CN111176284A - 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 - Google Patents
一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 Download PDFInfo
- Publication number
- CN111176284A CN111176284A CN202010002535.8A CN202010002535A CN111176284A CN 111176284 A CN111176284 A CN 111176284A CN 202010002535 A CN202010002535 A CN 202010002535A CN 111176284 A CN111176284 A CN 111176284A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- current
- path
- node
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000009191 jumping Effects 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 241000257303 Hymenoptera Species 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
Description
技术领域
本发明属于无人驾驶路径追踪控制领域,具体涉及一种在智能车辆自动追踪预设路径时,根据车辆实时运行状态自适应调整控制器模型参数,得到最优的轮胎转向角,从而控制车辆运行的方法和系统。
背景技术
路径追踪是车辆无人驾驶的一项关键技术,目前路径追踪主要有以下几种方法:采用PID控制器,跟踪能力较好,对复杂工况的适应性较差;采用纯追踪算法,跟踪性能和实时性较好,但是需要建立精确的数学模型,而且前视距离不易选取,使其在应用方面受到很大的限制;采用模型预测控制的方法,该方法通过求解带约束的目标函数,预测系统未来时刻的状态,在线滚动优化,使跟踪误差最小,但是其计算较为复杂,对硬件要求较高;采用Stanley算法,该算法的核心是一个非线性反馈横向偏差函数,数学模型比较简单,硬件要求低,实时性好。
然而,目前多数Stanley算法中存在一个问题,当车辆行驶速度发生变化时,需要人为改变增益参数k,否则跟踪误差增大。人为调整参数,增加了操作的不便性,而且所调整的参数不一定是最优参数。针对这一问题,有学者采用马尔可夫决策方法(MDP)在线寻找最优增益参数k,该方法能够实现在线优化Stanley算法,但是较为繁琐。开展在不同行驶速度下,Stanley控制算法自适应优化的研究,对提升车辆路径追踪能力具有重要意义。
发明内容
发明目的:本发明旨在提供一种能够根据车辆运行状态自适应调整Stanley模型参数,得到最优的轮胎转向角,从而控制车辆精确跟踪参考路径的方法。
技术方案:本发明一方面公开了一种用于无人驾驶的车辆路径追踪自适应控制方法,包括:
其中△u为期望前轮转向角,θh为车辆的当前航向角,θr为参考路径的角度,dXTE为当前时刻的横向误差,v为当前时刻的速度,k为当前时刻的增益参数;
(2)根据车辆当前的运行状态,采用改进的蚁群算法计算当前时刻的最优增益参数kopt;
(3)将当前时刻的最优增益参数kopt代入车辆的Stanley模型中,得到下一时刻车辆的最优期望转向角,控制车辆运行;判断是否要切换参考点,跳转至步骤2继续下一时刻的控制,直到车辆到达参考路径的终点。
另一方面,本发明公开了实现上述车辆路径追踪自适应控制方法的控制系统,包括:
车辆Stanley模型建立模块,用于建立车辆的Stanley模型;
车辆最优增益参数计算模块,用于根据车辆当前的运行状态,采用改进的蚁群算法计算当前时刻的最优增益参数kopt;
车辆期望前轮转向角计算模块,用于根据车辆的Stanley模型和最优增益参数kopt计算车辆的最优期望转向角;
主控模块,用于根据车辆的最优期望转向角,控制车辆运行,并判断是否要切换参考点,控制车辆最优增益参数计算模块和车辆期望前轮转向角计算模块的启停,直到车辆到达参考路径的终点。
有益效果:与现有技术相比,本发明公开的用于无人驾驶的车辆路径追踪自适应控制方法和系统具有如下优点:利用蚁群算法进行参数优化,鲁棒性强,具有更强的全局搜索能力,能够根据实时速度自适应调整Stanley模型的控制器参数,增强算法的自适应能力,使车辆快速地跟踪预设路径。
附图说明
图1为本发明公开的车辆路径追踪自适应控制方法的流程图;
图2为采用改进的蚁群算法计算当前时刻的最优增益参数的流程图;
图3为本发明公开的车辆路径追踪自适应控制系统的组成图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种用于无人驾驶的车辆路径追踪自适应控制方法,如图1所示,包括:
步骤1、建立车辆的Stanley模型
Stanley模型的核心是一个非线性反馈横向偏差函数,横向偏差呈指数收敛。根据车辆位姿和参考路径的信息,可以直观的得到期望车轮转角与航向角偏差和横向偏差的关系。
其中θh为车辆的当前航向角,θr为参考路径的角度。
其中dXTE为当前时刻的横向误差,即车辆到参考路径的最短距离(规定参考路径左侧为负,右侧为正),v为当前时刻的速度,k为增益参数,与速度有关,且决定模型的收敛速度。
