本发明属于智能车轨迹跟踪控制技术领域,涉及一种基于滑模神经网络的智能车轨迹跟踪控制方法。
背景技术:
智能车在普通车辆的基础上,集成了多种先进的传感器和控制器,并通过这些装置实现人-车-路的智能信息交换,使智能车辆具有自主导航、自动驾驶、自主循迹和自动跟踪等多项功能。它是未来车辆技术的主体发展方向,一直备受国防事业、汽车工业、高校和科研机构的关注,智能车的发展对解决交通拥堵和事故,降低能源消耗都有极大的意义。轨迹跟踪是实现无人驾驶的重要环节,它是对轨迹规划器预先规划或者给定的参考轨迹进行跟踪,并在跟踪过程中保证车辆的安全性、舒适性和有效性,它是无人驾驶系统的基本问题之一。
目前各类的智能辅助驾驶系统中,都或多或少的涉及到了车辆的轨迹跟踪控制技术,而横向跟踪控制技术对于研究轨迹跟踪控制方法具有重要的意义,其实质上是转向控制,通过控制车辆的方向盘来实现不同工况下的自动跟踪。
智能车轨迹跟踪的研究一直是一个热点,同时也是一个难点。由于车辆是一个强非线性、高度耦合的复杂系统,而且车辆参数的不确定性和外界环境的干扰,因而很难建立精确的车辆动力学模型,再加上行驶工况的复杂多变,这些无疑给车辆的轨迹跟踪控制带来了极大的困难。
文献[1]较为全面的总结了智能车在轨迹跟踪控制方面研究的相关成果。文献[2]在郭孔辉院士提出的预瞄-跟随理论的基础上,建立了驾驶员最优预瞄侧向加速度模型和最优曲率模型,来完成路径跟踪任务。郭烈等人[3]基于车辆运动学模型的反馈控制来实现在弯道上的变道跟踪控制。文献[4]提出了基于遗传优化的模糊控制算法,通过遗传算法对横向模糊控制器的隶属度函数参数和控制规则优化更新,通过仿真和实车进行了验证;该方法在低速时跟踪效果较好,当车速较高时,车辆的横向偏差会逐渐增大,导致控制效果变差。文献[5]基于模型预测轨迹跟踪控制方法,使用线性动态化跟踪误差来预测未来的系统行为。但是当存在较大的跟踪误差时,系统的鲁棒性存在不足,自适应性较差。文献[6]讨论了一种基于非奇异的快速终端滑模(NFTSM)的综合动力学控制算法,用于改善车辆临界横向运动的稳定性;仿真结果表明该方法改善了横摆角速度和侧滑角控制器的瞬态响应,但是滑模面存在抖振现象,影响了控制的精度。文献[7]采用了基于六自由度的非线性模型设计了一种非奇异终端滑模控制器(NTSMC),该方法的优点是鲁棒性较好,提高了抗干扰的能力;但是由于建立的数学模型比较复杂,所以在模型求解方面会增加运算的负担,实时性不能得到保证。
上述的控制方法都可以实现对参考轨迹的跟踪,但是在轨迹跟踪过程中存在精度不足的问题尚未解决,本发明的创新点在于:解决了轨迹跟踪过程中存在的跟踪误差,提高了跟踪的精度,减小了滑模控制器的抖振,保证了跟踪控制器的鲁棒性和抗干扰能力。
参考文献:
[1]Czapla T,Wrona J.Technology Development of Military Applications of Unmanned Ground Vehicles[M]//Vision Based Systemsfor UAV Applications.Springer International Publishing,2013:293-309.
[2]Guo K,Fancher P S.Preview-follower method for modelling closed-loop vehicle directional control[J].1983.
[3]Guo L,Ge P S,Yue M,et al.Lane Changing Trajectory Planning and Tracking Controller Design for Intelligent Vehicle Running on Curved Road[J].Mathematical Problems in Engineering,2014,(2014-1-9),2014,2014(8):1-9..
[4]Guo J.Study on Lateral Fuzzy Control ofUnmanned Vehicles Via Genetic Algorithms[J].Journal ofMechanical Engineering,2012,48(6):76.
[5]G,Igor.Tracking-error model-based predictive control for mobile robots in real time[J].Robotics&Autonomous Systems,2007,55(6):460-469.
