Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM QUÁCH HẢI THỌ NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ GIẢI PHÁP HỖ TRỢ ĐIỀU KHIỂN XE TỰ HÀNH LUẬN ÁN TIẾN SĨ Ngành: Hệ thống Thông tin Mã ngành: 9480104 ĐÀ NẴNG, NĂM 2022 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM QUÁCH HẢI THỌ NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ GIẢI PHÁP HỖ TRỢ ĐIỀU KHIỂN XE TỰ HÀNH Ngành: Hệ thống Thông tin Mã ngành: 9480104 LUẬN ÁN TIẾN SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS HUỲNH CÔNG PHÁP TS PHẠM ANH PHƯƠNG ĐÀ NẴNG, NĂM 2022 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM LUẬN ÁN TIẾN SĨ NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ GIẢI PHÁP HỖ TRỢ ĐIỀU KHIỂN XE TỰ HÀNH Ngành đào tạo: Hệ thống Thông tin Mã ngành: 9480104 Nghiên cứu sinh QUÁCH HẢI THỌ LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng Các kết viết chung với tác giả khác đồng ý họ trước đưa vào luận án Các kết luận án trung thực chưa công bố trong cơng trình khác Tác giả Quách Hải Thọ TRANG THÔNG TIN LUẬN ÁN TIẾN SĨ Tên luận án: Nghiên cứu phát triển số giải pháp hỗ trợ điều khiển xe tự hành Ngành: Hệ thống thông tin Mã ngành: 9480104 Họ tên NCS: Quách Hải Thọ Người hướng dẫn khoa học: PGS.TS Huỳnh Công Pháp TS Phạm Anh Phương Cơ sở đào tạo: Khoa Tin học, Trường Đại học Sư phạm – Đại học Đà Nẵng Tóm tắt: Trong q trình nghiên cứu lĩnh vực xe tự hành, với mục tiêu đặt thiết kế mô-đun để xe tự hành di chuyển đến đích mơi trường phức tạp với chướng ngại vật, với quy định luật giao thông vấn đề đạo đức trình xử lý để giảm thiểu tai nạn giao thơng, mang lại hiệu an tồn q trình hoạt động Luận án tập trung giải toán đưa số giải pháp hỗ trợ điều khiển hoạt động xe tự hành, với mô-đun lập kế hoạch chuyển động phương pháp tiếp cận dựa kỹ thuật lấy mẫu, mô-đun tạo quỹ đạo tối ưu từ tập ứng viên quỹ đạo Mô-đun lập kế hoạch chuyển động với mục tiêu khơng cải thiệu hiệu tính tốn mà cịn xử lý tính bất định liệu mơi trường xây dựng mô-đun định để giải toán pháp lý đạo đức cho trình hoạt động xe tự hành Đồng thời nhằm nâng cao hiệu trình hoạt động, luận án xây dựng giải pháp hỗ trợ điều khiển an tồn cho xe tự hành, với tập mơ-đun gồm mô-đun hỗ trợ điều khiển chuyển động, môđun điều khiển theo dõi chuyển động mô-đun lập kế hoạch chuyển động dự phòng Kết nghiên cứu luận án làm tiền đề để phát triển hệ thống mô-đun xe tự hành, nhằm cải thiện hiệu suất, cải thiện tính an tồn q trình hoạt động xe tự hành thực tế Từ khóa: Xe tự hành, lập kế hoạch đường đi, mạng nơ ron nhân tạo, điều khiển dự báo mô hình, hệ thống tự hành thơng minh INFORMATION PAGE OF DOCTORAL THESIS Name of thesis : Research develop several solutions for supporting the control of autonomous vehicles Major: Information system Code: 9480104 Full name of PhD student: Quach Hai Tho Supervisors: Assoc Prof PhD Huynh Cong Phap PhD Pham Anh Phuong Training institution: Faculty of Information Technology, University of Science and Education, the University of Danang Abstract: During research in the field of autonomous vehicles, our goal is to design modules helping autonomous vehicles can move to their destination in a complex environment with obstacles, legal regulations, traffic and ethical issues in the handling process so that traffic accidents can be minimized, bringing effective safety during operation The thesis focuses on solving the problem of motion planning for autonomous vehicles, with the motion planning module using a sampling-based approach, to create optimal trajectories from the set of orbital candidates The motion planning module aims to not only improve computing efficiency but also to address uncertainty in environmental data and build a decision-making module to solve the legal and ethical problem of autonomous vehicle operations At the same time, in order to improve efficiency in the operation process, the thesis has also developed a solution to support safety control for autonomous vehicles, with a module set consisting of a motion control module, a motion tracking control module and a backup motion planning module The results of the thesis can set the stage for the development of a modular system on autonomous vehicle to improve performance and safety features in the operation of autonomous vehicles in reality Key words: Autonomous vehicle, Path planning, Neural Network, Model Prediction Control, Intelligent autonomous system LỜI CẢM ƠN Trước tiên, Tôi xin gửi lời cảm ơn sâu sắc đến PGS.TS Huỳnh Công Pháp TS Phạm Anh Phương người Thầy định hướng, hướng dẫn, truyền cảm hứng khởi tạo niềm đam mê nghiên cứu khoa học để vượt qua nhiều gian nan thử thách đường đến nghiên cứu khoa học hàn lâm hôm Tôi xin gửi lời cảm ơn nhà khoa học, bạn đồng nghiệp, trình làm luận án, tơi nhận nhiều góp ý chun môn ủng hộ công tác tổ chức Tôi xin gửi lời cảm ơn đến Ban giám