matlab画图位置_matlab自带的例子在哪

为什么现在自动泊车体验都不好？自动泊车技术难度在哪里？如果泊车都做不好，L4无人驾驶可行吗？ 　　一、研究背景 　　1.1 应用现状 　　人类的懒惰促成了科技的进步，在拥堵路段开车，在窄路会车，在昏暗路面行驶，可以说是一件一件让人头疼的事情，早在1995 年，美国的卡耐基·梅隆大学推出了自动驾驶汽车，在高速路上实现了高达5000 多公里的无人驾驶实验。随着计算机硬件技术的发展，算力的不断提升，深度学习的蓬勃，计算机视觉、感知融合等技术让自动驾驶感知能力上了一个台阶2009 年，谷歌设立了自动驾驶部门，并于2016 年12 月独立成为Waymo，成为Alphabet 公司旗下的子公司。2013 年，百度于2017 年发布了自动驾驶开放平台Apollo。 　　不论是以视觉技术为主的Tesla，还是以高精地图融合视觉技术、毫米波雷达的其它主机厂，都推动了自动驾驶技术的进步与发展。比如基于采样方法的时空联合与时空解耦技术，通过局部最优后合成全局最优路径；基于图搜算法的A*算法及其变种；基于优化的方法；基于随机采样的方法，虽然着这种算法灵活性高，但不适用于结构化道路。 　　还有目前较火的基于深度学习的算法，将学习到的模型嵌入基于规则的决策规划架构内可以扬长避短，且逐渐成为趋势。 　　1.2.1、自动驾驶模型设计顶层逻辑 　　

顶层逻辑 　　自动驾驶模型设计，从场景需求端出发，依照“感知”、“规划”、“控制”三大模块的串并联关系进行系统开发，按照”V“模型开发理论，可以抽象为系统设计，组件设计，软件设计。将设计好的模型，通过闭环仿真探讨方案模型可行性。在闭环仿真方面，本课题仅需实现”control-in-loop“，对于要求更高的”perception in loop“不予讨论。 　　1.2.2 本课题研究预设 　　

