CN105136469A - 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 - Google Patents

Abstract

本发明公开了一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，具体步骤为：1：搭建无人驾驶车速控制系统架构；2：搭建车速跟踪闭环控制数学动态模型；3：基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型；4：对驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立输入输出变量隶属度函数；5：根据步骤3和步骤4，以及基于驾驶经验和测量数据建立驾驶员模型模糊控制规则表；6：计算出驾驶员模型中每条规则的适应度，完成模糊化和归一化计算；7：基于PSO算法搭建改进后的PSO控制流程；步骤8：搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。本发明提出的车速控制方法，车速跟踪误差小，抗干扰能力强。

Description

一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法

技术领域

本发明属于汽车试验自动驾驶装置控制技术领域，具体涉及一种能够实现给定目标车速准确跟踪的用于电动汽车无人驾驶的模糊神经网络控制。

背景技术

电动汽车续时里程及能耗是直接评估电动汽车性能的重要指标之一。传统测试电动汽车续时里程及能耗大都采用两种方案，第一是人工驾驶，这使得测试结果很大程度上受到人为因素，从而影响续驶里程评价指标。第二是安放在测功机上测试，由于测功机是按照某一定扭矩、定转速、恒电流控制，而汽车在正常行驶时的驱动电机是处于变扭矩、变转速，因此这种测试很难模拟电动汽车真实的行驶工况。

无人驾驶车辆排除了人为不确定因素的影响，不仅可以提高驾驶车速跟踪准确性，而且解决人工测试疲劳问题。随着相关技术的快速发展，无人驾驶正在经历着由半自主无人驾驶向全自主无人驾驶发展的阶段，在近几届由国家自然科学基金委主办的“智能车未来挑战赛“中，参赛车辆在某些场景下已经基本具有接近人类的自主驾驶能力。国外无人驾驶技术还处于保密阶段，目前只有少数企业拥有该技术，而无人驾驶技术大都在传统车领域。

由于汽车车速跟踪控制的数学模型较为复杂，而且汽车行驶过程中受到外界因素影响较大，这给无人驾驶车辆的驾驶员模型造成很多干扰。传统的PID车速控制方法，若要超调小，难以保证快速性的指标；若要动态响应快，则超调量必然大。而且非常规的PID调整不能在线进行参数整定。粒子群算法，也称粒子群优化算法(ParticleSwarmOptimization)，缩写为PSO，是近年来发展起来的一种新的进化算法(EvolutionaryAlgorithm-EA)。

PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。

RBF网络，即径向基神经网络，是前馈型网络的一种，RBF网络是一个三层的网络，出了输入输出层之外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因。但是RBF的训练时间更短。它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确，具有结构简单，训练速度快等优点。

发明内容

本发明为了实现电动汽车在循环工况测试中车速跟踪的准确性，提出一种用于无人驾驶车辆车速跟踪控制的新方法。本发明采用一种模糊控制和径向基函数(Radialbasisfunction，RBF)神经网络相结合的控制方法，控制车速跟踪，并采用粒子群优化(Particleswarmoptimization，PSO)算法进行优化。尽管PSO算法是一种新的群体智能优化算法，具有很好的全局优化能力，但是标准PSO算法容易出现局部最优，产生“早熟”收敛现象，为此本文采用改进PSO算法优化模糊RBF神经网络参数并应用于车速控制中，使其达到预期的控制效果。采用模糊RBF神经网络搭建无人驾驶驾驶员模型，采用改进的PSO算法对神经网络参数进行在线优化，从而实现车速跟踪的准确性。采用如下技术方案：

一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，包括如下步骤：

步骤1：搭建无人驾驶车速控制系统架构；

步骤2：搭建车速跟踪闭环控制数学动态模型；

步骤3：基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型；

步骤4：对步骤3中驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立输入输出变量隶属度函数；

步骤5：根据步骤3和步骤4，以及基于驾驶经验和测量数据建立驾驶员模型模糊控制规则表；

步骤6：建立驾驶员模型中每条规则的适应度，完成模糊化和归一化计算；

步骤7：基于PSO算法搭建改进后的PSO控制流程；

步骤8：搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。

进一步地，所述步骤1中的无人驾驶车速控制系统架构包括硬件系统架构和软件系统架构；

所述硬件系统架构包括：控制计算机、测试控制器、电机控制器MCU、动力电池以及电机M；所述控制计算机采用RS232通信方式与测试控制器相连接，所述测试控制器一方面通过D/A转换方式与所述电机控制器MCU相连接，所述测试控制器另一方面通过CAN总线与所述电机控制器MCU相连；所述电机控制器MCU与电机M相连；所述动力电池分别为测试控制器、电机控制器MCU相连；控制计算机模拟驾驶员大脑，负责数据采集、分析以及反馈控制信息给测试控制器；测试控制器传输加速踏板开度和制动踏板开度信息给电机控制器MCU；电机控制器MCU控制电机M转速；