hiệu, đồng nghiệp trường Đại học Nghệ thuật, Đại học Huế tạo điều kiện thuận lợi cho tơi q trình học tập nghiên cứu Tôi xin cảm ơn cán đồng nghiệp khoa Tin học, trường Đại học Sư phạm, Đại học Đà Nẵng tạo điều kiện thuận lợi để tơi tập trung nghiên cứu khoa học học tập tiếp thu kiến thức trình làm nghiên cứu sinh tiến sĩ Cuối cùng, tơi xin chân thành cảm ơn đến gia đình, người thân – người ln dành cho tơi tình cảm, ln động viên chia sẻ khó khăn sống tạo điều kiện tốt để tơi hồn thành q trình nghiên cứu TP.Huế, ngày 25 tháng 10 năm 2021 Tác giả Quách Hải Thọ MỤC LỤC DANH MỤC CÁC BẢNG i DANH MỤC CÁC HÌNH VẼ ii DANH MỤC CÁC KÝ HIỆU iv DANH MỤC CÁC CHỮ VIẾT TẮT v PHẦN MỞ ĐẦU 1 GIỚI THIỆU TÍNH CẤP THIẾT CỦA LUẬN ÁN MỤC TIÊU CỦA LUẬN ÁN CÁC ĐÓNG GÓP CỦA LUẬN ÁN 5 BỐ CỤC CỦA LUẬN ÁN CHƯƠNG 1: TỔNG QUAN VỀ ĐIỀU KHIỂN XE TỰ HÀNH 1.1 Tổng quan xe tự hành 1.2 Những vấn đề tồn hướng giải hệ thống mô-đun hỗ trợ điều khiển xe tự hành 12 1.2.1 Những vấn đề tồn 12 1.2.2 Hướng giải vấn đề đặt 17 1.3 Kiến thức chuẩn bị 23 1.3.1 Biểu diễn đường xây dựng mơ hình động học xe 23 1.3.2 Phương pháp Monte Carlo lọc phần tử 26 1.3.2.1 Phương pháp Monte Carlo 27 1.3.2.2 Bộ lọc phần tử (Particle filter) 30 1.3.3 Tổng quan điều khiển dự báo theo mơ hình 31 1.3.3.1 Điều khiển dự báo theo mơ hình xây dựng hàm mục tiêu 32 1.3.3.2 Lập kế hoạch chuyển động dựa mơ hình điều khiển dự báo 35 1.4 Kết luận chương 37 CHƯƠNG 2: GIẢI PHÁP ĐỀ XUẤT TÌM ĐƯỜNG ĐI TỐI ƯU CHO XE TỰ HÀNH 39 2.1 Đánh giá tổng quan kỹ thuật thiết lập đường cho xe tự hành 39 2.1.1 Lập kế hoạch chuyển động dựa đồ thị tìm kiếm 40 2.1.2 Lập kế hoạch chuyển động dựa mẫu 41 2.1.3 Lập kế hoạch chuyển động đường cong nội suy 42 2.1.4 Lập kế hoạch chuyển động phương pháp tối ưu 45 2.1.5 So sánh ưu nhược điểm kỹ thuật lập kế hoạch chuyển động 45 2.2 Xây dựng mô-đun lập kế hoạch chuyển động dựa kỹ thuật lấy mẫu 49 2.2.1 Phát biểu toán 50 2.2.2 Giải pháp lập kế hoạch chuyển động 50 2.2.3 Mô thực nghiệm mô-đun lập kế hoạch chuyển động 58 2.3 Kết luận chương 62 CHƯƠNG 3: GIẢI PHÁP ĐỀ XUẤT CHO VẤN ĐỀ PHÁP LÝ VÀ ĐẠO ĐỨC TRONG HOẠT ĐỘNG CỦA XE TỰ HÀNH 63 3.1 Xây dựng mô-đun hỗ trợ định điều khiển 63 3.1.1 Phát biểu toán 63 3.1.2 Xây dựng mô hình tốn học cho mơ-đun hỗ trợ định điều khiển 66 3.1.1.1 Mạng tiền đề FNN 68 3.1.2.2 Mạng hệ FNN 69 3.1.3 Thiết lập tham số mô-đun 70 3.1.4 Mô thực nghiệm mô-đun hỗ trợ định điều khiển 73 3.2 Xây dựng mô-đun thiết lập quỹ đạo chuyển động 76 3.2.1 Phát biểu toán 76 3.2.2 Xây dựng mô hình dự báo 77 3.2.3 Xác định hàm mục tiêu 80 3.2.4 Mô thực nghiệm mô-đun thiết lập quỹ đạo chuyển động 81 3.3 Kết luận chương 88 CHƯƠNG 4: GIẢI PHÁP ĐỀ XUẤT HỖ TRỢ ĐIỀU KHIỂN AN TOÀN XE TỰ HÀNH 90 4.1 Cơ sở lý luận để xây dựng mô-đun 90 4.2 Xây dựng mô-đun điều khiển theo dõi chuyển động 94 4.2.1 Phát biểu toán 94 4.2.2 Giải pháp đề xuất 94 4.2.3 Mô thực nghiệm mô-đun theo dõi chuyển động 97 4.3 Xây dựng mô-đun hỗ trợ điều khiển chuyển động 101 4.3.1 Phát biểu toán 101 4.3.2 Giải pháp đề xuất 102 4.3.3 Mô thực nghiệm mô-đun hỗ trợ điều khiển chuyển động 110 4.4 Xây dựng mô-đun lập kế hoạch chuyển động dự phòng 112 4.4.1 Phát biểu toán 112 4.4.2 Giải pháp đề xuất 113 4.4.3 Mô thực nghiệm mô-đun lập kế hoạch chuyển động dự phòng 123 4.5 Kết luận chương 125 KẾT LUẬN 127 DANH MỤC CÁC CƠNG TRÌNH CƠNG BỐ 130 TÀI LIỆU THAM KHẢO 132 i DANH MỤC CÁC BẢNG Bảng 2.1 Minh họa phương án lập kế hoạch chuyển động dựa lấy mẫu 52 Bảng 2.2 So sánh thời gian xử lý tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo 62 Bảng 3.1 Quy định số ảnh hưởng 70 Bảng 3.2 Bộ số mô-đun định 71 Bảng 3.3 Tập biến đầu vào mô-đun định 71 Bảng 3.4 Giá trị đầu mô-đun định điều khiển 72 Bảng 3.5 So sánh kết dự báo FNN BPNN 75 Bảng 4.1 Thông tin giá trị tham số sử dụng để mô 100 Bảng 4.2 Kết mô điều khiển 100 123 4.4.3 Mô thực nghiệm mơ-đun lập kế hoạch chuyển động dự phịng Q trình thực nghiệm mơ mơ-đun tiến hành với 03 kịch khác nhau, kịch mơ tìm kế hoạch chuyển động không xem xét thao tác để tạo quỹ đạo dự phòng, 02 kịch sau áp dụng thao tác với thông số khác để có sơ cở đánh giá so sánh Mơ thực nghiệm quy trình mơi trường Matlab Trong đó, tính tốn (sử dụng hệ đo lường SI) với khoảng thời gian lấy mẫu 0.1s giới hạn tối ưu 𝑇ℎ𝑜𝑟 = 3.0𝑠, trọng số chọn [𝑘𝑣 ; 𝑘𝑎 ; 𝑘𝑗 ; 𝑘𝜃 ; 𝑘𝑘 ] = [103 ; 102 ; 101 ; 102 ; 101 ], giá trị vùng ảnh hưởng 𝑑𝑖𝑛𝑓𝑙,𝑚 = 1.0𝑚 tính hệ số 𝑘𝑜𝑏𝑠𝑡 = 105 Trong q trình mơ phịng, phương tiện có quỹ đạo ghi nhận xem phương tiện phía trước xe tự hành nằm phía sau phương tiện 𝑇ℎ1 Các tham số sử dụng để tạo quỹ đạo dự phòng sau: 𝑇𝑠 = 0.8𝑠 ; = 6𝑠 ; 𝑇ℎ2 = 2𝑠 ; 𝜀 = 2.5𝑚; 𝑣 = [0,50]𝑚/𝑠 ; 𝑎 = [−10,10]𝑚/𝑠 ; 𝜃 = 𝜋 𝜋 [− , ]𝑟𝑎𝑑 ; 𝛿 = [−0.5, 0.5]𝑟𝑎𝑑 ; 𝑤 = 1.5𝑚 ; 𝑙 = 5.0𝑚 ; 𝑣𝑐ℎ = 50𝑚/𝑠 mơ hình 2 dự báo với 𝑣𝑐ℎ = 60𝑚/𝑠; 𝑑𝑚𝑎𝑥 = −𝑑𝑚𝑖𝑛 = 0.5𝑟𝑎𝑑/𝑠; 𝑑𝑚𝑎𝑥 = 2.0𝑚; 𝑑𝑚𝑖𝑛 = −2.0𝑚; 𝑐𝑛 = 𝑐𝑡 = 10.0𝑚/𝑠 Các quỹ đạo chuyển đến điều khiểu I/O với chu kỳ thời gian mô 