1.高精地图（HD Map）应用采集车绘制的离线地图，用于获得道路位置和形状、限速信息、围栏位置等静态道路信息。本课题简化模型，假设所有道路信息已知。2.路由（Routing），通过全局规划获得的需要走哪条路，用于规划自车前进方向和在路口选择道路[1]；3.感知（Perception），通过摄像头、毫米波雷达、激光雷达等得到静态或者动态障碍物的位置、运动状态和形状大小，用于实现安全避障；4.预测（Prediction），通过各障碍物的当帧信息和历史信息，结合地图信息来判断障碍物未来的运动状态，用于避让动态障碍物；5.决策规划（Decision and Planning），本项目默认使用基于有限状态机的方法实现换道行为的行为决策。这种方法通过限制自车行驶的可行域来实现车道保持、换道、借道等行为。比如规划一条安全、平滑、可跟随的路径，在这条路径中判断需要与哪些障碍物交互，对存在交互的障碍物进行抢行或者让行决策，将速度规划的可行域压缩为一个图空间；6.控制（Control）控制模块接收决策规划模块输出的轨迹后，根据自车状态，计算出控制量。本课题中控制模块借用成熟的横纵向解耦的方法，横向控制使用LQR算法、纵向控制使用双PID算法来控制。 　　1.3 问题提出 　　对于低速行泊车会车场景而言，因为其具有结构化道路场景所不具有的博弈会车策略，所以该场景研究向来都是各自动驾驶技术研究企业重点突激活成功教程决的锚点。在该路径下需要基于优化的方法对对向障碍车辆进行轨迹识别，从而修正自车轨迹。 可以说，解决好低速行泊车会车场景，就解决了自动驾驶top问题。所以本课题旨在研究该场景下的决策逻辑与算法。 　　停车场属于道路条件十分复杂的低速非结构化道路，需要设计单独的决策规划策略来处理。而且由于存在两车或者多车交互场景障碍物的行为会受到自车行为影响，所以常见的‘’先预测，再决策‘’的思路无法适应本课题研究对象。 　　在课题研究中，应该严格以驾驶过程中的安全性、平顺性、高效性三个维度作为衡量的标准。 　　二、过程展示 　　本课题主要研究对象为低速行泊车会车场景，分别对决策原则、换道行为、路径规划、速度规划基础模块进行了设计，其中换道行为采用Cartesian坐标系，可以很好地将曲线道路直线化，路径规划则依赖高精地图，运用A*算法对路径进行决策规划。 　　通过几个基础模块的设计，融合窄路会车场景，实现窄路下的非结构化道路的会车逻辑设计，从而生成合理的行车路径。从而解决课题前面摆出的问题。对于驾驶行为的博弈，则采用Stackelberg博弈模型对行为策略进行简化。 　　最后利用Matlab Simulink 以及软件自带的Driving Scenario Designer构建轻量化场景并进行算法验证。 　　三、解决策略 　　3.1 博弈模型 　　3.1.1 基本决策原则： 　　避免过于激进，又不完全保守：如果在单车会车场景中，决策过于激进，会带来严重的安全隐患； 如果过于保守，又会带来相互等待，通行效率低的尴尬场景。可以简化为在 尽可能快的车速下，安全抵达目的地。 　　RSS责任敏感安全模型： 　　不从后方撞击其他障碍物； 　　不激进地Cut-in； 　　路权不是抢夺的，是让与的； 　　小心应对观察受限的区域； 　　如果能做到避免事故发生，就必须主动避免事故发生。 　　对于电车而言，还应该增加决策为：尽量走非拥挤道路，以提供更长的续航里程。 　　3.1.2 Stackelberg博弈模型： 　　在单车会车场景中，自车和来车双方的行为都受对方决策的影响，而且，双方都会仔细看清周边环境后，做出信息决策，比如来车在寻找停车位，速度非常慢，而且自车司机在察觉周边无安全隐患的前提下会采取借道策略，当来车发现自车已经变道成功，则会采取避让策略，否则会引发交通事故，且单方面承担责任。 　　这一博弈模型非常符合Stackelberg的两阶段完全信息动态博弈。该博弈模型的主要思想是：根据对方可能的策略来选择自己的策略以保证自己在对方策略下的利益最大化，从而达到纳什均衡。在该模型中，先做出决策的一方成为Leader，根据Leader行为进行决策的角色被称为Follower，Follower做出决策后，leader再根据其决策调整自己的决策，如此往复，从而达到纳什均衡。 　　在本课题中，博弈模型的cost仍然是上面讲到的：安全性、平顺性和高效性。 　　参考国外研究，本课题直接借用该模型所产生的公式，对路径决策进行规划。 　　3.2换道行为决策 　　在换道行为中，压实线、非必要地压线、长时间压线行驶行为都是不合理的，会违反交规甚至带来安全风险。换道行为决策要求在满足交规、保证安全的基础上，让自车可以安全地进行变道超车、进入匝道等行为，来保证通行效率、安全性、平顺性。 　　3.2.1换道行为决策状态设计 　　在低速泊车场景中，如果涉及换道行为，那么必然为必要换道行为，否则该行为属于激进行为，不能予以应用。比如路由限制、安全因素考虑、借道场景等。对于每种场景都涉及“准备阶段”和“执行阶段”。在准备阶段中，自车只是进行车道内的动作，无侵入对向车道行为，在执行阶段，需要自车快速完成，否则会造成“骑线”行驶的危险行为。 　　对于静态障碍物，比如直角弯等，通过路径决策生成边界约束，直接将障碍物当前占据的空间从可行域中去除； 　　对于逆行障碍物，则会启动会车场景。

