摘 要
智能车辆是一个集环境感知、规划决策、自动驾驶等多种功能于一体的综合系统。它是目前各国重点发展的智能交通系统中一个重要组成部分，同时在柔性制造和装配系统、军事领域以及特殊环境下也得到广泛运用。发展智能车辆能够提高车辆行驶的安全性、舒适性，达到提高交通效率、改善交通环境的目的。
本文对智能车辆的相关关键技术进行了研究，包括控制体系结构、图像识别、跟踪控制。智能车辆的控制体系结构是智能车辆信息处理和控制系统的总体结构，是整个系统的基础。
跟踪控制系统根据导航路径识别结果完成对路径的跟踪控制，其核心是跟踪控制器的设计。考虑到常规的反馈控制仅利用当前的路径信息，在复杂条件和突发状况下难以有效工作，在导航路径中划分出当前路径和未来路径，分别用于反馈控制和预瞄控制，设计了预瞄加反馈的控制器。该控制器能够自动根据导航路径的弯曲程度调整智能车辆的预瞄距离和行驶速度，从而提高了路径跟踪的精度和行驶的稳定性。
关键词：智能车辆 控制体系结构 图像识别 路径跟踪
1绪论
智能车辆(Intelligent Vehicle)又称轮式移动机器人(Wheeled Mobile Robot)是一个集环境感知、规划决策、自动驾驶等多种功能于一体的综合系统。它致力于提高汽车的安全性、舒适性和提供优良的入车交互界面，是目前各国重点发展的智能交通系统一个重要组成部分，也是世界车辆工程领域研究的热点和汽车工业增长的新动力[1]。
1.1智能车辆概述
1.1.1智能车辆的研究意义
随着经济和社会的迅速发展，交通基础设施的瓶颈制约作用越来越明显。这种制约不仅体现在交通堵塞问题日益突出，同时还体现在由于交通不畅而造成的环境污染问题及相对落后的道路和先进的车辆对人们的生命、财产所形成的安全隐患。正因为如此，智能交通系统(Intelligent Transportation Systems，ITS)日益受到欧洲、日本、X等发达国家的重视并成为研究热点。他们相继启动了各种以智能交通系统为目标的研究与开发项目。如欧洲的PROMETHEUS和DRIVE项目，日本的VICS和ARTS项目，X的IVHS项目[1-2]等,各国家各地区研究的项目内容，对智能交通系统的定义不尽相同，各项目的重点也有所不同，但目标都是综合利用新的信息技术、计算机技术、自动化技术、管理技术等，来提高道路和车辆的利用效率，提高安全性，减少污染及阻塞的发生。
ITS一般由两部分组成，即智能道路及交通控制系统和智能车辆系统IVS(Intelligent Vehicle System)。目前智能道路系统的构筑还处于起步阶段，相应的基础设施建设周期长且投资大，所以发展智能车辆及车辆自主行驶系统，通过提高车辆自身智能的方案是目前实现安全、高效的自主行驶的最佳选择，同时它还可为开发将来在完备的自动高速网络环境中运行的智能车辆奠定基础。
智能车辆作为智能车辆系统的基本组成单元，可以集成如视觉技术、触觉技术、自主控制和决策技术、多智能体技术、智能控制技术、多传感器集成和融合技术等许多最新的智能技术，从而能够完成很多高智能工作。我国也已经把智能车辆列入国家高新技术计划，足以证明XX有关部门对发展智能车辆的高度重视。
1.1.2智能车辆的应用范围
由于智能车辆具有环境感知、规划决策、自动驾驶等功能，目前已经在以下场合得到了广泛应用。
1.智能交通系统[3]
为解决交通问题，各发达国家在ITS的研究上均投入了大量的人力、物力。自然而然，智能车辆就成为ITS的一个重要的组成部分，得到越来越多的重视。
2.柔性制造系统和柔性装配系引[4]
在计算机集成制造系统中，智能车辆用来运输工件，能够极大的提高生产效
率，降低生产成本。
3.军事领域[5]
智能车辆的研究也受到了军方的关注。以智能车辆作为其它智能武器的安装平台，能够实现全天候的自动搜索、攻击动静态目标，能够极大的提高在高新技术战争中的攻击力，减少人员伤亡。
4.应用于其它特殊环境
智能车辆在有毒或放射性环境下运输，能发挥其特有的优势。此外，还可以应用于野外探险、消防、救灾现场等[6]。
1.1.3智能车辆的研究状况
1.国外研究概况
国外对于智能车辆技术的研究始于20世纪70年代末，最初是军方用做特殊用途的，80年代得到了更深入的研究。进入90年代后，由于与智能交通系统的结合，开始进入深入、系统、大规模研究阶段。西方各国对智能车辆技术的研究都投入了大量的人力、物力，智能车辆技术也相继取得了突破性的发展，尤其是美、日、欧等发达国家已经抢先一步，在智能车辆安全保障以及安全辅助导航技术取得了许多有价值的研究成果，如自适应巡航控制(Adaptive Cruise Control，ACC)或智能巡航控制(Intelligent Cruise Control，ICC)系统、防碰撞系统(Collision Avoidance System，CAS)以及汽车队列(Platoon)等，并产生了明显的社会和经济效益。
比较有代表性的智能车辆有：X国防高级研究计划局(DARPA)与陆军合作研制的世界上第一台地面自上车辆(ALV)[7][8]如图1-1所示。它采用高速计算机、三维视觉、先进的传感器和卫星导航等各种当时最新的或正在开发的技术，利用路标识别技术导航，在较平坦的越野环境中，以l0干米/时的速度自主行驶了20千米。X卡内基.梅隆大学自上世纪80年代以来，先后开发了Navlab系列地面智能车辆[9]。
1992年研制的Navlab II自主车[10]在道路上以75千米/时的速度自主驾驶了32千米。德国自80年代初期开始，奔驰公司与位于慕尼黑的联邦国防火学进行合作，已先后研发出VaMoRs[11]和VaMoRs-p[12][13]两种实验车。法国帕斯卡大学自动化与电子材料科学实验室与法国雪铁龙汽车技术中心合作，研制了 Peugeo系统。法国国防部也开发了DARDS自主侦察演示车[14](如图I-2所示)，既可自主驾驶，也可遥控。
日本防卫厅技术本部第四研究所也研制了一种多用造自主车[15]，如图1-3所示。它可在崎岖的道路上自主行驶，可用于扫雷，也可作侦察车使用。
2.国内研究概况
我国是世界上公路交通发展最快的国家之一，汽车保有量迅速增加的同时，交通引发的各种问题尤其是行驶安全问题也日益突出，交通事故特别是恶性交通事故呈不断上升趋势，因此研究开发ITS势在必行，而作为ITS的重要组成部分，智能车辆研究亦显得尤为迫切。但由于起步晚，以及经济条件的制约，我国在智能车辆研究领域与发达国家有一定的差距，目前开展这方面研究工作的单位主要包括一些大学和科研机构，如国防科技大学、清华大学、吉林大学、北京理工大学、中科院沈阳自动化研究所等[16-18]。
一汽和国防科技大学机电工程与自动化学院共同研发了中国第一辆自主驾驶车辆，如图1-4所示。该自主驾驶技术采用最先进的计算机视觉导航方案，能实时处理岔道、斑马线和虚线，对车体姿态变动和自然光照变化都有较强的自适应能力。