结合以上两种情况,当横向误差和航向均存在时,期望前轮转向角△u由两部分组成,一部分用来消除航向偏差,另一部分用来消除横向偏差,如下式所示:
联立式(1)、(2)、(3)可得Stanley模型的表达式为:
其中△u为期望前轮转向角,θh为车辆的当前航向角,θr为参考路径的角度,dXTE为当前时刻的横向误差,v为当前时刻的速度,k为当前时刻的增益参数;
步骤2、根据车辆当前的运行状态,采用改进的蚁群算法计算当前时刻的最优增益参数kopt;如图2所示,包括如下步骤:
(2.1)根据k的取值范围和精度确定小数位数和整数位数,设整数位数为I,小数位数为J;确定蚂蚁的活动区域为0≤x≤I+J,0≤y≤9约束的矩形区域Area,x,y均为整数;蚂蚁从坐标原点出发爬向x=I+J的节点为一次迭代,一次迭代包括I+J步,所经过的路径节点依次为Path=A(1,y1),A(2,y2),…,A(I+J,yI+J),yn∈{0,1,…,9},n=1,2,…,I+J;
通常情况下,k为小于10正实数,考虑到0.0001的精度已能够满足车辆运行的控制要求,本实施例中设定k的整数位数为1,即I=1,小数位数4,即J=4;即0<k≤9.9999。Area为以(0,9)为左上角,(5,0)为右下角的矩形区域。每次迭代,蚂蚁爬行5步。
(2.2)初始化蚁群参数:设置蚁群规模M,最大迭代次数Imax,信息素挥发系数ρ,蚂蚁迭代一次释放的信息素总量Q,遗留信息素的重要程度α,启发信息的重要程度β,初始化Area中各节点的信息素τx,y(0)=C;ρ、Q、α、β、C均为常数;当前最优路径节点的纵坐标均为0,即当前迭代次数i=0,当前爬行步数j=0;
本实施例中设定信息素挥发系数ρ的取值范围为(0,1),蚂蚁迭代一次释放的信息素总量Q=10,遗留信息素的重要程度α和启发信息的重要程度β的取值范围均为(0,5)
x'=x+v·T·cosθh
y'=y+v·T·sinθh
其中T为采样周期,dcarwidth为车辆轴距;
(2.5)更新矩形区域Area每个节点的信息素:
τxy(i+1)=(1-ρ)·τxy(i)+△τxy
其中,(1-ρ)·τxy(i)为挥发之后剩余的信息素,△τxy为本次迭代中,所有经过节点(x,y)的蚂蚁留下的信息素,由下式表示:
(2.6)令i加一,判断是否达到迭代终止条件:
当前迭代次数i≥Imax,或相邻两次迭代的最优增益参数满足精度要求:
其中ξ是预设的精度阈值;
如不满足上述条件,令j=0,跳转至步骤2.3进行下一次迭代;
如满足迭代终止条件,将最优路径所对应的增益参数作为当前时刻的最优增益参数kopt。
步骤3、将当前时刻的最优增益参数kopt代入车辆的Stanley模型中,得到下一时刻车辆的最优期望转向角,控制车辆运行;
当车辆当前位置到达或超过参考路径上的当前参考点时,将当前参考点切换为参考路径上的下一个轨迹点;
跳转至步骤2继续下一时刻的控制,直到车辆到达参考路径的终点。
本发明还公开了实现上述车辆路径追踪自适应控制方法的控制系统,如图2所示,包括:
车辆Stanley模型建立模块,用于建立车辆的Stanley模型;
车辆最优增益参数计算模块,用于根据步骤2采用改进的蚁群算法计算当前时刻的最优增益参数kopt;
车辆期望前轮转向角计算模块,用于根据车辆的Stanley模型和最优增益参数kopt计算车辆的最优期望转向角;
主控模块,用于根据车辆的最优期望转向角,控制车辆运行,并判断是否要切换参考点,控制车辆最优增益参数计算模块和车辆期望前轮转向角计算模块的启停,直到车辆到达参考路径的终点。
Claims (7)
2.根据权利要求1所述车辆路径追踪自适应控制方法,其特征在于,所述步骤(2)包括:
(2.1)根据k的取值范围和精度确定小数位数和整数位数,设整数位数为I,小数位数为J;确定蚂蚁的活动区域为0≤x≤I+J,0≤y≤9约束的矩形区域Area,x,y均为整数;蚂蚁从坐标原点出发爬向x=I+J的节点为一次迭代,一次迭代包括I+J步,所经过的路径节点依次为Path=A(1,y1),A(2,y2),…,A(I+J,yI+J),yn∈{0,1,…,9},n=1,2,…,I+J;
(2.2)初始化蚁群参数:设置蚁群规模M,最大迭代次数Imax,信息素挥发系数ρ,蚂蚁迭代一次释放的信息素总量Q,遗留信息素的重要程度α,启发信息的重要程度β,初始化Area中各节点的信息素τx,y(0)=C;ρ、Q、α、β、C均为常数;当前最优路径节点的纵坐标均为0,即当前迭代次数i=0,当前爬行步数j=0;
x'=x+v·T·cosθh
y'=y+v·T·sinθh
其中T为采样周期,dcarwidth为车辆轴距;
(2.5)更新矩形区域Area每个节点的信息素:
τxy(i+1)=(1-ρ)·τxy(i)+△τxy
其中,(1-ρ)·τxy(i)为挥发之后剩余的信息素,△τxy为本次迭代中,所有经过节点(x,y)的蚂蚁留下的信息素,由下式表示:
(2.6)令i加一,判断是否达到迭代终止条件,如不满足,令j=0,跳转至步骤2.3进行下一次迭代;
如满足迭代终止条件,将最优路径所对应的增益参数作为当前时刻的最优增益参数kopt。
4.根据权利要求2所述车辆路径追踪自适应控制方法,其特征在于,步骤2.1中k的整数位数为1,I=1,小数位数4,J=4。
5.根据权利要求2所述车辆路径追踪自适应控制方法,其特征在于,信息素挥发系数ρ的取值范围为(0,1),蚂蚁迭代一次释放的信息素总量Q=10,遗留信息素的重要程度α和启发信息的重要程度β的取值范围均为(0,5)。