转移条件 　　3.3路径规划算法 　　路径决策规划算法最终输出的是一个在Cartesian坐标下的坐标以及车头朝向角和曲率。本课题下的路径规划生成需满足如下驾驶要求： 　　（1）不能发生碰撞。需要在充分考虑感知和控制模块误差的情况下，合理规划路径，避免对静态和低速障碍造成碰撞； 　　（2）符合运动学约束。包括路径曲率、二次曲率等； 　　（3）体感较好。这意味着曲线要尽可能平滑，方向盘转角小，侧向加速度较小，乘坐体验好。 　　本课题采用分隔建图后，使用图搜索的方式完成路径规划。 　　路将静态障碍物和同向障碍物简化为矩形，采用膨胀法，对障碍物进行简化。

　　上一个障碍物没有完成绕行时，在上一个方向基础上继续考虑下一个障碍物，递归执行。 　　3.4速度规划算法 　　计算自车轨迹之后，计算自车轨迹与其他每个障碍物预测轨迹的最小距离，如果轨迹相交或者最小距离小于安全距离，则需要在速度规划模块考虑这个障碍物。 　　由此需要绘制T-S图，其中s 为障碍物占据在自车规划路径的位置，t 为障碍物占据的时刻。让行和抢行的T-S图见下：

让行 抢行 　　生成所有组约束边界后，依此评价每组解的约束边界的质量，最终选择最优的一组解作为速度决策模块的输出。 　　3.5会车交互场景决策规划算法 　　会车过程中自车和对向车均会产生多种轨迹，假设生成了m 条自车轨迹，n 条目标障碍物轨迹，则共有m*n 组解；交互评价分为安全性、平顺性、高效性三个角度，通过对不同组合路径下的三个维度的价值评分，从而得出最优会车算法。 　　其中高效性，我采用对生成的线路进行拓扑简化（图论技术），然后利用Bellman-ford求出最短路径，其中该算法C++代码如下：其中dis数组用来记录源点到其余各点的最短路径。 　　通过最短路径算法，再结合前述的Stackberg博弈模型，通过加权平均，即可得出动态优化的路径决策，实现窄路低速会车场景功能。 　　四、仿真分析 for(int k = 1 ; k <= n – 1 ; k ++) { for(int i = 1 ; i < m ; i ++) { if(dis[v[i]] > dis[u[i]] + w[i]) dis[v[i]] = dis[u[i]] + w[i] ; } } 　　本课利用Matlab进行算法验证，利用绘制好的地图制作出离线的参考线与车道宽度等信息作为离线地图信息。在Simulink 中完成了决策规划算法具体实现，对自车未来8s 内的轨迹进行规划，车宽设为1.8m，车长设为4.7m。 　　利用Driving Scenario Designer构建窄路会车场景，并将其模块化入simulink中。 　　控制部分，则采用simulink提供的Powertrain Blockset模块，对方向盘、底盘等进行建模。 　　通过仿真，生成窄路会车场景下的T-S图。







窄路会车T-S图 　　五、总结 　　本课题首先给出了一套基于高精度地图在结构化道路下可以处理静态障碍物和多种动态障碍物的决策规划算法，接着对于会车场景设计了专门的规划逻辑来处理。 　　不过，本课题的前设条件：地图、感知、定位等上游模块，被过度理想化，但是在实际工程中，上游模块存在着或多或少的噪声，并且帧间稳定性也较差，在后续研究中可以考虑上游信息不稳定、不准确时需要如何处理。 　　另外本课题所涉及的算法依赖大量参数，为了获得较好的自动驾驶性能，需要较大的精力对这些参数进行调试，而且运营区域变化、上下游模块变化、硬件变化时，许多参数需要重新调教，这费时又费力，后续研究可以聚焦到如何对这些参数进行高效地调整。 　　最后，后续应该增强Unreal engine的学习，通过将Matlab与UE结合，从而实现“感知闭环”的仿真建模。