所述软件系统架构包括：驾驶员模型、电机控制器MCU模型、车辆动态模型；所述驾驶员模型根据目标车速和实际车速以及PSO神经网络算法实现车速的自动跟踪控制，所述驾驶员模型的输出为加速踏板开度和制动踏板开度；所述电机控制器MCU模型根据驾驶员模型输出的加速踏板开度得出电机控制器MCU需求扭矩和实际输出扭矩；车辆动态模型根据MCU模型的输出扭矩、驾驶员模型输出的制动踏板开度和整车参数得出当前车辆实际车速、并反馈最终的实际车速给驾驶员模型。

进一步地，所述步骤2中搭建车速跟踪闭环控制数学动态模型的方法如下：

步骤2.1：采用无刷直流电机，电机控制策略采用转矩控制；

步骤2.2：根据电机特性曲线、母线电流、电机转矩、加速踏板开度及制动踏板开度、车辆动态模型关系得出车速跟踪闭环控制数学动态模型：

$F_3(\frac{{\mathrm{vi}}_g{i}_o}{0.377r},d)-Kmgf-Kmgi-F_4\left(b\right)=C_1{v}^2+C_2\frac{dv}{dt};$

其中：v、d、b分别为车速、加速踏板开度、制动踏板开度。

进一步地，所述步骤3中搭建无人驾驶车速控制驾驶员模型的方法如下：

采用模糊RBF神经网络控制模型，采用多输入单输出4层网络，网络的第1～3层实现模糊规则，第4层为解模糊；模型输入量为车速差v(t)及车速变化量v(t)＝v(t)-v(t-1)，输出为加速踏板开度β及制动踏板开度β，β为正代表加速踏板开度，β为负代表制动踏板开度。

进一步地，所述步骤4中建立输入输出变量隶属度函数的方法如下：

所述驾驶员模型的第1层为输入层，输入变量为车速差v(t)及车速变化量Δv(t)＝v(t)-v(t-1)；第2层为模糊化层，节点数为16，选用铃形函数作为隶属度函数并将输入变量模糊化；所述铃形函数为：为隶属度函数，分别为隶属度函数的中心和宽度。

进一步地，所述步骤5中建立驾驶员模型模糊控制规则表的方法如下：

所述驾驶员模型第2层中每个神经元代表1个语言变量，将语言变量划分为以下7种方式:NB(负大)、NM(负中)、NS(负小)、ZE(零)、PS(正小)、PM(正中)、PB(正大)，根据实际经验建立模糊控制规则表。

进一步地，所述步骤6中完成模糊化和归一化计算的方法如下：

所述驾驶员模型第3层为规则层，每个节点代表一条模糊规则，其适应度计算表达式为：采用“乘”算子完成模糊运算，同时进行归一化计算，得到：其中，j＝1,2,3…64，m＝64。

进一步地，所述步骤7中基于PSO算法搭建改进后的PSO控制流程的方法为：

步骤7.1：建立控制数学模型；所述控制数学模型为：

式中：i＝1,2,3…m为粒子编号；j＝1,2,3…n代表n维向量的第j个分量；为粒子i在第k次迭代中的速度向量和位置向量；分别为控制个体认知分量和群体社会分量；g为迄今为止最优适配值；

步骤7.2：对步骤7.1中控制数学模型采用改进的PSO算法；所述改进的PSO算法改进权值表达式为：w_max、w_min分别代表惯性权重w的最大值和最小值，取w_max＝1.3；w_min＝0.8；

步骤7.3：引入随机算子，使粒子在满足变异条件下以概率q进行变异，计算公式为： $q=\left\{\begin{array}{cc}k& {\mathrm{\&sigma;}}^2<{\mathrm{\&sigma;}}_d^2,f\left(p_{gbest}\right)>f_d\\ 0& \end{array}\right.;$