1993-1995年，由南京理工大学、北京理工大学、浙江大学、国防科技大学、清华大学等国内六所大学联合组成的课题组承担了“地面军用智能机器人”的研究项目，移动机器人的代号为7B.8。7B．8系统的车体选用国产跃进客货车改制，车上安装有彩色摄像机、激光雷达、陀螺惯导定位、超声波传感器等。其体系结构以水平式结构为主，采用传统的“感知—建模—规划—执行”算法，其直线跟踪速度达到20km／h，避障速度达到5～10km／h。
清华大学计算机系智能技术与系统国家重点试验室在国防科工委和国家863计划的资助下，从1988年开始研制THMR(Tsinghua Mobile Robot)系列移动机器人系统。THMR-111系统的车体选用BJl022面包车，上面安装有彩色摄像机、磁罗盘光码盘定位、GPS、超声等传感器。它的体系结构以垂直式为主，采用多层次“感知一动作”行为控制、基于模糊控制的局部路径规划及导航控制。THMR．III自主道路跟踪时，时速达到5～10km/h。THMR.V系统能够实现结构化环境下的车道线自动跟踪，准结构化环境下的道路跟踪以及复杂环境下的道路避障等功能。
吉林大学交通学院智能车辆课题组从1992年开始一直开展智能车辆自主导航研究。在智能车辆的体系结构、传感器信息的获取与处理、路径识别与规划、智能车辆前方障碍物探测及车距保持等方面取得一定研究成果，目前已经研制了4代JUTIV型智能车辆。
合肥工业大学机械与汽车工程学院对智能车辆的相关技术进行了研究，在智能车辆的控制体系结构[19-20]、路径图像识别和跟踪控制[21-22]、路径规划和避障[23]等方面取得了一定成果。
1.1.4智能车辆的研究方向
目前智能车辆的研究方向主要有以下几个方面[16]。
1.驾驶员行为分析(Driver Behavior Analysis)，主要研究驾驶员的行为方式、精神状态与车辆行驶之间的内在联系，目的是建立各种辅助驾驶模型，为智能车辆辅助驾驶或自动驾驶提供必要的数据，如对驾驶员面部表情的归类分析能够判定驾驶员是否处于疲劳状态，是否困倦瞌睡等。
2.环境感知(Environmental Perception)，主要是运用传感器融合等技术，来获得车辆行驶环境的有用信息，如车流信息、车道状况信息、周边车辆的速度信息、行车标志信息等。
3.极端情况下的自主驾驶(Autonomous Driving on Extreme EOBI’S)，主要研究在某些极端情况下，如驾驶员的反应极限、车辆失控等情况下的车辆自主驾驶。
4.车辆运动控制系统(Vehicle Motion Control Systems)，研究车辆控制的运动学、动力学建模、车体控制等问题。
5.车辆交互通信(Inter-Vehicle Communications)，研究车辆之间有效的信息交流问题，主要是各种车辆间的无线通信问题。
6.结构(System Architectures)，研究智能车辆系统的结构组织问题。
7.主动安全系统(Active Safety Systems)，和被动安全相对比，主动安全系统主要是以预防为主，如研究各种情况下的避障、防撞安全保障系统等。
上述各研究方向也可比较概括的划分为以下三个大的研究方向。
1.监控、警告系统。此部分研究前方碰撞警告、盲点警告、行车道偏离警告、换道警告、十字路口防撞警告、行人检测、倒车警告等方面的问题。
2.半自主式车辆控制系统。与上一部分相比，此部分具有更高级的车辆自动化，如当驾驶员对警告来不及反应时，系统接管车辆的控制，通过控制车辆的转向、制动等使车辆回复到安全状态。
3.自主车辆控制系统。此部分具有完全的车辆自动化，研究包括车辆自适应巡航、道路保持、低速等距行驶、排队行驶等方面的问题。
1.2智能车辆的关键技术
智能车辆的研究涉及到计算机视觉、传感器数据融合、车辆工程、计算机控制等诸多领域。其主要关键技术如下。
1.2.1导航技术
1.计算机视觉
当我们驾车时，我们所接收的信息几乎全部来自于视觉。交通信号、交通图案、道路标识等均可以看作是环境对驾驶员的视觉通讯语言。很显然，人们就考虑到应用计算机视觉来解释这些环境语言。视觉系统在智能车辆研究中主要起到环境探测和辨识的作用。与其它传感器相比，机器视觉具有检测信息大、能够遥测等优点。当将计算机图像信息与其它背景知识及其它传感器相结合，能快速提取复杂环境中的有用信息，进而产生合理的行为规划与决策。在行车道路检测、车辆跟随、障碍物检测等方面，机器视觉都起着非常重要的作用，是智能车辆研究中最重要的一种传感器。
要使车载计算机视觉导航系统成为可能，必须使它具备实时性、鲁棒性、实用性这三方面的技术特点。实时性是指系统的数据处理必须与车辆的高速行驶同步进行；鲁棒性是指智能车辆对不同的道路环境，如高速公路、市区标准公路、普通公路等，复杂的路面环境，如路面及车道线的宽度、颜色、纹理、动态随机障碍与车流等，以及变化的气候条件，如日照及景物阴影、阴天与雨雪等均具有良好的适应性：实用性是指要求智能车辆在体积与成本等方面能够为普通汽车用户所接受。为此，必须首先解决计算机及图像采集系统在体积及价格上的问题，即计算机在体积越来越小的前提下要有越来越强的计算能力，且成本与车辆总体的价格相比所占比重要很小。同样，图像采集系统在价格低廉的前提下的图像采集速度及图像前处理能力要强。随着计算机及电子技术行业迅猛的发展，在硬件条件上这已经成为可能[24]。
2.引导磁钉或引导电缆
这种导航技术通过在车道下埋设磁钉或电缆来为智能车辆提供导航信息。其优点是具有较好的环境适应能力，在雨天、冰雪覆盖、光照不足、无光照的情况下都可以提供可靠的导航信息。其不足之处在于探测范围小，且需要对现行的道路设施做较大的改造。
XChrysle公司和日本丰田公司的室外驾驶机器人均采用了电缆引导的方式，著名的XPATH项目以及X明尼苏达州的高速公路自动扫雪车采用了磁性导航方式。
3 .惯性导航系统
捷联惯性导航系统(Strapdown Inertial Navigation System，SINS)是一种完全自主式的导航系统，具有隐蔽性好、抗干扰、不受任何气象条件限制的优点，此外还具有数据更新率快、短期精度高和稳定性好等特点。长期以来，惯性导航系统的研究和应用一直以军事应用为主要目的。这主要是由于惯性导航系统的成本较高，难以在民用领域得到应用。
近年来，低成本惯性测量器件(InertiaMeasurementUnit，m仍)的研究取得了快速的发展，为民用领域采用捷联惯性导航系统创造了条件。但是，短期内民用导航领域的惯性测量器件不可能具有较高的精度，使得SINS在较短时间内就会累积较大的导航误差。显然，这无法满足智能车辆长时间、高精度的导航要求。因此，在现有条件下，一般不单独采用SINS，而是将它与其它导航设备组合构成组合导航系统。这样不仅可以修正SINS的累积误差，而且还保留了SINS自身的优势。
