در هر گام زمانی - که با توجه به اطلاعاتی که ما براي طراحی داریم 0,1 ثانیه میباشد - در نظر میگیریم. جابجایی خودرو شامل جابجایی طولی و جابجایی عرضی خودرو در هر گام زمانی میباشد. به منظور هدایت خودرو، دو پارامتر کلی وجود دارد: شتاب خودرو است که توسط پدالهاي گاز و ترمز تعیین میشود و زاویه حرکت خودرو است که توسط فرمان تعیین میشود. بنابراین، وروديهاي شبکه عصبی را شتاب و زاویهي حرکت خودرو در نظر میگیریم. منظور از زاویهي حرکت خودرو، زاویهي بین مرکز ثقل خودرو در لحظهي قبلی با مرکز ثقل خودرو در لحظهي فعلیاش است. این زاویه در شکل 2 با نام نشان داده شده است
شکل :2 زاویهي حرکت خودرو.
دقت شود که این پارامتر در مجموعه دادهها آورده نشده است و باید مقدارش به کمک بقیهي پارامترهاي موجود محاسبه شود. این زاویه به کمک رابطه - 1 - به دست میآید. براي طراحی مدل شبکه عصبی لازم است که ابتدا ماتریسهاي لازم را بر اساس ورودي و خروجیهاي تعیینشده تشکیل دهیم.
فراموش نشود که بعد از تشکیل این ماتریسها باید دادهها فیلتر شوند. در اینجا فیلتر "میانگین متحرك" طراحی و استفاده میشود . براي درك بهتر عملکرد این کد، نتیجه اعمال آن روي دادهي شتاب یک رفتار سبقتگیري در شکل3 نشان داده شده است.
شکل :3 مقایسهي دادهي شتاب قبل و بعد از اعمال فیلتر.
براي آموزش مدل شبکه عصبی از جعبه ابزار شبکه عصبی در نرمافزار متلب استفاده میشود. نوع شبکه از نوع شبکهي Feed-Forward Backpropagation انتخاب میگردد. تابع آموزش از نوع لونبرگ-مارکوارت تعیین شده، و براي یادگیري سیستم، از روش گرادیان نزولی استفاده میشود. تعداد لایههاي شبکه عصبی سه لایه در نظر گرفته میشود. پس از تعیین کلیه پارامترهاي لازم، شبکه در جعبهبزار شبکه عصبی آموزش داده میشود و آمادهي استفاده در سیستم کنترلی میباشد.
طراحی کنترلر فازي هدایت مسیر رفتار سبقتگیري
وجود عدم قطعیتها و عدم دقتها، دخالت استدلالها و منطق انسانی در کنترل خودرو، و همچنین طبیعت غیرخطی جریان ترافیک، لزوم استفاده از روشهاي طراحی کنترل هوشمند مبتنی بر محاسبات نرم مانند منطق فازي را نمایان میسازد. روشهاي کلاسیک معمولاً قادر نیستند کنترلر مناسبی براي فرآیندهاي غیرخطی متغیر با زمان ارائه دهند. رفتار رانندگی نیز به طور حتم جزو این فرآیندها محسوب میشود. تاکنون، پژوهشهاي کمی به ارائهي کنترلر فازي براي رفتارهاي سبقتگیري پرداختهاند. دو کنترلر فازي ارائه شده توسط [9] Naranjo و [10] Jin- ying در سال 2008 و کنترلر فازي ارائه شده توسط [11] Perez در سال 2011 جزو معدود کارهاي انجام شده در این زمینه میباشند. این کنترها تفاوتهاي ساختاري و پارامتري زیادي با هم داشتند. از آن-جائی که کنترلرهاي بررسی شده، اهداف کنترلی متفاوتی داشتند، در نتیجه ورودي-خروجیهاي متفاوتی نیز داشتند. متعاقباً، نوع و تعداد توابع تعلق هر پارامتر ورودي یا خروجی نیز، بسته به نیاز هر سیستم کنترلی تعیین گردید. با این حال، توجه به چند نکته ضروري است.
نکتهي اول این که هیچکدام از کنترلرهاي بررسی شده، ارائهي مسیرحرکت مناسب و ایمن براي رفتار سبقتگیري را به عنوان هدف کنترلیاشان در نظر نگرفتهاند. نکتهي بعدي این است که در کنترلرهاي بررسی شده، بحث ایمنی به عنوان یک فاکتور تاثیرگذار در طراحی کنترلر در نظر گرفته نشده است. بنابراین در این پژوهش، به دنبال طراحی کنترلري خواهیم بود که بتواند به طور هوشمند، رفتار رانندهي انسانی را در تعیین مسیر حرکت شبیهسازي کند و در عین حال، در حین صدور فرمانهاي کنترلی، بحث ایمنی را نیز در نظر بگیرد.