式中，q为变异概率；k取[0.1，0.3]之间任意值；σ²为适度方差；f_d为理论最优值；

p_gbest变异表达式为：为p_gbest的第k维取值；η为服从高斯(0,1)分布的随机变量。

进一步地，所述步骤8中搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程的方法如下：

将改进PSO算法和模糊RBF神经网络算法结合在一起，先利用PSO算法找到模糊RBF神经网络的初始权值和阀值，然后利用初始权值和阀值进行二次优化得到最终的权值和阀值。

本发明的优点及有益效果：

(1)采用改进PSO算法和RBF神经网络算法相结合，PSO具有更好的全局搜索能力，在进行速度跟踪在线控制时将两者结合在一起，先利用改进的PSO算法找到模糊RBF神经网络的初始权值和阀值，然后利用初始权值和阀值进行二次优化得到最终的权值和阀值，这样可以实现车速跟踪误差小。根据国家汽车试验标准的要求而提出，能够精确跟踪给定的车速，保证循环工况测试数据的准确性与有效性。

(2)适应循环工况能力强。该控制系统能适应不同循环工况，包括欧洲ECE城市与郊区工况、中国典型城市工况等。

(3)抗干扰能力强。采用模糊RBF神经网络的控制方法对外部干扰具有较强的鲁棒性，对各种实验车速都能具有较好的控制性能。

(4)良好的安装性能。该系统不需要传统的机械式驾驶机器人，直接采用电气架构与整车连接，从而节省无人驾驶汽车的车舱空间。

附图说明

图1是本发明方法的硬件架构系统框图；

图2是本发明方法的软件架构系统框图；

图3是电机控制中输出转矩、母线电流、转速三者关系；

图4是加速踏板开度、母线电流、转速三者关系；

图5是模糊RBF神经网络结构；

图6是PSO算法控制流程图；

图7是ECE城市工况仿真图；

图8是中国典型城市工况仿真图；

图9是ECE城市工况试验结果图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明提出一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其具体步骤如下：

(1)搭建无人驾驶车速控制系统架构，包括硬件架构和软件架构。

硬件架构如图1所示，系统硬件架构负责验证该控制方法的实际效果，主要由控制计算机、测试控制器、电机控制器MCU、动力电池以及电机M构成。控制计算机模拟驾驶员大脑，负责数据采集、分析以及反馈控制信号给测试控制器；测试控制器模拟驾驶员执行机构(该执行结构非机械结构，采用电气架构直接与汽车加速踏板传感器和制动踏板传感器连接)，其中数据交流(反馈电机当前的转速给测试控制器)通过CAN总线实现；电机控制器MCU是控制对象；电机是执行对象，即根据电机实际输出的转速来反应本系统控制策略的优越性；动力电池为系统提供所需电源。

软件架构如图2所示，系统软件架构负责仿真测试，其主要由驾驶员模型、MCU(电机控制器)模型、车辆动态模型三个模型构成。驾驶员模型为核心模型，该模型根据车辆需求车速(目标车速)和实际车速以及PSO神经网络算法实现车速的自动跟踪控制，该模型的输出为加速踏板开度及制动踏板开度；MCU(电机控制器)模型根据驾驶员模型的输出得出电机控制器MCU需求扭矩和实际输出扭矩；车辆动态模型模型根据MCU模型的输出扭矩和车辆动力学参数得出当前车辆实际车速，最终得出的实际车速再反馈给驾驶员模型。

(2)搭建车速跟踪闭环控制数学动态模型。汽车在道路上行驶阻力的关系式为：

$\&Sigma;F=F_f+F_w+F_i+F_j=mgf+\frac{C_D{\mathrm{Av}}^2}{21.15}+mgi+\mathrm{\&delta;}m\frac{dv}{3.6dt}---\left(1\right)$

关系式(1)中，F_f、F_w、F_i、F_j分别为车辆行驶时的滚动阻力、迎风阻力、坡道阻力和加速阻力；m、g、f、C_D、A、v、i、δ分别为车辆质量、重力加速度参数、滚阻系数、风阻系数、迎风面积、车速、坡道斜度、汽车旋转质量换算系数。对于电动汽车而言，行驶时电机轴输出的转矩为T_tq＝T_e，经过变速器和减速器后，传送到驱动轴上的转矩为:

$T_t=T_e{i}_g{i}_o{\mathrm{\&eta;}}_T---\left(2\right)$

根据T_t＝F_rr，r为车轮半径，由关系式(1)(2)整理得到：

$T_e=\frac{(mgf+\frac{C_D{\mathrm{Av}}^2}{21.15}+mgi+\mathrm{\&delta;}m\frac{dv}{3.6dt})r}{i_g{i}_o{\mathrm{\&eta;}}_T}---\left(3\right)$