4.全球定位系统／数字地图
全球定位系统(Global Positioning System，GPS)能够为全球用户实时而全天候地提供三维位置、速度和时间信息，并且没有累积误差。而载波相位差分GPS技术(Carrier phase differential GPS，CP．DGPS)已可以达到厘米级的动态测量精度。
目前，车载数字地图(Digital Map，DM)技术得到了较大的发展与应用。车载数字地图基本上用于辅助驾驶，主要是为了给驾驶员提供位置信息、路径规划与诱导信息等。在车辆的自主驾驶研究中，同样也可以利用DM进行导航与路径
引导。但由于应用背景的特殊性，在精度、内容和功能上对数字地图提出了特殊的要求，需要进行专门的制作。
1.2.2传感器及其数据融合
智能车辆的导航需要依据相关传感器获得的车辆位姿信息和路面环境信息作出决策，并由执行机构驱使车辆达到期望的状态。其中，利用传感器精确可靠地获取各种信息是导航的关键环节。因此，研究如何将传感器得到的信息加以有效处理、分析，并准确无误地把握环境的技术是重要的。研究表明：单一传感器很难提供导航系统所要求的精度和可靠性[25-27]。目前，在智能车辆领域除视觉传感器外，常用的还有雷达、激光、GPS(Global Position System)等传感器。
1.2.3智能控制
智能控制代表着自动控制的最新发展阶段，也是应用计算机模拟人类智能，实现人类脑力劳动和体力劳动自动化的一个重要领域。因智能控制是一门新兴学科，人们目前认为其包括递阶控制系统、专家控制系统、模糊控制系统、神经控制系统、学习控制系统5个方面[29]。
总体来讲，智能控制具有以知识表示的非数学广义模型和以数学模型表示的混合控制过程，也往往是那些含有复杂性、不完全性、模糊性或不确定性以及不存在已知算法的非数字过程。其本质与智能车辆的本质相一致，故在智能车辆上取得了广泛的应用。目前X及日本已经有应用专家控制系统知识建立的车辆辅助驾驶产品。该种产品能够提供合理的驾驶策略，如是否可超车、换道等动作；给出环境危险性警告，如前后车的安全距离等信息；监督驾驶员的精神状态，如驾驶员是否困倦等。
1.2.4智能车辆控制体系结构
智能车辆集多种传感器数据融合、视觉信息处理、环境建模、跟踪、避障等功能于一体；同时，由于现实环境的非结构化和不确定性，导致现有智能车辆缺乏灵活性和自主性。典型的例子是大多数智能车辆均是在高度结构化的环境下执行预先规定的动作序列，在新的环境下或遇到意外情况时不能很好地完成任务。引发问题的主要原因是现实环境是非结构化的，存在不确定性。具体体现在：关于环境的先验知识通常是不全面的、不确定的和近似的；感知器得到的信息通常是不可靠的，存在着噪声和测量误差；现实的环境通常具有复杂和不可预测的动
态特性，如物体的移动、环境的改变等；控制作用并非完全可靠，如车轮打滑等等。为了解决上述存在的问题，目前的研究重点已集中在设计一种良好的控制体系结构，能克服环境的不确定性，可靠地完成复杂任务，且成本低，鲁棒性好[30]。
体系结构的主要任务是如何把感知、规划、决策和行动等各种模块有机地结合起来。智能车辆系统能够模拟人的智能行为和功能，其体系结构的作用包括：①把各个子系统连接成一个整体，包括各个部件的接口规范、通讯协议和数据流程。②统一管理、调度各个子系统，控制它们功能的发挥，按总体工作模型进行协调工作，使各子系统步调一致地完成总体任务。可见，智能车辆系统的体系结构起到了总体集成及总体调度的作用，其设计的优劣直接关系到系统整体性能的发挥和智能水平的高低。
目前最典型的体系结构为分层递阶式和包容结构[31]。分层递阶式将智能控制系统分为三级：组织级、协调级和控制级。它采用的自上而下的基于层层分解的问题求解的方法，与人类思考问题的方式相类似，具有很高的智能，其缺点是反应速度太慢。包容结构自底向上构建系统，是一种典型的反应式结构。它用行为封装了系统控制中应具备的感知、避障、规划和执行任务等能力，因此它能够产生一些有意义的动作；这些动作反过来可以组合成不同水平的能力。这种控制结构在实际控制中具有较强的自治能力，瞬间反应快，缺点是系统缺乏明显的目标，难于规划有目的的动作。由于两种基本结构各有优缺点，研究者们在吸取它们优点的基础上又先后提出了多种混合式结构[32]。
1.2.5智能车辆导航技术的发展趋势
随着智能车辆技术的飞速发展，目前智能车辆导航技术虽然已经取得了很大进展，但仍不能令人满意，还应在以下几个方面进行深入研究。
1.在未知或部分未知环境中，基于自然路标导航与定位技术的研究；视觉导航中路标的识别以及图像处理的新型快速算法的研究；专用数字信号处理器的开发研制等，这些都可使智能车辆导航与定位实现突破性进展。
2.应用机器学习方法特别是增强学习和进化学习方法，实现未知环境中智能车辆导航控制器的设计与优化，已成为近年来智能车辆导航控制技术的研究热点。深入开展机器学习理论和方法的研究，应用机器学习方法提高智能车辆在未知环境中的导航性能和对环境的适应性，是智能车辆导航控制领域的一个重要发展趋势[33]。
3.开展导航系统的分布式智能结构的研究。分布式智能结构把决策级的操作分解到智能车辆本身的计算机和远端的主计算机，这样不仅提高了系统的实时性和鲁棒性，而且还减小了体积，减轻了重量，使智能车辆更加轻便、灵活。
4.虚拟现实ⅣR)技术汇集了多媒体技术、传感器技术、人机接口技术、人工智能、计算机图形学以及人的行为学研究等多项关键技术。将VR技术应用到智能车辆导航研究中非常直观逼真，它可以为智能车辆自主导航技术的研究提供一个理想化的研究平台[34]。
5.开发传感器信息融合新型算法，进一步提高融合系统的性能；开发具有并行计算能力的软件和硬件，以满足具有大量数据且计算复杂的多传感器信息融合的要求，应是该领域的主要趋势。
6.目前基于多传感器信息融合的智能车辆自主定位与导航方面所取得的研究成果，大多局限于室内结构化环境中。非结构环境下智能车辆导航技术将是21世纪智能车辆技术研究的重点[35-36]。
1.3本文选题和研究内容
1.3.1论文的选题
本文选题源于国家自然科学基金面上项目“基于广义集成的汽车底盘系统控制方法及关键技术研究”(50575064)、清华大学汽车安全与节能国家重点实验室开放基金“基于功能／行为集成的智能车辆自主行驶研究”(KF2007．06)，安徽省自然科学基金“基于功能／行为集成控制的智能车辆自主行驶研究”(050420302)。
智能车辆发展的最终目标是实现车辆的完全自主行驶。以目前现有的技术水平，短期内实现智能车辆在非特殊环境中的真正应用还不太现实。但是无论是从学科发展、理论研究的角度，还是从发展汽车工业及相关产业，以及市场竞争的角度看，结合我国实情在某些方面进行深入、细致的研究，将为我国在智能车辆研究方面提供有力的理论和技术支持，为今后智能车辆的发展及实际应用打下坚实的基础，其意义十分重大。