[6]Mousavinejad E,Han Q L,Yang F,et al.Integrated control of ground vehicles dynamics via advanced terminal sliding mode control[J].Vehicle System Dynamics,2017,55(2):268-294.
[7]Londhe P S,Dhadekar D D,Patre B M,et al.Non-singular terminal sliding mode control for robust trajectory tracking control of an autonomous underwater vehicle[C]//Indian Control Conference.2017:443-449.
技术实现要素:
本发明旨在解决以上现有技术存在的问题,提出一种基于滑模神经网络的智能车轨迹跟踪控制方法,旨在减小车辆建模时的系统误差,提高轨迹跟踪的精度。本发明的技术方案如下:
一种基于滑模神经网络的智能车轨迹跟踪控制方法,所述的方法包括以下步骤:
A、根据智能车上的环境感知和轨迹规划模块规划出一条参考轨迹,从参考轨迹上提取出车辆期望横摆角θp,然后根据智能车辆的传感器采集到的车辆行驶信息得出车辆实际横摆角θ,求出车辆实际横摆角和期望横摆角的误差为θe;
B、建立智能车的二自由度动力学模型,把步骤A中的横摆角误差θe传输给下层的滑模横向控制器,通过控制前轮转角δf来实现横向控制;考虑到建立的动力学模型的不确定性,采用RBF神经网络来对前轮转角进行补偿,从而优化横向跟踪控制。
进一步的,所述智能车的二自由度动力学模型的车辆动力学模型为:
表示横摆角误差二阶导数,其中D为系统模型的不确定性,即有:
令x1=θe,则上述动力学模型可变成:
式中:a、g表示公式计算的常量参数;
其中:Cf和Cr为汽车的前后轮侧偏刚度,vx和vy分别表示汽车的纵向速度和侧向速度,ω为汽车实际的横摆角速度,ωp为汽车期望的横摆角速度,lf和lr分别表示质心到汽车的前后轴距离,I表示汽车相对z轴的转动惯量,δf表示汽车的前轮转角。
进一步的,所述步骤B把步骤A中的横摆角误差θe传输给下层的滑模横向控制器,通过控制前轮转角δf来实现横向控制,所述滑模横向控制器的滑模控制律为:
其中:ε为常数且ε>0;k为常数且k>0;c表示常量,sgn(s)表示符号函数,可知:
由上式可知满足滑模的稳定可达条件。
进一步的,所述RBF神经网络共三层,包括输入层、隐含层和输出层,其中输入层有2个神经元,隐含层有5个神经元,输出层有1个神经元。
进一步的,所述隐含层神经元的激活函数为高斯函数:
式中,表示神经网络的输入向量;cj=[cj1 cj2]T表示第j个节点的中心向量值;bj=[bj1 bj2]T表示第j个节点的高斯基函数的基宽值向量;
网络输出层的输出为:
u2=WTH
式中:W=[w1w2···w5]T是RBF神经网络的权重矩阵,H=[h1h2···h5]是神经网络的隐含层输出。
进一步的,所述RBF神经网络还包括采用梯度下降法对神经网络的权值、中心向量和基宽向量的值进行修正的步骤。
进一步的,所述经过RBF神经网络补偿后的前轮转角控制律为:
本发明的优点及有益效果如下:
1、本发明考虑了车辆动力学特性,创新性的设计了能实现横向的轨迹跟踪的横向SMC控制器控制器,然后通过RBF神经网络的误差逼近能力大大提高了轨迹跟踪的精度,达到的控制效果好。
2、本发明不仅具备了滑模控制器的鲁棒性能、对外部的抗干扰性能,还具备了RBF神经网络的收敛速度快和自适应的能力,这一定程度上减少了滑模的抖振现象;同时减小了车辆建模时的系统误差,能保证轨迹跟踪过程的跟踪性能和稳定性能。
附图说明
图1是本发明提供优选实施例实施例提供的一种基于滑模神经网络的智能车轨迹跟踪控制方法的原理图;
图2为本发明步骤B中的车辆二自由度动力学模型图;
图3为横向误差位置和参考轨迹之间的关系图;
图4滑模横向控制的流程图;
图5为RBF神经网络的结构图;