令 $K=\frac{r}{i_g{i}_o{\mathrm{\&eta;}}_T},C_1=K\frac{C_{D}A}{21.15},C_2=K\frac{\mathrm{\&delta;}m}{3.6}$ 得出阻力矩：

T_L1＝Kmgf+Kmgi(4)

从而得出电动汽车车速与电机输出转矩关系为：

$T_e-T_{L1}=C_1{v}^2+C_2\frac{dv}{dt}---\left(5\right)$

关系式(5)为非线性微分方程，因此无论采用何种电机驱动电动汽车，电动汽车的运动过程必须满足关系式(5)。本发明采用无刷直流电机，其电机控制策略采用转矩控制，根据电机特性曲线和电机控制策略理论数据得出母线电流、转速、输出转矩三者之间函数关系，表达式为：

I＝F₁(n,T_e)(6)

关系式(6)中，I为母线电流，n为转速，T_e为输出转矩，其关系如图3所示。再根据电机特性曲线及实验实测数据得出输出母线电流、转速、加速踏板开度，三者之间函数关系，表达式为：I＝F₂(n,d)(7)

关系式(7)中，d为加速踏板开度，其关系如图4所示；由关系式(6)、(7)得出输出转矩、转速、加速踏板开度d三者关系为：

T_e＝F₃(n,d)(8)

由车速与转速关系为：i_g为变速箱传动比，i_o为主减速器传动比，得出电机输出转矩T_e与车速v、加速踏板开度d关系为：

$T_e=F_3(\frac{{\mathrm{vi}}_g{i}_o}{0.377r},d)---\left(9\right)$

制动踏板开度b与电机制动力矩T_L2成线性关系，其关系表达式为:

T_L2＝F₄(b)(10)

由关系式(4)、(10)得出车辆运动过程中总阻力矩为：

T_f＝T_L1+T_L2＝Kmgf+kmgi+F₄(b)11

最终由关系式(5)、(9)、(11)得出车速v、加速踏板开度d、制度踏板开度b三者关系，即为车速跟踪闭环控制动态数学模型：

$F_3(\frac{{\mathrm{vi}}_g{i}_o}{0.377r},d)-Kmgf-Kmgi-F_4\left(b\right)=C_1{v}^2+C_2\frac{dv}{dt}---\left(12\right)$

驾驶员模型根据目标车速和实际车速得出加速踏板开度及制动踏板开度。电机控制器(MCU)根据加速踏板开度和当前车速以及关系式(9)得出电机输出转矩T_e给车辆动态模型，车辆动态模型再根据制动踏板开度和关系式(12)及整车参数得出实际车速，最终实际车速又作为驾驶员模型输入接口，从而实现车速的闭环动态数学模型控制。

(3)基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型。

驾驶员模型的结构如图5所示。采用多输入单输出4层网络，网络的第1～3层实现模糊规则，第4层为解模糊。其神经网络详细结构如下所述：

(Ⅰ)第一层为输入层，输入量x1为车速差v(t)，输入量x2为车速变化量Δv(t)＝v(t)-v(t-1)。

(Ⅱ)第二层为模糊化处理层，该层节点数为16，选用铃形函数作为隶属度函数并将输入变量模糊化。铃形函数为：i为粒子编号，j代表n维向量的第j个分量，为隶属度函数，分别为隶属度函数的中心和宽度。其中每个神经元代表1个语言变量，语言变量将划分为以下7种方式:NB(负大)、NM(负中)、NS(负小)、ZE(零)、PS(正小)、PM(正中)、PB(正大)，根据实验所测试经验建立模糊控制规则表，如表1所示：

表1模糊控制规则表

e

uΔe＝NB

uΔe＝NM

uΔe＝NS

uΔe＝ZE

uΔe＝PS

uΔe＝PM

uΔe＝PB

NB

NB

NB

NM

NM

NS

NS

ZE

NM

NB

NM

NM

NS

NS

ZE

PS

NS

NM

NM

NS

NS

ZE

PS

PS

ZE

NM

NS

NS

ZE

PS

PS

PM

PS

NS

NS

ZE

PS

PS

PM

PM

PM

NS

ZE

PS

PS

PM

PM

PB

PB

ZE

PS

PS

PM

PM

PB

PB

(Ⅲ)第三层为规则层，每个节点代表一条模糊规则，其适应度计算表达式为：本发明采用“乘”算子完成模糊运算，同时进行归一化计算，归一化表达式为： $\stackrel{\&OverBar;}{a_j}=\frac{a_j}{\underset{j=1}{\overset{m}{\&Sigma;}}{a}_j},j=1,2,\mathrm{3...64};$ m＝64。

(Ⅳ)第四层为解模糊层，即为输出量y，清晰化后作为加速踏板开度及制动踏板开度β(β为正代表加速踏板开度d，β为负代表制动踏板开度b)。其表达式为：w_ij为权值。

(4)根据PSO算法搭建改进后的PSO控制流程。

图6为PSO算法控制流程图，得出控制数学模型为：

关系式(13)中，i＝1,2,3…m为粒子编号；j＝1,2,3…n代表n维向量的第j个分量； 为粒子i在第k次迭代中的速度向量和位置向量；分别为控制个体认知分量和群体社会分量相对贡献的学习率；g为迄今为止全局最优适配值f_p(k)的粒子编号；分别表示第i个粒子的当前位置相对于迄今最优位置和的距离；rand(0,a₁)为产生[0a₁]间的随机数；rand(0,a₂)为产生[0a₂]间的随机数。

为了提高该控制数学模型的收敛性，本发明采用改进的PSO算法，其改进表达式为：

$w=w_{max}-\frac{k(w_{max}-w_{\min })}{k_{\max }}---\left(14\right)$

关系式(14)中，w_max、w_min分别代表惯性权重w的最大值和最小值，本发明取w_max＝1.3；w_min＝0.9。

本发明引入一个随机算子，使粒子在满足变异条件下以一定概率q进行变异，计算公式为：q为变异概率；k取[0.1，0.3]之间任意值；σ²为适度方差；f_d为理论最优值。p_gbest变异表达式为：其中：为p_gbest的第k维取值；η为服从高斯(0,1)分布的随机变量。

(5)搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。PSO具有更好的全局搜索能力，在进行速度跟踪在线控制时将两者结合在一起，先利用改进的PSO算法找到模糊RBF神经网络的初始权值和阀值，然后利用初始权值和阀值进行二次优化得到最终的权值和阀值。车速控制流程具体步骤如下：

①根据初始条件和约束条件对粒子群进行初始化。

②确定粒子群初始化速度、位置以及种群的规模等。

③确定粒子群适应度函数，本发明使用RBF神经网络的均方误差作为适应度函数，其公式为：N为网络训练的样本数，y_i为第i个样本的实际输出值，d_i为第i个样本的期望输出值。

④采用网络激励函数sigmoid训练每个粒子的适应度。

⑤更新极值、粒子速度和位置。

⑥变异操作。

⑦迭代停止。

实施例1

为了验证本发明的理论效果，本文对本文分别对欧洲ECE城市工况和中国典型城市工况(GB/T19754-2005)进行仿真测试，其结果如图7、图8，从结果可以看出本发明提出的控制方法适应能力强并具有良好的控制精确性。

实施例2

进一步，为了验证本发明的实施效果，在室内试验台架进行测试，其结果如图9所示，从结果可以看出本发明的控制方法在实测环境下同样具备良好的控制精确性。

以上所述仅用于解释本发明的技术方案和具体实施例，并不用于限定本发明的保护范围，所应理解，在不违背本发明的实质内容和精神的前提下，所作任何修改、改进或等同替换等都将落入本发明的保护范围内。

Claims (9)

1.一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，包括如下步骤：

步骤1：搭建无人驾驶车速控制系统架构；

步骤2：搭建车速跟踪闭环控制数学动态模型；

步骤3：基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型；

步骤4：对步骤3中驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立输入输出变量隶属度函数；

步骤5：根据步骤3和步骤4，以及基于驾驶经验和测量数据建立驾驶员模型模糊控制规则表；

步骤6：建立驾驶员模型中每条规则的适应度，完成模糊化和归一化计算；

步骤7：基于PSO算法搭建改进后的PSO控制流程；采用改进的PSO算法对步骤3中所述的模糊RBF神经网络的参数进行在线优化；

步骤8：搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。

2.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤1中的无人驾驶车速控制系统架构包括硬件系统架构和软件系统架构；

所述硬件系统架构包括：控制计算机、测试控制器、电机控制器MCU、动力电池以及电机M；所述控制计算机采用RS232通信方式与测试控制器相连接，所述测试控制器一方面通过D/A转换方式与所述电机控制器MCU相连接，所述测试控制器另一方面通过CAN总线与所述电机控制器MCU相连；所述电机控制器MCU与电机M相连；所述动力电池分别为测试控制器、电机控制器MCU相连；控制计算机模拟驾驶员大脑，负责数据采集、分析以及反馈控制信息给测试控制器；测试控制器传输加速踏板开度和制动踏板开度信息给电机控制器MCU；电机控制器MCU控制电机M转速；