1.3.2论文的研究内容
1.提出了基于行为的智能车辆导航控制体系结构。
2.改进智能车辆路径导航的原理，并提出一整套路径图像识别的方法。
3.将预瞄控制与智能车辆路径跟踪相结合，设计预瞄加反馈的控制器进行路径跟踪控制。
4.使用TI公司(Texas Insmunents)的DSP(Digital Signal Processor)开发板DEC643完成路径图像的实时识别：DECF2812开发板完成智能车辆的跟踪控制。
5.在自制智能车辆平台上完成了路径识别和跟踪实车试验，验证了提出的理论和方法。
1.3.3论文的组织
根据以上研究内容，论文各章内容为：第一章为绪论，介绍了智能车辆的研究意义，研究状况，关键技术以及本文的选题、研究内容等。第二章在分析各种智能车辆体系结构的基础上，提出基于行为的智能车辆导航控制体系结构。第三章提出了一整套导航路径图像识别的流程和方法，以提高路径识别的鲁棒性和实时性。第四章把预瞄控制思想引入智能车辆的控制，设计了智能车辆路径跟踪的预瞄控制器。第五章为智能车辆系统导航试验。首先介绍了第一代智能车辆系统；然后以TI公司的DSP开发板DEC643和DECF2812为控制平台构建了基于DSP的智能车辆软硬件系统：最后进行了整车试验和结果分析。第六章对本文研究工作进行了总结和展望。
2智能车辆导航控制体系结构
随着智能车辆研究工作的不断深入，规划、信息融合、运动学和动力学计算等许多单元技术不断提高。其结果是智能车辆的整体智能不断增强的同时，车辆系统的结构也越来越复杂[31]。现有的智能车辆大多是在高度结构化的环境下执行预先规定的动作序列，在新的环境下或遇到意外情况时，不能很好地完成任务。引发问题的主要原因是现实环境是非结构化的，存在不确定性。传统的解决办法是精心设计智能车辆的机械传感装置，或对环境作详细的规定和构造，或兼而有之。但带来的问题是提高了成本、降低了智能车辆的自主性，难以适用于任意的环境。因此，智能车辆控制的研究重点目前已集中在设计一种良好的控制体系结构，能克服环境的不确定性，可靠地完成复杂任务，且成本低，鲁棒性好。
2.1智能车辆的导航控制体系结构
2.1.1体系结构的定义
智能车辆的控制体系结构是研究车辆系统结构中各部分之间的相互关系和功能分配，研究系统控制逻辑的合理分层、各层的逻辑结构，以求确定智能车辆系统的智能结构和逻辑上的计算结构[37]。对一个具体的智能车辆而言，体系结构可以说就是这个智能车辆信息处理和控制系统的总体结构。它是智能车辆系统中所有结构模型和相互关系的结构化集合，是整个系统的基础。所以它给出了系统的组成和指导系统实现的方法和步骤，决定着系统的整体行为和整体性能，其设计的合理与否是整个智能车辆系统是否高效的关键。
2.1.2两种基本的控制体系结构
1.分层递阶结构
Saridis在1979年提出，智能控制系统必然是分层递阶结构。其分层原则是：随着控制精度的增加而智能能力减少。他根据这一原则把智能控制系统分为三级，即组织级、协调级和控制级[38]。其核心在于基于符号的规划，其思想源于Simon和Newell的物理符号系统假说。分层递阶结构中两个典型的代表是SPA[39]和NASREM[40]。
分层递阶结构的智能分布在顶层，通过信息的逐层向下流动，间接地控制行为。该结构具有很好的规划推理能力，通过自上而下任务逐层分解，模块工作范围逐层缩小，问题求解精度逐层增高，实现了从抽象到具体、从定性到定量、从
人工智能推理方法发展到数值算法的过渡，较好地解决了智能和控制精度的关系，其缺点是系统可靠性、鲁棒性、反应性较差。
包容结构1986年，Brooks以移动机器人为背景提出了一种依据行为来划分层次和构造模块的思想。他相信移动机器人行为的复杂性反映了其所处环境的复杂性，而非机器人内部结构的复杂性。于是提出了包容结构，这是一种典型的反应式结构。包容结构中每个控制层直接基于传感器的输入进行决策，在其内部不维护外界环境模型，可以在完全陌生的环境中进行操作。随后，涌现了一批基于行为的或吸纳了包容思想的研究成果，如GAPP[41]、Herbertt[42] 、TCA[43]等。
包容结构中没有环境模型，模块之间信息流的表示也很简单，反应性非常好，其灵活的反应行为体现了一定的智能特征。包容结构不存在中心控制，各层间的通信量极小，可扩充性好。多传感器信息各层独自处理，增加了系统的鲁棒性，同时起到了稳定可靠的作用。但包容结构过分强调单元的独立、平行工作，缺少全局的指导和协调，虽然在局部行动上可显示出很灵活的反应能力和鲁棒性，但是对于长远的、全局性的目标跟踪显得缺少主动性，目的性较差，而且人的经验、启发性知识难于加入，限制了人的知识的应用。
2.1.3其它典型的控制体系结构
随着社会学、组织学、行为学、生物学、心理学、进化计算、智能体等理论和思想的引入，智能车辆体系结构的研究成果层出不穷[44]。文献[32]归纳出了7种典型结构，除了基本的分层递阶结构和包容结构外、还有三层结构、自组织结构、分布式结构、进化控制结构和社会机器人结构。
第二章智能车辆导航控制体系结构
1.三层结构
20世纪90年代初，三个不同的研究小组[45-47]几乎同时独立地提出了极其相似的解决方案——三层结构。三层结构由反馈控制层、慎思规划层和连接二者的序列层构成。三层结构是分层递阶和包容结构相融合的混合结构，它既吸取了递阶结构中高层规划的智能性，又保持了包容结构中低层反应的灵活性。三层结构的不足之处是忽视了传感器信息融合、学习和环境建模。
2.自组织结构
1997年，Rosenblatt在智能车辆导航中提出了DAMN结构[48]。它由一组分布式功能模块和一个集中命令仲裁器组成。各功能模块基于领域知识，通过规划或反应方式自主产生行为，由仲裁器产生一致的、理性的、目标导向的动作到控制器。该体系结构的智能分布在其动态可变的结构中，突破了传统体系结构中功能分布模式固定的框架。具有良好的可扩充性、自适应和自组织性能，但其集中仲裁的机制往往是信息流通和系统控制的瓶颈。西班牙的Pagoaga[49]和国内的朱淼划[50]等均采用了类似的白组织结构。
3.分布式结构
1998年，Piaggio提出一种称为HEIR(Hybrid experts in intelligent robots)的非层次结构[51]它由处理不同类型知识的3个部分组成：符号组件(S)、图解组件(D)和反应组件(R)。每个组件又都是一个由多个具有特定认知功能、可以并发执行的Agent构成的专家组，各组件没有层次高低之分，自主地、并发地工作，相互间通过信息交换进行协调，这是一种典型的分布式结构。该结构中各个Agent具有极大的自主性和良好的交互性，但是每个Agent对于要完成的任务拥有不全面的信息或能力，缺乏系统的和宏观的问题求解观念，难以保证Agent成员之间以及与系统的目标、意愿和行为一致，对分散的共享数据和资源缺乏有效的分配和管理，冲突的检测和协调比较困难。