6.根据权利要求1所述车辆路径追踪自适应控制方法,其特征在于,所述步骤3中,当车辆当前位置到达或超过参考路径上的当前参考点时,将当前参考点切换为参考路径上的下一个轨迹点。
7.一种用于无人驾驶的车辆路径追踪自适应控制系统,其特征在于,包括:
车辆Stanley模型建立模块,用于建立车辆的Stanley模型;
车辆最优增益参数计算模块,用于根据车辆当前的运行状态,采用改进的蚁群算法计算当前时刻的最优增益参数kopt;
车辆期望前轮转向角计算模块,用于根据车辆的Stanley模型和最优增益参数kopt计算车辆的最优期望转向角;
主控模块,用于根据车辆的最优期望转向角,控制车辆运行,并判断是否要切换参考点,控制车辆最优增益参数计算模块和车辆期望前轮转向角计算模块的启停,直到车辆到达参考路径的终点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002535.8A CN111176284B (zh) | 2020-01-02 | 2020-01-02 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002535.8A CN111176284B (zh) | 2020-01-02 | 2020-01-02 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176284A true CN111176284A (zh) | 2020-05-19 |
CN111176284B CN111176284B (zh) | 2022-09-23 |
Family
ID=70652601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002535.8A Active CN111176284B (zh) | 2020-01-02 | 2020-01-02 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176284B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767507A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 一种倒车轨迹追踪方法、装置、电子设备及存储介质 |
CN113156945A (zh) * | 2021-03-31 | 2021-07-23 | 深圳市优必选科技股份有限公司 | 一种自动引导车辆及其停车控制方法、控制装置 |
CN113190018A (zh) * | 2021-05-24 | 2021-07-30 | 东南大学 | 一种基于改进航向误差率的智能体路径控制方法 |
CN114355941A (zh) * | 2022-01-04 | 2022-04-15 | 北京石油化工学院 | 基于改进Stanley控制的车辆路径跟踪方法 |
US11429114B2 (en) * | 2020-02-14 | 2022-08-30 | Deere & Company | Implement control of vehicle and implement combination |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751250A (zh) * | 2015-04-16 | 2015-07-01 | 南通理工学院 | 一种基于蚁群方法的最优路径寻找方法 |
CN105187310A (zh) * | 2015-09-22 | 2015-12-23 | 北京大学深圳研究生院 | 一种路径优化方法与系统 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN107544520A (zh) * | 2017-10-25 | 2018-01-05 | 上海联适导航技术有限公司 | 一种用于四轮载具自动驾驶的控制方法 |
CN108001447A (zh) * | 2017-11-23 | 2018-05-08 | 江苏大学 | 一种智能车辆路径跟踪前轮转角补偿控制方法 |
CN109405846A (zh) * | 2018-10-08 | 2019-03-01 | 东南大学 | 一种自适应调整前视距离与延迟参数的路径追踪方法 |
CN109407674A (zh) * | 2018-12-19 | 2019-03-01 | 中山大学 | 基于遗传算法整定参数的Pure Pursuit结合PI的路径跟踪方法 |
CN110362084A (zh) * | 2019-07-22 | 2019-10-22 | 东南大学 | 一种基于蚁群算法的车辆路径追踪控制方法 |
-
2020
- 2020-01-02 CN CN202010002535.8A patent/CN111176284B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751250A (zh) * | 2015-04-16 | 2015-07-01 | 南通理工学院 | 一种基于蚁群方法的最优路径寻找方法 |
CN105187310A (zh) * | 2015-09-22 | 2015-12-23 | 北京大学深圳研究生院 | 一种路径优化方法与系统 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN107544520A (zh) * | 2017-10-25 | 2018-01-05 | 上海联适导航技术有限公司 | 一种用于四轮载具自动驾驶的控制方法 |