0.01s Kịch Khi lập kế hoạch chuyển động cho xe tự hành có quỹ đạo dự báo phương tiện phía trước tính tốn kịch giao thông xây dựng sau: Khi bắt đầu, xe tự hành phương tiện giao thông khác nằm đường với khoảng cách từ xe tự hành đến phương tiện phía trước 40m, vận tốc ban đầu phương tiện phía trước 15m/s xe tự hành 20m/s Tại thời điểm 10s (T10) phương tiện phía trước thực thao tác lái xe phía đường bên trái, khơng có thao tác tạo quỹ đạo dự phịng tình khẩn cấp nên với kịch xảy tai nạn (Hình 4.17) Hình 4.17 Kết mơ kịch Kịch Cũng với kịch giao thông tương tự kịch 1, kịch kế hoạch chuyển động xe tự hành bổ sung thao tác để tạo quỹ đạo dự phịng dự đốn khả chuyển động phương tiện phía trước bước thời gian Vì vậy, tất thao tác chuyển động xe phía trước xem xét quỹ đạo dự phịng kích hoạt có tình khẩn 124 cấp, thời điểm 10s (T10) phương tiện phía trước di chuyển khỏi đường phía trái trước xe tự hành Hành vi chuyển đường bất thường dẫn đến việc xe tự hành phải kích hoạt trạng thái khẩn cấp khởi động quỹ đạo dự phòng để tránh va chạm (Hình 4.18) Khi trạng thái xác định quỹ đạo dự phịng kích hoạt đầu vào điều khiển 𝑢1 - tỷ số truyền hệ thống lái 𝑢2 – gia tốc xe thay đổi (hình 4.19) để điều khiển trình hoạt động xe, Sự biến thiên đầu vào điều khiển thực có tình khẩn cấp, sau kế hoạch chuyển động xe đạt yêu cầu an tồn trở trạng thái hệ thống thiết lập từ trước Hình 4.18 Kết mơ kịch (a) Thông số 𝑢1 - tỷ số truyền hệ thống lái (b) Thông số 𝑢2 – gia tốc xe Hình 4.19 Thơng số đầu vào điều khiển 𝑢1 𝑢2 thay đổi với kịch Kịch Trong kịch phía trước xe tự hành xem xét phương tiện tham gia giao thông, khoảng cách ban đầu xe tự hành phương tiện phía trước 40m 70m, vận tốc ban đầu phương tiện 15m/s 20m/s Hình 4.20 thể trạng thái di chuyển phương tiện phía trước bước thời gian với quỹ đạo tạo xe tự hành Kịch mô biểu diễn sau: Tại thời điểm T10 xe phía trước OTO1 thực thao tác chuyển đường phía bên trái, nơi mà xe tự hành di chuyển, tương tự kịch 2, xe tự hành khởi động tình khẩn cấp sử dụng quỹ đạo chuyển động dự phòng kế hoạch chuyển động để tránh va chạm với phương tiện OTO1 phía trước Tiếp theo, thời điểm T20, phương tiện phía trước OTO2 bắt đầu chuyển động thay đổi đường, tình thay đổi đường OTO2 khơng phải tình nguy hiểm nên xe tự hành không khởi động trạng thái khẩn cấp không sử dụng quỹ đạo dự phòng, thời điểm thời điểm tiếp theo, xe tự hành tiếp tục di chuyển theo quỹ đạo lập kế hoạch trước Khi trạng thái xác định quỹ đạo dự phịng kích hoạt đầu vào điều khiển 𝑢1 - tỷ số truyền hệ thống 125 lái 𝑢2 – gia tốc xe biến thiên (hình 4.21) để điều khiển trình hoạt động xe, Sự biến thiên đầu vào điều khiển thực có tình khẩn cấp, sau kế hoạch chuyển động xe đạt u cầu an tồn trở trạng thái hệ thống thiết lập từ trước Như q trình mơ khơng xảy va chạm Hình 4.20 Kết mơ kịch (a) Thông số 𝑢1 - tỷ số truyền hệ thống lái (b) Thông số 𝑢2 – gia tốc xe Hình 4.21 Thơng số đầu vào điều khiển 𝑢1 𝑢2 thay đổi với kịch Vì xe tự hành di chuyển khoảng cách đáng kể thời gian ngắn (một phần nhỏ giây) nên bỏ qua khoảng thời gian sử dụng để thực tính tốn đưa giải pháp tối ưu, trình thực cần áp dụng bổ sung khoảng thời gian trễ theo dự đoán [1] tính ổn định mơ hình dự báo nên tốn tối ưu phi tuyến thực [1] phương pháp Runge-Kutta cổ điển (RK2) với kích thước bước 0.02s 4.5 Kết luận chương Trong chương này, luận án xây dựng tập mô-đun hỗ trợ điều khiển an tồn xe tự hành với 03 mơ-đun gồm: mơ-đun theo dõi chuyển động, hỗ trợ điều khiển chuyển động lập kế hoạch chuyển động dự phòng cho xe tự hành Đặc điểm mơ-đun theo dõi chuyển động giải pháp thực mơ hình điều khiển dự báo, dựa mơ hình tuyến tính cho phép theo dõi hướng chuyển động mong muốn xác tốc độ cao với điều kiện gia tốc ngang lớn Đồng thời, với thông tin trạng thái ổn định dự báo mơ hình, phương pháp tuyến tính đề xuất trì xác đặc điểm phi tuyến tính mơ hình bánh xe xe Ngồi ra, mơ hình bánh xe tuyến tính hóa để mơ tả xác chuyển động xe tốc độ cao 126 Với mô-đun hỗ trợ điều khiển chuyển động với tính chất nhằm đảm bảo an tồn cho xe tự hành, mơ-đun có đặc điểm rút ngắn chu kỳ lập kế hoạch chuyển động nhằm giảm thiểu độ lệch so với đầu vào dự báo, đảm bảo an toàn theo kế hoạch chuyển động giải pháp hỗ trợ điều khiển thực tình mà kịch chuyển động xe phức tạp có khả xảy va chạm với yếu tố cảnh báo thực tế Mô-đun cuối sử dụng để lập kế hoạch chuyển động dự phịng nhằm đảm bảo an tồn cho xe tự hành, đặc điểm tối ưu mô-đun đạt cách xét quỹ đạo có khả phương tiện phía trước Yếu tố an tồn thực cách trì hệ thống để tính tốn quỹ đạo có phương tiện phía trước khoảng thời gian định Đồng thời, mơ hình sử dụng để điều khiển dự báo bị ràng buộc yếu tố gia tốc, lực phanh xe lực kết hợp bánh xe, ràng buộc bổ sung chiều rộng đường hướng di chuyển mong muốn Với thách thức toán xe tự hành giao thoa tín hiệu, dãi tần cao, điều kiện thời tiết không thuận lợi, thực