4．进化控制结构
2000年，蔡自兴提出了基于功能／行为集成的自主式移动机器人进化控制体系结构。整个体系结构包括进化规划与基于行为的控制两大模块。这种综合的体系结构的优点是既具有基于行为的系统的实时性，又保持了基于功能的系统的目标可控性。同时该体系结构具有自学习功能，能够根据先验知识、历史经验、对当前环境情况的判断和自身的状况，调整自己的目标、行为以及相应的协调机制，以达到适应环境、完成任务的目的。
社会机器人结构 1999年，Rooney等根据社会智能假说提出了由物理层、反应层、慎思层和社会层构成的社会机器人体系结构删。其特色之处在于基于BDI(Belief-Desire．Intention)模型的慎思层和基于Agent通信语言Teanga的社会层。BDI赋予了机器人心智状态，Teanga赋予了机器人社会交互能力。该体系结构继承了智能体的自主性、推理、学习能力等一系列良好的智能特性，对机器人内在的感性和理性、外在的交互性和协作性实现了物理上和逻辑上的统一。
2.2基于行为的智能车辆导航控制体系结构
2.2.1基于行为的控制体系结构
一个合理、有效的体系结构应该保证对突发状况做出快速反应，同时在高层决策上允许目标对行为的引导和先验知识的利用，从而兼顾智能车辆系统的智能性和实时性。在综合分析各种智能车辆控制体系结构的基础上，提出基于行为的智能车辆导航控制体系结构，如下图所示。在该体系结构中，智能车辆的功能通过一个个行为及其组合来实现，每个行为都是一个有组织的单元或模块，能够独自进行低层的决策并完成一定的功能，从而保证了对突发状况做出快速反应；同时，在高层决策中综合各个行为的决策结果，并选取适合的行为组成行为序列以控制智能车辆完成导航任务。
该体系结构由感知、监控、反射行为、目的行为、黑板、全局规划和人机接口七个模块组成。
1．感知：由各种传感器组成，负责采集有关环境的原始信息。
2．监控：由一组监控器组成。各个监控器分别负责跟踪某种环境信息，并根据需要进行数据处理。
3．目的行为：指智能车辆为达到某一目标，通过规划后产生的有目的的行为。如标志线导航，
墙面跟踪等，由黑板决定是否激活。
4．反射行为：用来躲避障碍物。它由监控器信息直接激活而不需黑板的介入，因此反应迅速，适合用来完成避障这种实时性要求高的任务。
5．黑板：与各模块交互，并在全局上理解各种信息以激活目的行为。
6．全局规划：由黑板激活，对智能车辆进行定位，并作出全局路径的规划。
7．人机接口：入与智能车辆的交互接口，以实现人对智能车辆的监控和干预。
本体系结构工作过程是：操作人员通过人机接口向智能车辆下达命令，要求其从起始点到达某一指定位置；黑板激活全局路径模块，后者对车辆进行定位、规划全局路径，并把结果传给黑板。之后，智能车辆进入在线工作过程。各传感器开始采集有关环境信息，各监控器进行数据处理，如滤波、多传感器信息融合等。反射行为根据其监控器信息直接决定是否激活，并将决策结果发送给黑板，但其决策权完全在其内部而不需经过黑板；各目的行为同样根据其监控器信息做出决策并将结果发送到黑板，但其是否激活需经黑板对各种信息进行综合理解以作出决策。这种区分的目的与智能车辆的行为划分相一致，是为了兼顾系统的实时性和智能性。即对于需智能车辆迅速作出反应的突发情况(如避障)，反射行为能够立即作出决策；而在需要完成有目的的动作且实时性要求在其次的情况时，能够综合各种信息作出规划以满足其智能性要求。
2.2.2行为的优先级
对于通过各种行为的组合来导航的控制体系结构，如何在某一时刻选取合适的行为成为一个主要难点。以前的惯常实现机制主要是预定义优先级，加权求和等。本体系结构中，采用固定优先级的方法来协调各种行为。即在某一时刻，当有两个或两个以上的行为被触发时，具有最高优先级的行为取得智能车辆的控制权。这里规定各行为的优先级从高到低依次为：反射行为，墙面跟踪，标志线导航和边缘信息导航。智能车辆在运行时，各行为的优先级会随着环境的变化而变化。为了提高智能车辆系统的运行效率，使各个传感器、监控器工作情况(工作频率)随其对应行为的优先级而变化，即高优先级行为对应的传感器、监控器的工作频率较高，从而为对应的行为提供充分、有效的信息依据；低优先级行为对应的则工作频率较低，以减少不必要的数据采集和处理，同时能够关注环境的变化，为可能的优先级变化提供信息。
2.2.3黑板模型
本体系结构中的黑板作为高层决策模块，综合利用多种信息并对目的行为进行选取。不过，它与标准黑板模型不刚。标准的黑板系统由三个部分组成：知识源、黑板和控制组件。知识源用于存储解决问题所需相关知识；黑板是一个全局数据库，用于保存输入数据、中间结果以及在许多不同问题解决的各种状态所需其它数据：控制组件主要作用于问题解决过程中运行时间及其他相关资源的分配。这种标准的黑板模型的工作方法为一种问题求解机制：黑板接收用户给定任务并进行任务分解；之后各模块对黑板中的可知信息做出反应，再通过黑板提供各自对全局决策所产生的影响；黑板的状态由此发生变化并激活其它模块工作。通过这种来回、反复的交互，各子任务全部得到解决，从而完成给定任务。但是，这也将导致大量的数据处理和信息传递，从而使黑板决策的实时性降低。这对于在实时、动态、复杂的环境下工作的智能车辆来说是很不利的。为解决标准黑板模型实时性较差的缺点，本体系结构中的黑板进行了一定的改进。即在标准黑板中取消了独立的控制机构，将其功能融于知识源中。
知识源分为两类:一是各个行为的知识源，其中存储了关于该行为的先验知识和规则;二是黑板本身的知识源。两种知识源为两个不同的层次。各行为的知识源是行为层次上的，为该行为的正常、有效运行服务；黑板的知识源是系统层次上的，其知识是为整个智能车系统安全有效工作而建立的。在智能车辆接收任务后，各个行为模块开始工作，把各自根据监控器信息并利用其知识源知识进行决策的结果发送给黑板；黑板再根据各个行为的局部决策结果，利用自己的知识进行判断，得到需要激活的行为，此外，黑板在选定某行为的同时，能够根据各行为决策结果对该选定行为的运行进行一定干预。这样可以使该行为在工作时能够更多地了解智能车所在环境的全局情况，从而更加安全有效地完成给定任务。由于知识源的分散性和并行性，其各部分分别进行其所辖范围内的决策，因此决策速度得到提高，保证了整个系统运行的实时性。例如，智能车运行后，各传感器和各监控器开始工作；各个行为根据其监控器信息得出了各自的决策结果：标志线导航行为检测到路面标志线，认为可以进行跟踪，并将这个信息发送给全局黑板；路径信息导航行为未检测到可供智能车导航使用的路径信息：墙面跟踪行为未检测到可跟踪的墙面；避障行为得到智能车周围障碍的相关信息，认为障碍接近智能车，但还不需躲避。黑板获取了这些行为的决策信息，然后利用本身的知识和规则，做出了激活标志线导航行为的决策。从而完成了这一控制时刻的行为选取。同时，由于得到了障碍接近智能车的信息，在标志线导航行为执行时，黑板对其进行了干预，如减速行驶，避免向障碍方向急转等。智能车辆在完成当前动作的同时，能够兼顾车辆运行的未来环境，因此更加安全、高效。