图6为本发明的控制效果仿真图(纵向位置对比跟踪图);
图7为本发明的控制效果仿真图(横摆角对比跟踪图)。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示,是本发明的轨迹跟踪控制方法的原理图;所述的轨迹跟踪控制方法的步骤如下:
A.根据智能车的环境感知和轨迹规划模块规划出一条参考轨迹,提取出车辆期望横摆角θp,然后根据智能车辆的传感器采集到的车辆行驶信息得出车辆实际横摆角θ,求出车辆实际横摆角和期望横摆角的误差为θe;
B.把步骤A中的横摆角误差θe传输给下层的滑模横向控制器,通过控制前轮转角δf来实现横向控制;考虑到建立的动力学模型的不确定性,我们采用RBF神经网络来对前轮转角进行补偿,从而优化横向跟踪控制。
如图2所示为本发明步骤B中的车辆二自由度动力学模型图,建立的步骤如下:
1.车辆动力学受力分析
对建立的模型进行动力学分析,可以得出:
其中:Fxf和Fyf分别表示汽车前后轮侧向力,vx和vy分别表示汽车的纵向速度和侧向速度,ω为汽车实际的横摆角速度,m为汽车质量,lf和lr分别表示质心到汽车的前后轴距离,I表示汽车相对z轴的转动惯量,δf表示汽车的前轮转角。
2.前后轮的简化公式
其中:αf和αr为汽车的前后轮侧偏角;Cf和Cr为汽车的前后轮侧偏刚度;
将(2)式带入(1)式,根据小角度假设理论,可得:
如图3所示为本发明的汽车横向位置误差与参考轨迹的关系图,我们可以得出车辆的横向位置误差ecg和横摆角误差θe为:
对式(4)求导可得:
其中,ω和ωp分别车辆实际的横摆角速度和期望的横摆角速度;当θ足够小时,将式(4)和(5)代入式(3),此时可以得出:
对(6)式整理可得:
其中D为系统模型的不确定性,即:
令x1=θe,则上式(7)可变成:
式中:
如图4所示,为步骤B中的滑模横向控制的流程图,我们所设计的滑模控制器如下所示:
1.滑模面的设计
为了减小在轨迹跟踪过程中出现的位置偏差和角度偏差,本发明采用B中的滑模控制来控制前轮转角δf,本次设计以横摆角误差θe作为系统误差,则有:
e=θe=θ-θp (9)
定义滑模平面为:
其中,c为常数,且c>0
对上式(10)求导得:
根据式(8),可知(11)可化为:
2.滑模稳定性的证明
此时定义Lyapunov函数为:
对上式(13)求导得:
根据上式(14),可以设计如下的滑模控制律:
其中:ε为常数且ε>0;k为常数且k>0;
将式(15)代入式(14)中,可知:
由式(16)可知满足滑模的稳定可达条件。
如图5所示,为RBF神经网络的结构图。采用三层RBF神经网络,其结构选为2-5-1,即包括输入层、隐含层和输出层,输入层有2个神经元,隐含层有5个神经元,输出层有1个神经元。
隐含层神经元的激活函数为高斯函数:
式中,表示神经网络的输入向量;cj=[cj1 cj2]T表示第j个节点的中心向量值;bj=[bj1 bj2]T表示第j个节点的高斯基函数的基宽值向量。
网络输出层的输出为:
u2=WTH (18)
式中:W=[w1w2···w5]T是RBF神经网络的权重矩阵,H=[h1h2···h5]是神经网络的隐含层输出。
设训练样本集合包含n个训练样本,对于每个训练样本p(p=1,2...,k),网络对n个训练样本的总体误差函数为:
通过梯度下降法对神经网络的权值、中心向量和基宽向量的值进行修正,则有:
其中:
式中:η为学习速率,k为训练的次数,β为动量因子;η=0.5,β=0.06。
结合式(15)和(18),可得:
图6和图7是基于滑模神经网络控制方法和滑模方法对比的仿真图。图6是对参考纵向位置的跟踪,图7是参考横摆角的跟踪。结果表明该滑模神经网络控制方法纵向位置跟踪的误差和横摆角跟踪的误差大大减小,提高了轨迹跟踪的精度,能更好的实现跟踪的效果。
本发明将滑模的鲁棒性控制和抗外部干扰的优点以及RBF的收敛速度快和误差逼近能力强的优点相结合,达到了取长补短的效果;在拥有良好跟踪性能的同时也保证了车辆行驶的稳定性。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。