luật lệ giao thông, đạt mức giới hạn không gây ô nhiễm với môi trường, trách nhiệm với vấn đề tai nạn xe tự hành tương lai hệ thống giao thơng đại Một khía cạnh học máy xe tự hành chưa khai thác, phát triển xe tự hành mang lại nhiều hiệu giảm tắc nghẽn giao thơng, giảm chi phí vận chuyển cải thiện khả lại, giảm đáng kể lượng khí thải hoạt động phương tiện giao thông công cộng gây ảnh hưởng xấu cho khí hậu tồn cầu Tập mơ-đun hỗ trợ điều khiển với 03 mô-đun gồm: mô-đun hỗ trợ điều khiển chuyển động để giải toán tạo quỹ đạo chuyển động an toàn cho xe tự hành, gặp tình đa dạng phức tạp điều kiện môi trường giao thông; Mô-đun điều khiển theo dõi chuyển động giải toán kiểm soát điều hướng với mong muốn trình chuyển động xe xác ổn định; Mơđun lập kế hoạch chuyển động dự phịng để giải tình đảm bảo an toàn cho xe tham gia giao thơng với vận tốc lớn, thời gian xử lý cịn lại ngắn để thực thao tác phanh khẩn cấp nhằm tránh chướng ngại vật 127 KẾT LUẬN Với mục tiêu luận án nghiên cứu phát triển số giải pháp hỗ trợ điều khiển cho xe tự hành, trình nghiên cứu thực xây dựng số mô-đun hỗ trợ hệ thống tổng thể mô-đun chung hệ thống điều khiển hoạt động, nhằm mục đích tăng cường hiệu suất hoạt động cải thiện tính an tồn cho xe tự hành, kết nghiên cứu luận án có số kết sau: Đề xuất giải pháp lập kế hoạch chuyển động mô-đun lập kế hoạch chuyển động phương pháp tiếp cận dựa mẫu để tạo quỹ đạo tối ưu từ tập ứng viên quỹ đạo, với mục tiêu đặt khơng cải thiệu hiệu tính tốn mà cịn xử lý tính bất định liệu môi trường Giải pháp cải tiến thực dựa kỹ thuật lấy mẫu, với trình hoạt động đệ quy dựa phương pháp lọc phần tử nên quỹ đạo cuối ứng viên chọn lược đồ tối ưu xác suất; trình lọc phần tử áp dụng lập kế chuyển động để quản lý ứng viên hiệu quy trình sử dụng 04 bước chính: cập nhật thời gian ứng viên, cập nhật liệu môi trường, lựa chọn quỹ đạo tái lấy mẫu mục tiêu chuyển động Trong đó, bước cập nhật thời gian ứng viên quỹ đạo khởi tạo cập nhật mục tiêu chuyển động liệu định vị mơ hình xe, đồng thời khởi tạo tập ứng viên quỹ đạo Trong bước cập nhật liệu môi trường, trọng số quỹ đạo tính cách sử dụng liệu mơi trường hàm hợp lý thích ứng; bước lựa chọn quỹ đạo chọn quỹ đạo tối ưu từ ứng viên dựa yếu tố trọng số; bước cuối tái lấy mẫu mục tiêu chuyển động thay đổi tập mục tiêu chuyển động dựa trọng số Trong bước cập nhật thời gian ứng viên quỹ đạo cập nhật liệu môi trường thiết kế để xét tính khơng chắn liệu định vị liệu môi trường trình lập kế hoạch chuyển động Ngồi ra, bước tái lấy mẫu mục tiêu chuyển động nhằm cải thiện hiệu suất tính tốn cách quản lý mục tiêu chuyển động ứng viên quỹ đạo Kết nghiên cứu kiểm chứng lập trình mơ máy tính đánh giá hiệu giải pháp đưa thực dựa kỹ thuật lấy mẫu ngẫu nhiên, cuối thực so sánh với kết kỹ thuật RRT giải pháp có độ xác đáng tin cậy gần 128 Xây dựng phương pháp luận mơ hình tốn học để đưa giải pháp thiết lập 02 mô-đun lập quỹ đạo chuyển động mô hình định điều khiển với yếu tổ đảm bảo khía cạnh đạo đức pháp lý, quỹ đạo chuyển động thiết lập với tập ràng buộc quy định luật giao thông đường Mô-đun hỗ trợ định mơ hình tốn học hệ thống định, đóng vai trị quan trọng việc tránh va chạm tránh chướng ngại vật chuyển động Mơ-đun cho có khả tự học để hồn thiện q trình tự học Do đó, tồn q trình hoạt động mô-đun tách thành phần riêng biệt, bao gồm: phần mơ hình lý thuyết, phần xét đến yếu tố tác động việc định tình khẩn cấp, yếu tố tác động bao gồm phương tiện tham gia giao thông, hệ thống đường giao thông, yếu tố môi trường, vấn đề pháp luật đạo đức, yếu tố xem biến đầu vào mô-đun biến đầu mô-đun định hướng di chuyển xe Phần thứ hệ thống thu thập liệu, liệu phần thực khảo sát, vấn với tình khẩn cấp toán đưa với mục đích cung cấp liệu huấn luyện cho mơ-đun Để môđun hỗ trợ định xử lý thông tin mờ có khả tự học, luận án xây dựng mô-đun định điều khiển dựa mạng nơ-ron mờ (FNN) Kết nghiên cứu việc xây dựng mô-đun kiểm chứng lập trình mơ máy tính đánh giá, so sánh với mạng nơ-ron lan truyền ngược (BNN) để chứng minh tính hiệu giải pháp đưa Mơ-đun thiết lập quỹ đạo chuyển động xây dựng dựa phương pháp điều khiển mơ hình dự báo (MPC), tập ràng buộc bao gồm ràng buộc vấn đề pháp luật đạo đức hành vi tham gia giao thông xây dựng mệnh đề logic thực việc chuyển đổi thành tập bất đẳng thức tuyến tính với biến nguyên Trong luận án này, để giải toán đưa nhằm mục đích đánh giá hiệu giải pháp môi trường hoạt động cụ thể xe, hàm chi phí xây dựng để hiệu kiểm soát hoạt động tối ưu với điều kiện đặt ban đầu vận tốc di chuyển xe không đổi độ lệch ngang xe thay đổi theo thời gian quãng đường di chuyển Kết mô thực nghiệm với nhiều kịch giao thông khác mô-đun thiết lập quỹ đạo chuyển động nhằm mục đích xác định mục tiêu đặt giải pháp tạo quỹ đạo tối ưu với phương pháp tiếp cận điều khiển dự báo dựa mơ hình tập ràng buộc xây dựng từ luật giao thông đường Cách tiếp