2.3基于视觉的路径导航原理
2.3.1基本原理
基视觉的路径导航基本原理是：
假设智能车辆在较平坦的路面行驶，根据地面设置的条状路径和路面背景的图像莸度值的差异，经过图像处理后便可识别山导航路径。通过提取路径的各边缘点，可以得到路径的中心线：根据此中心线的位置来判断车体1J导航路程的相对行置关系(导航参数)．从而进行跟踪控制。简单的路径导航直线模型它将智能下辆视觉传感器获得的导航路径视为条直线．通过图像识别算法识别该路径片得到其中心线，然后得到智能车辆相对J。导航路衽的导航参数,即角度偏差口和位偏差d。
如下图：智能车辆路径导航的直线模型
路径识别的主要目的是检测出导航路径的边缘。边缘是数字图像局部灰度变化最明晰的部分，主要存在于目标与目标、目标与背景、区域与区域之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。图像中的边缘通常与图像灰度或图像灰度的一阶导数的不连续性有关。图像灰度的不连续可分为以下两类。
①阶跃不连续，即图像灰度在不连续处的两边的像素灰度值有着显著的差异。
②线条不连续，即图像灰度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值。
边缘检测通常有如下四个步骤。
①滤波：边缘检测算法一般是基于图像强度的一阶和二阶导数，但导数的计算对噪声敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出的是，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折衷。
②增强：增强算法可以将邻域灰度中有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。
③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些是边缘点。最简单的边缘检测是依据梯度幅度阈值来判断。
④定位：在一些特定场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以估计出来。
2.4导航路径识别的流程和方法
2.4.1基于阈值的中值滤波
滤波是信息处理领域中最为基础的研究内容。对图像信号的滤波不仅要具有良好的消噪声能力，同时还要很好地保护图像的细节。传统的线性滤波、中值滤波都存在着模糊图像细节的缺点；一般的自适应中值滤波对于椒盐噪声的消噪效果十分理想，但对随机脉冲噪声的消除并不理想。
为此使用基于阈值的中值滤波方法。该方法以局部方差作为判断噪声点的阈值，即以像素点的局部方差作为该像素点是否为噪声的判断依据：从而形成良好的局部自适应性，对于椒盐噪声和随机噪声都有良好的消噪能力，并且可以较好地保护图像的细节信息。
3结论
智能车辆作为集多种功能于～体的综合系统，已经在智能交通系统、柔性制造和装配系统、军事领域以及特殊环境下得到广泛运用，其研究的军事意义和商业价值得到越来越多的重视。本文以视觉导航智能车辆为研究对象，对涉及智能车辆的关键技术如控制体系结构、机器视觉、自动控制等进行了研究，并取得一定成果。
3.1研究内容
3.1.1提出了基于行为的智能车辆导航控制体系结构。
3.1.2使用TI公司的DSP开发板DEC643和DECF2812作为智能车辆系统的硬件控制平台。DEC643实现了路径图像的实时识别，DECF2812实现了智能车辆的跟踪控制，两块芯片通过串口进行通讯，构成上下位机的控制体系结构。
3.1.3改进了提取智能车辆与导航路径相对位置关系的方法；并通过一整套路径图像识别流程完成了导航路径的实时识别，其识别结果与文献给出的方法相比具有较好的鲁棒性和实时性。
3.1.4设计的智能车辆路径跟踪预瞄控制器，根据串口接收的导航参数完成对导航路径的跟踪控制。相对于文献[791提出的反馈控制方法，该预瞄控制器具有较小的路径跟踪误差和车辆行驶稳定性。
3.1.5为验证提出的理论和算法，在自制智能车辆平台上进行了实车试验，实现了基于视觉导航的路径识别和跟踪控制。其结果表明设计的智能车辆视觉导航系统具有较好的路径识别和跟踪效果。
3.2创新点
3.2.1提出了基于行为的智能车辆导航控制体系结构。控制体系结构作为智能车辆系统的基础，已经成为智能车辆的研究重点。在分析各种控制体系结构优缺点的基础上，提出了基于行为的体系结构。其通过黑板协调各模块之间的交互，并根据优先级选取各个行为模块，较好地兼顾了系统的实时性和智能性。
3.2.2在使用机器视觉实时识别导航路径时，依次进行基于阈值的中值滤波、最优阈值二值化、数学形态学滤波，提高了路径识别的鲁棒性。
3.2.3为了提高图像识别的实时性，根据路径的连续性特点，在己识别出的路径边缘点附近寻找后面的路径边缘点，从而大大减少了要处理的图像像素点个数，提高了路径识别的实时性；并使用区域最优阈值算法分区域计算图像阈值，提高了识别的精度。
3.2.4将预瞄控制思想与智能车辆路径跟踪相结合，对路径图像作出划分，并设计预瞄加反馈的控制器进行路径跟踪控制，从而使智能车辆能够适应路径和车速的变化，提高了跟踪精度和行驶稳定性。
3.3建议和展望
3.3.1在设计视觉导航智能车辆时，为了减小图像处理的数据量选用了黑白CCD摄像机。这样提高了图像识别的实时性，但会受到外界光线的干扰。而彩色图像比黑白灰度图像包含的信息量更多，随着计算机运算速度提高也能够保证实时性要求，所以建议以后重新设计试验平台时可以使用彩色CCD摄像机。
3.3.2由转向步进电机和驱动直流电机构成的前轮转向、后轮驱动结构，比第一代的三轮差速结构有了很大改进。然而试验中发现，尽管步进电机的控制精度很高，但当它通过转向机械机、构作用到转向轮时，由于转向机构存在运动间隙和误差，导致了转向轮的转角控制产生一定误差。这种误差主要与转向机械机构的设计有关，可以通过改进其设计来克服。
3.2.3由于该智能车辆系统在软硬件资源上都具有较好的可扩展性，可以在实现导航路径实时识别和自动跟踪的基础上对系统功能进行扩充。例如，可增加摄像机以组成立体视觉系统，或使用测距传感器系统实现避障行驶等。
参考文献
[1]徐友春，王荣本等．世界智能车辆近况综述[J].汽车工程，2001，23(5)：289–295．
[2]秦贵和，葛安林，雷雨龙．智能交通系统及其车辆自动控制技术[J].汽车工程，2001，23(2)：92—96．
[3]R Bishop．A Survey of Intelligent Vehicle Application Worldwide．USA：Proceedings of the IEEE Intelligent Vehicles Symposium，2000：25–30．
