Resumen

En el modelo de dinámica de comportamiento, la competencia de comportamiento conduce al problema de choque de la trayectoria de navegación del vehículo inteligente, debido a la aparición simultánea del comportamiento de objetivo variable en el tiempo y el comportamiento de evitación de obstáculos. Teniendo en cuenta la seguridad y el tiempo real del vehículo inteligente, se propone el algoritmo de optimización de enjambre de partículas (PSO) para resolver estos problemas para la optimización de los coeficientes de peso del ángulo de rumbo y la velocidad de la trayectoria. En primer lugar, de acuerdo con el modelo de dinámica de comportamiento, se define la función de aptitud relativa a las características de conducción del vehículo inteligente, la distancia entre el vehículo inteligente y el obstáculo, y la distancia del vehículo inteligente y el objetivo. En segundo lugar, los parámetros de coordinación del comportamiento que minimizan la función de aptitud se obtienen mediante algoritmos de optimización de enjambre de partículas. Por último, los resultados de la simulación muestran que el método de optimización y su función de aptitud pueden mejorar las perturbaciones de la trayectoria de planificación del vehículo y el tiempo real y la fiabilidad.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:vehículo inteligente, modelo dinámico de comportamiento, función de aptitud, comportamiento de evitación de obstáculos, comportamiento variante del objetivo, parámetros de coordinación del comportamiento, optimización del peso, trayectoria de navegación del vehículo, algoritmo de optimización del enjambre, tiempo
• Keywords:intelligent vehicle, behavior dynamic model, fitness function, obstacles avoidance behavior, variant target behavior, behavior coordination parameters, optimization of weight, vehicle navigation path, swarm optimization algorithm, time