cận phù hợp với điều kiện phức tạp mơi trường ràng buộc phát sinh từ khía cạnh khác việc lập kế hoạch chuyển 129 động phải tuân thủ theo quy tắc giao thông; quỹ đạo chuyển động tạo với mục đích cải thiện hiệu suất, tăng cường khả tránh chướng ngại vật đảm bảo quỹ đạo tối ưu toàn cục Xây dựng phương pháp luận để thiết kế điều khiển dự báo cho hệ phi tuyến đề xuất giải pháp chiến lược tối ưu hóa điều khiển dự báo hệ phi tuyến, cụ thể xây dựng 03 mô-đun hỗ trợ điều khiển, bao gồm mô-đun thứ mô-đun hỗ trợ điều khiển chuyển động, mô-đun thứ hai mô-đun điều khiển theo dõi chuyển động mô-đun cuối mô-đun lập kế hoạch chuyển động dự phòng Việc xây dựng mơ-đun hỗ trợ điều khiển chuyển động có 02 mục tiêu chính: thứ can thiệp tối thiểu, nghĩa hệ thống hỗ trợ điều khiển chuyển động áp dụng kiểm soát tự trị cần thiết; thứ hai đảm bảo an toàn, nghĩa trạng thái không va chạm cùa xe thực thi rõ ràng thông qua ràng buộc tối ưu Cụ thể cho giải pháp thiết kế mô-đun điều khiển theo dõi chuyển động thực việc kết hợp yếu tố không chắn biến đổi theo thời gian đến dự báo chướng ngại vật di dộng vào tốn tối ưu hóa, đồng thời đưa ràng buộc cho giới hạn đường biên chướng ngại vật di động mà trì kế hoạch chuyển động xe khoảng thời gian giới hạn Cuối cùng, mô-đun lập kế hoạch chuyển động dự phịng nhằm đảm bảo an tồn cho xe tự hành cách xây dựng đường tối ưu dựa đánh giá khả di chuyển đối tượng tham gia giao thông khác khoảng thời gian định, sau với quỹ đạo di chuyển tính tốn thao tác khẩn cấp thích ứng Kết thực nghiệm dựa mơ tiến hành độc lập môđun, với kịch khác Q trình mơ tiến hành với điều khiển chuyển động mơ hình dự báo khác nhau, với phương pháp so sánh đánh giá để kiểm tra tính hiệu giải pháp đưa Trong tương lai, để tăng độ tin cậy giải pháp thiết lập thực nghiệm mô chuyển sang môi trường thực với xe thực nghiệm trang bị đầy đủ cảm biến, đồng thời thực nghiệm thực tế bổ sung số yếu tố phân tích tính ổn định hệ thống cho hành vi tham gia giao thông đối tượng dự báo xác Việc triển khai rộng rãi giải pháp hỗ trợ điều khiển cho xe bán tự hành hay tự hành hoàn toàn hệ thống điều khiển phương tiện giảm thiểu số lượng lớn thiệt hại tạo kế hoạch chuyển động an toàn cho tương lai 130 DANH MỤC CÁC CƠNG TRÌNH CƠNG BỐ Qch Hải Thọ, Huỳnh Cơng Pháp, Phạm Anh Phương (2022), Giải pháp áp dụng mơ hình phân lớp lập kế hoạch chuyển động cho xe tự hành, Kỷ yếu hội thảo khoa học quốc gia “Công nghệ thông tin & ứng dụng lĩnh vực” lần thứ 11 - CITA 2022, Thừa Thiên Huế 23/7/2022: tr 61-71, NXB Đà Nẵng, ISBN: 978-604-84-6711-1 Pham Anh Phuong, Huynh Cong Phap, Quach Hai Tho (2022), Building a mathematics model for lane-change technology of autonomous vehicles, ETRI Journal (2022), Vol 44, Issue 4, pp: 641–653 ISSN: 2233-7326, https://doi.org/10.4218/etrij.2021-0129, SCIE/Scopus Q2 Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong (2022), Motion planning solution with constraints based on minimum distance model for lane change problem of autonomous vehicles, Mathematical Modelling of Engineering Problems, Vol 9, No 1, pp 251-260 https://doi.org/10.18280/mmep.090131 Quách Hải Thọ, Huỳnh Công Pháp, Phạm Anh Phương (2021), Giải pháp cảnh báo tránh va chạm dựa liệu môi trường đặc điểm điều khiển phương tiện, Chun san cơng trình nghiên cứu, phát triển ứng dụng CNTT truyền thông, tập 2021, số 1, tháng 6, tr 7- 12, ISSN: 1859-2536 Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong (2020), A Solution Applying the Law on Road Traffic into A Set of Constraints to Establish A Motion Trajectory for Autonomous Vehicle, Advances in Science, Technology and Engineering Systems Journal, Vol 5, No 3, pp:450-456, ISSN:2415-6698 Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong(2020), Solutions for Building a System to Support Motion Control for Autonomous Vehicle, Advances in Science, Technology and Engineering Systems Journal, Vol 5, No 3, pp:583-588, ISSN:2415-6698 Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong(2019), A solution to ethical and legal problem with the decision-making model of autonomous vehicles, 2019 11th International Conference On Knowledge And Systems Eng ineering (KSE), pp 337 - 341, ISBN: 978-604-844-496-9 Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong(2019), A Solution for Building Motion Tracking System with Model Predictive Control for Autonomous Vehicles, 2019 11th International Conference On Knowledge And Systems Engineering (KSE), pp 332 - 336, ISBN: 978-604-844-496-9 Quách Hải Thọ, Phạm Anh Phương (2019), Một số đánh giá tổng quan kỹ thuật thiết lập đường cho xe tự hành, Tạp chí khoa học Trường Đại học Sư phạm - 131 Đại học Đà Nẵng, Số 32(01)/2019, trang 23-32, ISSN: 1859-4603 10 Quach Hai Tho, Huynh Cong Phap, Pham Anh Phuong (2019), A predictive control solution for contingency motion planning for autonomous vehicle, 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), pp 54-59, DOI: 10.1109/RIVF.2019.8713764, ISBN: 978-604843-998-9 11 Quách Hải Thọ, Huỳnh Công Pháp, Phạm Anh Phương (2018), Một giải pháp kỹ thuật thiết lập kế hoạch chuyển động cho xe tự hành, Kỷ yếu hội nghị khoa học công nghệ quốc gia lần thứ XI, Hà Nội 9-10/8/2018: tr 281-288, NXB Khoa học tự nhiên Công nghệ, ISBN: 978-604-913-749-5,DOI:10.15625/vap.2018.00038 132 TÀI LIỆU THAM KHẢO [1] A Akpunar, S Iplikci (2020), Runge-Kutta Model Predictive Speed Control for Permanent Magnet Synchronous Motors, Energies 2020, 13, 1216; DOI:10.3390/en13051216 [2] A Barth, A Kummert, P Weyers (2018), Driver State Monitoring with Hierarchical Classification, International Conference on Intelligent Transportation Systems (ITSC), USA, DOI: 10.1109/ITSC.2018.8569467 [3] Alp Aydinoglu, Michael Posa (2021), Real-Time Multi-Contact Model Predictive Control via ADMM, arXiv - CS – Robotics, Pub Date : 2021-09-15, DOI: arxiv2109.07076 [4] A Kelly (2016), High-Fidelity Yet Fast Dynamic Models of Wheeled Mobile Robots, IEEE Transactions on Robotics 32(3): 1-12, DOI: 10.1109/ TRO.2016.2546310 [5] A Nash, S Koenig (2019), Theta: Any-angle pathfinding, In book: Game AI Pro 360, DOI: 10.1201/9780429055096-12 [6] A Piazzi, A Costalunga (2020), Polynomial interpolation for inversion-based control, European Journal of Control 56, DOI: 10.1016/j.ejcon.2020.01.007 [7] A Stentz, Abdeslam Boularias, Felix Duvallet et al (2016), Learning Qualitative Spatial Relations for Robotic Navigation, Proceedings of 25th International Joint Conference on Artificial Intelligence (IJCAI '16), pp 4130 - 4134 DOI: 10.5555/3061053.3061232 [8] Ahmed AbdElmoniem, Ahmed Osama, Mohamed Abdelaziz et al (2020), A pathtracking algorithm using predictive Stanley lateral controllerm, International Journal of Advanced Robotic Systems, November-December 2020: 1–11, DOI: 10.1177/1729881420974852 [9] Akinobu Goto, Takashi Fukushige, Takeshi Kimura (2021), Real-Time Trajectory Planning for Autonomous Driving in Urban Area Based on Dynamic Programming, Transactions of Society of Automotive Engineers of Japan, 2021, Vol 52, Issue 3, pp.639-644, DOI: 10.11351/jsaeronbun.52.639 [10] Amer N.H., Zamzuri H., Hudha K (2017), Modelling and Control Strategies in Path Tracking Control for Autonomous Ground Vehicles: A Review of State of the Art and Challenges J Intell Robot Syst.86, pp.225–254 DOI: 10.1007/s10846-016-0442-0 [11] Anouer Bennajeh, Slim Bechikh, Lamjed Ben Said & Samir Aknine (2019), Bilevel Decision-making Modeling for an Autonomous Driver Agent: Application in the Car-following Driving Behavior, Applied Artificial Intelligence, 33:13, pp.1157-1178, DOI: 10.1080/08839514.2019.1673018 133 [12] Asgharizadeh E, Taghizadeh Yazdi M, Mohammadi Balani A (2019), An outputoriented classifcation of multiple attribute decision-making techniques based on fuzzy c-means clustering method Int Trans Oper Res 26:2476–2493 DOI:10.1111/itor.12449 [13] Barman B., Kanjilal R., Mukhopadhyay A (2016), Neuro-Fuzzy controller design to navigate unmanned vehicle with construction of traffic rules to avoid obstacles Int J Uncertain Fuzziness Knowl Based Syst.24, pp.433–449 DOI: 10.1142/S0218488516500227 [14] Bautista-Camino, Barranco-Gutiérrez, Ilse Cervantes et al (2022), Local Path Planning for Autonomous Vehicles Based on the Natural Behavior of the Biological Action-Perception Motion, Energies 15, no 5: 1769 DOI:10.3390/en15051769 [15] Boliang Yi, Stefan Gottschling, Jens Ferdinand et al (2016), Real time integrated vehicle dynamics control and trajectory planning with mpc for critical maneuvers, IEEE Intelligent Vehicles Symposium DOI: 10.1109/IVS.2016.7535446 [16] Bonnefon J.F., Shariff A., Rahwan I (2016) The social dilemma of autonomous vehicles Science.352, pp.1573–1576 DOI: 10.1126/science.aaf2654 [17] Brown M., Funke J., Erlien S., (2017), Safe driving envelopes for path tracking in autonomous vehicles Control Eng Pract.61, pp.307–316 DOI: 10.1016/j.conengprac.2016.04.013 [18] B Paden, M p, S Z Yong, D Yershov et al (2016), A survey of motion planning and control techniques for self-driving urban vehicles, IEEE Transactions on Intelligent Vehicles, vol 1, no 1, pp 33–55 DOI: 10.48550/arXiv.1604.07446 [19] Collin, Anne, Siddiqi et al (2019), Autonomous driving systems hardware and software architecture exploration: optimizing latency and cost under safety constraints, Systems Engineering, 23 (3), Wiley, DOI: 10.1002/sys.21528 [20] Chen, Y., Cai, Y., Zheng, J., & Thalmann, D (2017) Accurate and efficient approximation of clothoids using Bézier curves for path planning, IEEE Transactions on Robotics, 33(5), 1242‑1247 DOI:10.1109/TRO.2017.2699670 [21] Dixit S., Fallah S., Montanaro U (2018), Trajectory planning and tracking for autonomous overtaking: State-of-the-art and future prospects Annual Reviews in Control,Vol5,pp.76-86, ISSN: 1367-5788 DOI: 10.1016/j.arcontrol.2018.02.001 [22] Enrique Herrera-Viedma, Francisco Chiclana, Yucheng Dong (2018), Special issue on intelligent decision support systems based on soft computing and their applications in real-world problems Appl Soft Comput.67, pp.610–612 DOI: 10.1016/j.asoc.2018.04.054 134 [23] Fen Lin, Minghong Sun, Jian Wu, and Chengliang Qian (2021), Path Tracking Control of Autonomous Vehicle Based on Nonlinear Tire Model Actuators 2021, 10, 242 DOI: 10.3390/act10090242 [24] Goodall, N (2020), Machine Ethics and Automated Vehicles, ArXiv, abs/2010.15665 DOI:10.1007/978-3-319-05990-7_9 [25] Wuwei Chen, Linfeng Zhao, Dongkui Tan, et al (2019), Human machine shared control for lane departure assistance based on hybrid system theory, Control Engineering Practice, 84:399 – 407, DOI:10.1016/j.conengprac.2018.12.011 [26] Wiseman, Y (2022) Autonomous vehicles In Research Anthology on CrossDisciplinary Designs and Applications of Automation (pp 878-889) IGI Global [27] J.B Rawlings, M.J.Risbeck (2017), Model predictive control with discrete actuators: Theory and application, Automatica, ISSN:0005-1098, Vol.78, pp.258265, DOI: 10.1016/j.automatica.2016.12.024 [28] J Bruce, M Veloso et al (2020), Using Pre-Computed Knowledge for Goal Allocation in Multi-Agent Planning, Journal of Intelligent & Robotic Systems 98(2) DOI: 10.1007/s10846-019-01022-0 [29] J Horst, N.Huang, Jingshan Li et al (2016), Flexible Serial Lines With Setups: Analysis, Improvement, and Application, IEEE Robotics and Automation Letters 2(1):1-1,DOI: 10.1109/LRA.2016.2556078 [30] Jorge Godoy, Víctor Jiménez, Antonio Artuñedo et al (2021), A Grid-Based Framework for Collective Perception in Autonomous Vehicles, Sensors 2021, 21, 744 DOI: 10.3390/s21030744 [31] Jos Elfring, Elena Torta and René van de Molengraft (2021), Particle Filters: A Hands-On Tutorial, Sensors 2021, 21, 438 DOI: 10.3390/s21020438 [32] Jiajia Chen, Rui Zhang, Wei Han et al (2020), Path Planning for Autonomous Vehicle Based on a Two-Layered Planning Model in Complex Environment, Journal of Advanced Transportation, vol 2020, Article ID 6649867, 14 pages DOI: 10.1155/2020/6649867 [33] Yuan Guo, Bijun Li, Zhi Lu & Jian Zhou (2021), A novel method for road network mining from floating car data, Geo-spatial Information Science, DOI: 10.1080/10095020.2021.2003165 [34] Klaus Bengler, Julia Drüke, Silja Hoffmann et al (2018) UR:BAN Human Factors in Traffic “Approaches for Safe, Efficient and Stress-free Urban Traffic”, Part of the ATZ/MTZ-Fachbuch book series (ATZMTZ), DOI: 10.1007/978-3-658-15418-9 135 [35] Lattarulo, Ray, Joshué Pérez Rastelli (2021), A Hybrid Planning Approach Based on MPC and Parametric Curves for Overtaking Maneuvers, Sensors 21, no 2: 595 DOI:10.3390/s21020595 [36] L.Arturo Torres-Romero, Luis Enrique González-Jiménez, Riemann Ruiz-Cruz (2019), Lateral vehicle dynamics and controllers design, ITESO, DOI: 10.13140/RG.2.2.12328.93440 [37] Li X., Sun Z., Cao D (2017), Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles Mech Syst Signal Process.87, 118–137 DOI: 10.1016/j.ymssp.2015.10.021 [38] Li, S., Shu, K., Chen, C et al (2021), Planning and Decision-making for Connected Autonomous Vehicles at Road Intersections: A Review Chin J Mech Eng 34, 133 (2021) DOI:10.1186/s10033-021-00639-3 [39] Maria Drakaki, Yannis L Karnavas, Ioannis A Tziafettas et al (2022), Machine learning and deep learning based methods toward Industry 4.0 predictive maintenance in induction motors: Α state of the art survey, Journal of Industrial Engineering and Management, 15(1), 31-57 DOI:10.3926/jiem.3597 [40] Mara, M., & Meyer, K (2022) Acceptance of autonomous vehicles: An overview of user-specific, car-specific and contextual determinants User Experience Design in the Era of Automated Driving, 51-83 DOI: 10.1007/9783-030-77726-5_3 [41] Montani, M.; Ronchi, L.; Capitani, R.; Annicchiarico, C (2021), A Hierarchical Autonomous Driver for a Racing Car: Real-Time Planning and Tracking of the Trajectory, Energies 2021, 14, 6008 DOI: 10.3390/en14196008 [42] Muhammad Faizan, Shah Hussain, M I Hayee (2019), Design and Development of In-Vehicle Lane Departure Warning System using Standard Global Positioning System Receiver, Journal of the Transportation Research Board, Vol 2673 issue: 8, pp 648-656, DOI: 10.1177/0361198119844751 [43] M Forghani, J M McNew, D Hoehener et al (2016), Design of driver-assist systems under probabilistic safety specifications near stop signs, IEEE Transactions on Automation Science and Engineering, vol 13, no 1, pp 43–53 DOI: 10.1109/TASE.2015.2499221 [44] M Khaleghian, O Ghasemalizadeh, S Taheri et al (2019), A Combination of Intelligent Tire and Vehicle Dynamic Based Algorithm to Estimate the Tire-Road Friction, SAE International