قدم اول در طراحی کنترلر، تعیین ورودي و خروجیهاي سیستم کنترلري است. در این پژوهش به دنبال یافتن مسیر حرکت مطلوب و ایمن هستیم. بنابراین، جابجائی عرضی و طولی مطلوب به عنوان مقدار مطلوب سیستم کنترلی در نظر گرفته میشود. براي این کنترلر دو متغیر شتاب و زاویه¬ي حرکت خودروي سبقتگیرنده به عنوان خروجی در نظر گرفته میشوند. علت انتخاب این دو پارامتر به عنوان خروجی این است که این دو، پارامترهایی هستند که راننده میتواند به طور مستقیم روي آنها اثر بگذارد.
بعد از تعیین ورودي خروجیهاي کنترلر فازي، قدم بعدي تعیین نوع و بازهي تغییرات توابع عضویت متغیرها و تعیین قوانین اگر–آنگاه فازي میباشد. شکل 4 نمائی از توابع عضویت ورودي اول کنترلر را نشان میدهد. براي ورودي دیگر نیز تعداد هفت تابع عضویت گوسی در نظر گرفته شد.
شکل :4 نوع و تعداد توابع عضویت ورودي اول
در طراحی این کنترلر از استنتاج تاکاگی-سوگینو استفاده می-
شود .[12] قوانین کنترلر فازي بر اساس دو معیار انتخاب میگردند.
موضوع اول اینکه نتیجه سیستم کنترلري باید تا حد قابل قبولی مشابه رفتار راننده انسانی باشد. دوم اینکه، در انتخاب مسیرحرکت، ایمنی در نظر گرفته میشود. با رعایت این دو نکته، پایگاه قوانین این کنترلر ساخته میشود. همچنین، براي غیرفازيسازي از روش مرکز مساحت استفاده میشود. شکل سطح کنترل براي یک پارامتر سوگینو از خروجی اول در شکل 5 نشان داده شده است. همانطور که مشاهده میشود سطح نشان داده شده سطح یکنواختی دارند که این یکنواختی نشان از طراحی مناسب این خروجی میباشد.
شکل :5 سطوح کنترل یکی از پارامترهاي سوگینو خروجی اول.
نتایج
براي بررسی عملکرد کنترلر، از شبیهسازي سیستم نهائی در فضاي سیمولینک نرم افزار متلب استفاده میشود. یکی از اهداف کنترلر، کنترل تغییرات شتاب و ایجاد زاویهحرکت مطلوب و در عین حال ملایم براي یک حرکت ایمن و یکنواخت میباشد. بنابراین شتاب زاویهي حرکت خودرو که توسط سیستم بدست میآید، نباید دچار تغییرات ناگهانی شود. در شکل 6 و 7 مقایسهي نمودار شتاب و زاویهي حرکت خروجی سیستم با مقادیر واقعی آنها براي یک خودروي تست آورده شده است.
شکل :6 مقایسه شتاب خودروي تست اول
شکل :7 مقایسهي زاویهي حرکت خودروي تست اول
هدف کنترلی نهائی داشتن مسیر حرکتی شبیه مسیر حرکت واقعی است که در عین تشابه با مسیر واقعی، باید شروط ایمنی هم در آن رعایت شده باشد. در شکل 8 نمودار مسیر حرکت مربوط به دادههاي واقعی در مقایسه با رفتار حاصل از سیستم کنترلی براي خودروي تست قبلی رسم شده است.
شکل :8 مقایسهي مسیرحرکت خودروي تست اول
حال عملکرد سیستم کنترلی را به کمک معیارهاي خطاي دو متغیره بدست میآوریم. در این رابطهها، X - t - و x - t - به ترتیب بیانگر مختصات x و Y - t - و y - t - نیز بیانگر مختصات y هستند. هم-چنین، N تعداد دادهها در مدت زمان جابجایی t است
انحراف افقی مطلق جابجایی4، انحراف میانگین بین مسیرحرکت پیشبینی شده و مسیرحرکت واقعی را نشان میدهد. مقدار این معیار بر حسب m است. این معیار در رابطه - 2 - آورده شده است. انحراف افقی نسبی جابجایی5، از تقسیم انحراف افقی مطلق جابجایی بر جابجائی کل مسیرحرکت واقعی به دست میآید.