[4]Pomerleau D RALPH．Rapidly Adapting Lateral Position Handler．Proc 1 995 IEEE Symposium on Intelligent Vehicles．IEEE Press Piscataway N J，1 995．
[5]Lane G R．Tank-Automotive Robotics．SPIE Conference on Unmanned Ground
Vehicles Technology，Orlando，Florida，1999．
[6]先进制造技术发展前瞻研究[M]．机械科学研究院.1999．
[7]Gage D W．A Brief History of Unmanned Ground Vehicle(UGV)Development Efforts．Unmanned Systems Magazine，1995，113(3)：1—9．
[8]Gem A，Franke U，Levi P．Advanced Lane Recognition–Fusing Vision and Radar．Proceedings of the IEEE Intelligent Vehicles Symposium 2000，2000，10．
[9]Thorpe C ed．Vision and Navigation：The Carnegie Mellon Navlab．Kluwer Academic Publishers，1990．
[10]Altmayer C．Enhancing the Integrity of Integrated GPS／INS Systems by Cycle Slip Detection and Correction．Proceedings of the IEEE Intelligent Vehicles Symposium 2000，2000.10．
[11]Dickmanns E D et a1．An Integrated Spatio—temporal Approach to Automatic Visual Guidannce of Autonomous Vehicles．IEEE Trans on Systems，Man and Cybemetics，1990，20(6)：1273—1284．
[12]Dickmanns E D et a1．The Seeing Passenger Car‘VaMoRs-P’．Proc 1 994 IEEE Symposium on Intelligent Vehicles．IEEE Press Piscataway，NJ，1994：68—73．
[13]Maurer M et a1．VaMoRs—P——An Advanced Platform for Visual Autonomous Road Vehicle Guidance．In Proc SPIE Conf on Mobile Robots IX，Boston，1994，4．
[14]Hugh D W．A Critical Review of the State．of-the-Art in Autonomous Land Vehicle System and Technology．USA：Sandia National Laboratories(SAND 200 1—3685)，2001。
[15]Fujioka T，Omae M．Control Algorithm for Lateral Platooning．Society of Automotive Engineerings ofJapan，1997，28(2)：109—114．
[16]王荣本，李兵，施树明，李斌．世界智能车辆研究概述[J].公路交通科技，2001，18(5)：92–97
[17]S．Tokoro，K．Moriizumi，T．Kawasaki，T．Nagao，K．Abe and K．Fujita．Sensor Fusion System For Pre—crash Safety System．IEEE Intelligent Vehicles Symposium，University of Parma，2004，(1)：945—950．
[18]Seung Gweon Jeong，Chang Sup Kim，Kang Sup Yoon，Jong Nyun Lee，Jong Bae，and Man Hyung Lee．Real-time Lane Detection for Autonomous Navigation．IEEE Intelligent Transponation Systems，2001,2(3)：508–513．
[19]蒋浩丰．基于功能／行为集成的自主车研究[学位论文]．合肥工业大学机械与汽车学院，2003．
[20]李迸，陈无畏，李碧春．基于行为的智能车辆导航控制体系结构[J]．机械工程学报，2007．43(7)：162—167．
[21]李进，陈无畏，李碧春。等．自动导引车视觉导航的路径识别和跟踪控制[J]．农业机械学报，2007，39(2)：20—24．
[22]陈无畏，李进，王檀彬，等．视觉导航智能车辆的路径跟踪预瞄控制[J].机械工程学报，
[23]陈无畏，孙海涛，蒋浩丰，等．基于协调规划的智能车辆导航和避障控制研究[J]．系统仿真学报，2005，17(11)：2696–2700。
[24]Masayoshi Aoki．Image Processing in ITS．IEEE International Conference On Intelligent Vehicles．1998:3—8．
[25]Tillett N D．Automatic Guidance Sensor for Agricultural Field Machine：A Review．J．Agric．Eng．Res．，1991，50(4)：167–187.76
[26]赵亦林．车辆定位与导航系统[M].电子工业出版社，1999．
[27]Zhang Qin，Reid J F,Noguchi N．Automated guidance control for agriculture tractor using redundant sensors[C]．Indianapolis，Indiana，USA：1999 Off-High way and Power plant Congress，1999．
[28]Hall D L．Mathematical technology in multi-sensor data fusion．Artech House，Boston，London，1992．