Journal of Passenger Cars - Mechanical Systems 12(2), DOI: 10.4271/06-12-02-0007 136 [45] Nam Dinh, Muhammad Sualed, Dohyeong Kim et al (2020), A Hierarchical Control System for Autonomous Driving towards Urban Challenges, Applied Sciences 10(10):26, DOI: 0.3390/app10103543 [46] Nengchao Lyu, Zhicheng Duan, Changxi Ma & Chaozhong Wu (2020), Safety margins – a novel approach from risk homeostasis theory for evaluating the impact of advanced driver assistance systems on driving behavior in near-crash events, Journal of Intelligent, Transportation Systems, DOI: 10.1080/15472450.2020.1795846 [47] Nyholm S., Smids J (2016), The ethics of accident-algorithms for self-driving cars: An applied trolley problem?, Eth Theory Moral Pract.19, pp.1275–1289 DOI:10.1007/s10677-016-9745-2 [48] Nguyen, A.-T.; Rath, J.J.; Chen, L.; Guerra, T.-M.; Lauber, J (2021), HumanMachine Shared Driving Control for Semi-Autonomous Vehicles Using Level of Cooperativeness Sensors 2021, 21, 4647 DOI: 10.3390/s21144647 [49] Peter Zechel, Ralph Streiter, Klaus Bogenberger, Ulrich Gohner (2019) Probabilistic Interaction-Aware Occupancy Prediction for Vehicles in Arbitrary Road Scenes, 2019 Third IEEE International Conference on Robotic Computing (IRC), pp 423-424, DOI: 10.1109/IRC.2019.00081 [50] Rens van de Schoot, R., Depaoli, S., King, R et al (2021), Bayesian statistics and modelling, Nat Rev Methods Primers 1,1.DOI:10.1038/s43586-020-00001-2 [51] Richard W Cottle, Mukund N Thapa (2017), Linear and Nonlinear Optimization (2nd ed.), International Series inOperations Research & Management Science, DOI: 10.1007/978-1-4939-7055-1 [52] Houjun Hang, Xing Yao, Qingqing Li, Michel Artiles (2017), Cubic B-Spline Curves with Shape Parameter and Their Applications, Mathematical Problems in Engineering, vol 2017, Article ID 3962617, DOI:10.1155/2017/3962617 [53] Rui Li, Qi Ouyang , Yue Cui and Yang Jin (2021) Preview Control with Dynamic Constraints for Autonomous Vehicles, Sensors 2021, 21, 5155 DOI: 10.3390/s21155155 [54] S M Erlien, S Fujita, J C Gerdes (2016), Shared steering control using safe envelopes for obstacle avoidance and vehicle stability, IEEE Transactions on Intelligent Transportation Systems, vol 17, no 2, pp 441–451 DOI: 10.1109/TITS.2015.2453404 [55] S.M LaValle, Jason M O’Kane, Benjamin Tovar et al (2018), Algorithms for Planning under Uncertainty in Prediction and Sensing, in book: Autonomous Mobile Robots, DOI: 10.1201/9781315221229-17 137 [56] S.M LaValle, Jingjin Yu (2016), Optimal Multirobot Path Planning on Graphs: Complete Algorithms and Effective Heuristics, IEEE Transactions on Robotics, vol 32(5), pp.1163 - 1177, DOI: 10.1109/TRO.2016.2593448 [57] Sridhar Lakshmanan, Hesham Alghodhaifi, Stanley Baek et al (2018), Autonomy modeling and validation in a highly uncertain environment, 2018 Ndia ground vehicle systems engineering and technology symposium at: novi, michigan [58] Thornton S.M., Pan S., Erlien S.M (2017), Incorporating ethical considerations into automated vehicle control IEEE Trans Intell Transp 18, pp.1429–1439 [59] Xing, Haitao & Ploeg, Jeroen & Nijmeijer, Henk (2019) Smith Predictor Compensating for Vehicle Actuator Delays in Cooperative ACC Systems IEEE Transactions on Vehicular Technology, vol 68, no 2, pp 1-11 DOI:10.1109/TVT.2018.2886467 [60] Xuedong Wang et al, (2017), A Survey of Recent Advances in Particle Filters and Remaining Challenges for Multitarget Tracking, Sensors 2017, 17, 2707, DOI:10.3390/s17122707 [61] Xiao, W., Zhang, L., and Meng, D (2020),Vehicle Trajectory Prediction Based on Motion Model and Maneuver Model Fusion with Interactive Multiple Models, SAE Int J Adv & Curr Prac in Mobility 2(6), pp.3060-3071, DOI:10.4271/2020-01-0112 [62] Ivan Cvok, Branimir Škugor, Joško Deur (2021), Control trajectory optimisation and optimal control of an electric vehicle HVAC system for favourable efficiency and thermal comfort, Optimization and Engineering (2021) 22, pp.83–102, DOI:10.1007/s11081-020-09515-w [63] Yanchuan Xu, Huarong Zheng, Weimin Wu, Jun Wu (2020), Robust Hierarchical Model Predictive Control for Trajectory Tracking with Obstacle Avoidance, IFAC-Papers On Line, Volume 53, Issue 2, pp.15745-15750, ISSN: 2405-8963, DOI:10.1016/j.ifacol.2020.12.056 [64] Guo Liang Han (2021), Automatic Parking Path Planning Based on Ant Colony Optimization and the Grid Method, Hindawi, Journal of Sensors, Volume 2021, Article ID 8592558, DOI: 10.1155/2021/8592558 [65] Zhang J., Liao Y., Wang S (2017), Study on driving decision-making mechanism of autonomous vehicle based on an optimized support vector machine regression Appl Sci.8, ID:13.DOI: 10.3390/app8010013 [66] Zhang, Z., Zheng, L., Li, Y et al (2021), Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles Sci China Technol Sci 64, 2427–2440 (2021) DOI:10.1007/s11431021-1880-1