所述软件系统架构包括：驾驶员模型、电机控制器MCU模型、车辆动态模型；所述驾驶员模型根据目标车速和实际车速以及PSO神经网络算法实现车速的自动跟踪控制，所述驾驶员模型的输出为加速踏板开度和制动踏板开度；所述电机控制器MCU模型根据驾驶员模型输出的加速踏板开度得出电机控制器MCU需求扭矩和实际输出扭矩；车辆动态模型根据MCU模型的输出扭矩、驾驶员模型输出的制动踏板开度和整车参数得出当前车辆实际车速、并反馈最终的实际车速给驾驶员模型。

3.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤2中搭建车速跟踪闭环控制数学动态模型的方法如下：

步骤2.1：采用无刷直流电机，电机控制策略采用转矩控制；

步骤2.2：根据电机特性曲线、母线电流、电机转矩、加速踏板开度及制动踏板开度、车辆动态模型关系得出车速跟踪闭环控制数学动态模型：

$F_3(\frac{{\mathrm{vi}}_g{i}_o}{0.377r},d)-Kmgf-Kmgi-F_4\left(b\right)=C_1{v}^2+C_2\frac{dv}{dt};$

其中：v、d、b分别为车速、加速踏板开度、制动踏板开度。

4.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤3中搭建无人驾驶车速控制驾驶员模型的方法如下：

采用模糊RBF神经网络控制模型，采用多输入单输出4层网络，网络的第1～3层实现模糊规则，第4层为解模糊；模型输入量为车速差v(t)及车速变化量v(t)＝v(t)-v(t-1)，输出为加速踏板开度β及制动踏板开度β，β为正代表加速踏板开度，β为负代表制动踏板开度。

5.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤4中建立输入输出变量隶属度函数的方法如下：

所述驾驶员模型的第1层为输入层，输入变量为车速差v(t)及车速变化量Δv(t)＝v(t)-v(t-1)；第2层为模糊化层，节点数为16，选用铃形函数作为隶属度函数并将输入变量模糊化；所述铃形函数为： 为隶属度函数，分别为隶属度函数的中心和宽度。

6.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤5中建立驾驶员模型模糊控制规则表的方法如下：

所述驾驶员模型第2层中每个神经元代表1个语言变量，将语言变量划分为以下7种方式:NB(负大)、NM(负中)、NS(负小)、ZE(零)、PS(正小)、PM(正中)、PB(正大)，根据实际经验建立模糊控制规则表。

7.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤6中完成模糊化和归一化计算的方法如下：

所述驾驶员模型第3层为规则层，每个节点代表一条模糊规则，其适应度计算表达式为：采用“乘”算子完成模糊运算，同时进行归一化计算，得到：其中，j＝1,2,3…64，m＝64。

8.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤7中基于PSO算法搭建改进后的PSO控制流程的方法为：

步骤7.1：建立控制数学模型；所述控制数学模型为：

式中：i＝1,2,3…m为粒子编号；j＝1,2,3…n代表n维向量的第j个分量；为粒子i在第k次迭代中的速度向量和位置向量；分别为控制个体认知分量和群体社会分量；g为迄今为止最优适配值；

步骤7.2：对步骤7.1中控制数学模型采用改进的PSO算法；所述改进的PSO算法改进权值表达式为：w_max、w_min分别代表惯性权重w的最大值和最小值，取w_max＝1.3；w_min＝0.8；

步骤7.3：引入随机算子，使粒子在满足变异条件下以概率q进行变异，计算公式为： $q=\{\begin{array}{cc}k& {\mathrm{\&sigma;}}^2<{\mathrm{\&sigma;}}_d^2,f\left(p_{gbest}\right)>f_d\\ 0& \end{array};$

式中，q为变异概率；k取[0.1，0.3]之间任意值；σ²为适度方差；f_d为理论最优值；

p_gbest变异表达式为： 为p_gbest的第k维取值；η为服从高斯(0,1)分布的随机变量。

9.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤8中搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程的方法如下：

将改进PSO算法和模糊RBF神经网络算法结合在一起，先利用PSO算法找到模糊RBF神经网络的初始权值和阀值，然后利用初始权值和阀值进行二次优化得到最终的权值和阀值。