CN108001447A (zh) * | 2017-11-23 | 2018-05-08 | 江苏大学 | 一种智能车辆路径跟踪前轮转角补偿控制方法 |
CN109405846A (zh) * | 2018-10-08 | 2019-03-01 | 东南大学 | 一种自适应调整前视距离与延迟参数的路径追踪方法 |
CN109407674A (zh) * | 2018-12-19 | 2019-03-01 | 中山大学 | 基于遗传算法整定参数的Pure Pursuit结合PI的路径跟踪方法 |
CN110362084A (zh) * | 2019-07-22 | 2019-10-22 | 东南大学 | 一种基于蚁群算法的车辆路径追踪控制方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11429114B2 (en) * | 2020-02-14 | 2022-08-30 | Deere & Company | Implement control of vehicle and implement combination |
CN111767507A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 一种倒车轨迹追踪方法、装置、电子设备及存储介质 |
CN113156945A (zh) * | 2021-03-31 | 2021-07-23 | 深圳市优必选科技股份有限公司 | 一种自动引导车辆及其停车控制方法、控制装置 |
CN113190018A (zh) * | 2021-05-24 | 2021-07-30 | 东南大学 | 一种基于改进航向误差率的智能体路径控制方法 |
CN114355941A (zh) * | 2022-01-04 | 2022-04-15 | 北京石油化工学院 | 基于改进Stanley控制的车辆路径跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111176284B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176284B (zh) | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 | |
CN110362084B (zh) | 一种基于蚁群算法的车辆路径追踪控制方法 | |
CN111413966B (zh) | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 | |
CN112693449B (zh) | 一种无人车辆极限工况下横纵向耦合控制方法 | |
CN111694364A (zh) | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 | |
CN111650929B (zh) | 一种自适应滑模控制方法、系统及移动机器人控制器 | |
CN110989577A (zh) | 自动驾驶决策方法及车辆的自动驾驶装置 | |
CN113515125A (zh) | 一种无人驾驶汽车全工况避障控制方法及性能评价方法 | |
CN111538328A (zh) | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 | |
CN114047722A (zh) | 基于mpc的自适应位姿修正的路径跟踪控制方法 | |
CN113031436A (zh) | 一种基于事件触发的移动机器人模型预测轨迹跟踪控制系统及方法 | |
CN114326709B (zh) | 一种基于模型预测控制的具有预览特性的智能车辆路径跟踪方法 | |
CN113190018B (zh) | 一种基于改进航向误差率的智能体路径控制方法 | |
CN111552183A (zh) | 一种基于自适应权重强化学习的六足机器人避障方法 | |
CN110789530A (zh) | 一种四轮独立转向-独立驱动车辆轨迹跟踪方法和系统 | |
CN114675673B (zh) | 一种空中动目标追踪方法及系统 | |
CN114667852A (zh) | 一种基于深度强化学习的绿篱修剪机器人智能协同控制方法 | |
CN113721620B (zh) | 基于粒子群-遗传混合算法的车辆横向pid控制方法 | |
CN111221338B (zh) | 一种路径跟踪的方法、装置、设备及存储介质 | |
CN114859886A (zh) | 基于自适应伸缩因子的变论域模糊控制agv纠偏方法 | |
CN114415522B (zh) | 一种履带车辆平台路径跟踪控制方法及系统 | |
CN117841976A (zh) | 一种优化预瞄距离的轨迹跟踪控制方法及系统 | |
CN117930634B (zh) | 一种高速数控角钢生产线冲压气缸控制优化方法 | |
CN118131628A (zh) | 一种基于多目标点信息融合的移动机器人跟踪控制方法 | |
CN117519133B (zh) | 一种无人驾驶采棉机轨迹跟踪控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |