自动驾驶车辆与癌症检测：智能技术的应用与评估

### 自动驾驶车辆与癌症检测：智能技术的应用与评估 #### 自动驾驶车辆的自适应神经模糊推理系统避障 近年来，自动驾驶车辆取得了诸多里程碑式的进展，商业制造商正在对车辆的各项功能进行测试，测试车型也已上路行驶。自动驾驶车辆具备诸如避障、车道保持辅助、交通拥堵辅助、自动泊车辅助、高速自动驾驶等独特功能，甚至自动驾驶拖拉机已应用于农业耕种领域。在这些功能中，避障是车辆在道路上成功行驶的关键，而这主要依靠人工智能技术实现。 人工智能在自动驾驶车辆领域是一种成功的算法，已广泛应用于控制系统、图像处理、数据分析、输出估计等方面。常用的人工智能技术包括人工神经网络、遗传算法、蚁群算法、模糊逻辑、群体智能和强化学习等。其中，人工神经网络、模糊逻辑和遗传算法是应用最广泛且经过验证的技术。 本文采用先进的非线性神经模糊算法，通过感知障碍物来估算使车辆停止所需的制动力。自适应神经模糊推理系统（ANFIS）已在众多领域得到应用，如暖通空调系统、水管理系统、执行器和电机控制、汽车系统、生化系统等。它在预测方面是一种经过验证的技术，能够给出准确的结果，本文也证明了ANFIS在避障系统中同样能发挥作用。 ##### 基于ANFIS控制器的避障系统原理 自动驾驶车辆的运行主要依赖于多种输入信息，如目标地点信息、车辆前方和后方的障碍物情况、制动力需求、转向角度、车道距离等。为了在自动驾驶过程中有效避障，需要准确感知障碍物与车辆之间的距离。本文主要考虑车辆向前行驶时的障碍物识别，并使用ANFIS算法处理向前行驶的数据。 ANFIS控制器的输入数据分为三组： 1. 障碍物与车辆前侧直线距离。 2. 障碍物与车辆右侧距离。 3. 障碍物与车辆左侧距离。 ANFIS控制器的输出是制动力，它会影响车辆的角速度、转向角度和制动踏板位置。将这三个输入信息提供给ANFIS控制器，其输出的制动力会传递给车辆的动力总成。动力总成模型反映了车辆动力学的数学表达式，将估算的制动力代入车辆动力学方程，最终确定转向控制、角速度和制动踏板位置。 ANFIS网络是神经网络和模糊逻辑的结合，具有混合智能系统的特性。它采用神经网络的学习算法进行自调整。ANFIS网络有五层结构，各层的功能如下表所示： | 层 | 节点 | 功能 | 输入/输出参数 | | --- | --- | --- | --- | | 层1 | 自适应 | 给定模糊集的隶属函数变化 | 前提参数 | | 层2 | 固定 | 模糊与节点函数 | 所有输入信号的乘积 | | 层3 | 固定 | 点火强度比计算 | 归一化点火强度 | | 层4 | 自适应 | 点火强度归一化 | 后续参数 | | 层5 | 固定 | 输入信号求和 | 整体输出（f1.f2） | 层1和层4在ANFIS架构中起着关键作用，它们具有自适应节点和可修改参数。这些参数会进行调整，以使ANFIS的输出与训练数据相匹配。在训练数据时，ANFIS既有前馈过程，也有反向传播过程，其中反向传播算法用于根据输出误差调整前提参数。 ##### 提出的ANFIS算法及避障系统结果 提出的ANFIS控制器主要用于避免车辆在向前行驶时遇到的障碍物。传感器捕获的信号被分类为0、 -1和 +1，分别代表前方、左侧和右侧方向，并作为输入提供给ANFIS控制器（Sugeno）。 输入数据根据障碍物与车辆的方向和距离生成，具体输入数据如下表所示： | 序号 | 前方距离（米） | 右侧距离（米） | 左侧距离（米） | | --- | --- | --- | --- | | 1 | 0.9 | 0.9 | 0.9 | | 2 | 0.7 | 0.5 | 0.7 | | 3 | 0.5 | 0.9 | 0.9 | | 4 | 0.9 | 0.9 | 0.5 | | 5 | 0.9 | 0.7 | 0.9 | | 6 | 0.6 | 0.6 | 0.4 | | 7 | 0.4 | 0.6 | 0.6 | | 8 | 0.6 | 0.4 | 0.6 | | 9 | 0.5 | 0.5 | 0.5 | | 10 | 0.4 | 0.4 | 0.4 | 该避障系统在Matlab/Simulink平台上实现。层1选择的隶属函数用于表示每个输入，如mf1、mf2和mf3。ANFIS学习技术用于预测制动力，通过ANFIS规则查看器可以手动查看和调整输入，以最小化预测误差。这种方法有助于预测一个或三个方向上的障碍物。 提出的ANFIS学习技术对左右车轮制动力的预测参数如下： - 节点数量 - 215 - 线性参数数量 - 115 - 非线性参数数量 - 35 - 总参数数量 - 150 - 模糊规则数量 – 104 - 制动力预测误差 – 5% - 迭代次数 - 75 ANFIS规则编辑器可用于添加或删除规则，为了获得更好的结果，规则数量被优化为104条。表面图展示了输入和输出值的分布，预测的制动力范围从600 N到5000 N。