[29]蔡自兴．智能控制一基础与应用[M]．国防工业出版社。1998．
[30]蔡自兴，周翔，李枚毅，等．基于功能／行为集成的自主式移动智能车辆进化控制体系结构[J].智能车辆，2000，33(1)：169—175．
[31]蔡自兴，郭军华．基于多Agent的移动智能车辆导航进化控制的体系结构[J].控制理论与应用，2001，18(8)：111—114．
[32]刘海波，顾国昌，张国印。智能机器人体系结构分类研究[J]。哈尔滨工程大学学报，2003，24(6)：664—668．
[33]蔡自兴，贺汉根．未知环境中移动机器入导航控制研究的若干问题[J].控制与决策，2002，17(4)：385–390．
[34]杨磊，何克忠．虚拟现实技术在移动机器人技术中的应用与展望[J].机器人，1998，20(1)：76—80．
[35]Thrun S．A probabilistic approach to concun’ent mapping and localization for mobile robots．Machine Learning，1998，31(5)：1–25．
[36]Castellanos J A，Montiel J M，NeiraJ．The S P map：A probabilistic
liarnework for simultaneous localization and map building．IEEE Transactions on Robotics and Automation，1 999，1 5(5)：948-952．
[37]Castellanos J A，Montiel J M，NeiraJ．The S P map：A probabilistic黄闪，孔毅．智能机器人体系结构与全局数据库设计与实施[J]．沈阳工业大学学报，1999，21(1)：41–44．
[38]Castellanos J A，Montiel J M，NeiraJ．The S P map：A probabilisticSARIDIS G．Toward the realization of intelligent controls．Proc of the IEEE，1979，67(4)：lll5～1133．
[39]Castellanos J A，Montiel J M，NeiraJ．The S P map：A probabilisticNILSSON N．Shakey the robot．AI Center,SKI International，l 984.77
[40]Castellanos J A，Montiel J M，NeiraJ．The S P map：A probabilisticALBUS J．NASA／NBS standard reference model for telerobot control system architecture(NASREM)．NBS，1988．
[41]KAELBLING L．Goals as parallel program specifications．Proc of the seventh national conference on artificial intelligence．Minnesota，1988．
[42]CONNELL J．A colony architecture for an artificial creature．MIT AI Laboratory,1989．
[43]SIMMONS R．An architecture for coordinating planning，sensing，and action．Proceeding of workshop on innovative approaches to planning，scheduling and contr01．San Diego，1990．
[44]SIMMONS IL Architecture，the backbone of robotic systems．Proceeding of IEEE ICRA 00．San Francisco，2000．
[45]BONASSO R．Integrating reaction plans and layered competences through control．Proceeding of DCAI．Sydney，Australia，1991．
[46]GATAE．Reliable goal-directed reactive control for real world autonomous mobile robots．Blacksburg：Virginia Polytechnic Institute and state University,1991．
[47]CONNELL J.SSS：A hybrid architecture applied to robot navigation．Proceeding of IEEE ICRA-92．Nice，France，1992．
[48]ROSENBLATT J．DAMN：A distributed architecture for mobile navigation．Robotics Institute，1997．
[49]PAGOAGAA．Agent-based control architecture for a Mobile robot．University of Paris，2002．
[50]朱淼良．基于Agent的自主式智能机器人体系结构及集成系统[J].模式识别与人工智能，2000，13(1)：37—41．
[51]PIAGGIO M．HEIR—A non hierarchical hybrid architecture for intellig
ent robots．ATAL．98．Paris，France，1998．
致谢
大学生活一晃而过，回首走过的岁月，心中倍感充实，当我写完这篇毕业论文的时候，有一种如释重负的感觉，感慨良多。
首先诚挚的感谢我的论文指导老师。她在忙碌的教学工作中挤出时间来审查、修改我的论文。还有教过我的所有老师们，你们严谨细致、一丝不苟的作风
一直是我工作、学习中的榜样;他们循循善诱的教导和不拘一格的思路给予我无尽的启迪。
感谢三年中陪伴在我身边的同学、朋友，感谢他们为我提出的有益的建议和意见，有了他们的支持、鼓励和帮助，我才能够充实的度过了三年的学习生活。
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：1158，如若转载，请注明出处：https://www.447766.cn/chachong/161819.html,
