CN105700538B - 基于神经网络和pid算法的轨迹跟随方法 - Google Patents
基于神经网络和pid算法的轨迹跟随方法 Download PDFInfo
- Publication number
- CN105700538B CN105700538B CN201610058152.6A CN201610058152A CN105700538B CN 105700538 B CN105700538 B CN 105700538B CN 201610058152 A CN201610058152 A CN 201610058152A CN 105700538 B CN105700538 B CN 105700538B
- Authority
- CN
- China
- Prior art keywords
- pid
- value
- error
- neural network
- prediction
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- 238000005094 computer simulation Methods 0.000 abstract 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- IXKSXJFAGXLQOQ-XISFHERQSA-N WHWLQLKPGQPMY Chemical compound C([C@@H](C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(O)=O)NC(=O)[C@@H](N)CC=1C2=CC=CC=C2NC=1)C1=CNC=N1 IXKSXJFAGXLQOQ-XISFHERQSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
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)
Abstract
本发明提供了一种基于神经网络和PID算法的轨迹跟踪方法,主要用于智能驾驶汽车在驾驶地图的跟踪方案,将常规PID控制与神经网络控制相结合,发挥各自的优势,形成所谓的智能PID控制。该方法能使智能驾驶汽车跟踪希望轨迹,采用神经网络方法设计的控制系统具有更快的实时性、更强的适应性和更好的鲁棒性。计算机仿真实验和实车实验表明,基于神经网络和PID算法的控制较常规的PID控制具有更快的实时性、更好的自适应性,能取得良好的的控制结果。
Description
技术领域
本发明涉及无人驾驶技术,尤其涉及一种基于神经网络和PID算法的轨迹跟随方法。
背景技术
PID控制是最早发展起来的应用经典控制理论的控制策略之一,由于算法简单,鲁棒性好和可靠性高,被广泛应用于工业过程并取得了良好的控制效果。随着工业的发展,对象的复杂程度不断加深,尤其对于大滞后、时变的、非线性的复杂智能驾驶汽车控制系统,常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。
神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力,提高了系统的智能水平。此外,神经网络具有逼近任意连续有界非线性函数的能力,对于非线性系统和不确定性系统,无疑是一种解决问题的有效途径。
发明内容
本发明的目的是提供一种具有更快的实时性、更好的自适应性、能取得良好的控制结果的基于神经网络和PID算法的轨迹跟随方法。
为了达到上述目的,本发明提供了一种基于神经网络和PID算法的轨迹跟随方法,其包括以下步骤:
S1,获取期望的行驶轨迹参数值,所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度;
S2,获取当前车辆的行驶轨迹参数值,并由车辆运动模型预测车辆之后的行驶轨迹参数值;
S3,由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值;
S4,将步骤S3得出的误差值输入到PID控制器得出方向盘的转角,并根据该转角控制车辆转向;
S5,重复步骤S2和S3,得到当前时刻的误差值,获取当前时刻的PID输出值以及当前车速,由神经网络控制器PID参数学习算法整定PID控制器的3个系数Kp、Ki、Kd。
本发明的有益效果是:本技术方案是一种基于神经网络和PID算法的轨迹跟踪方法,主要用于智能驾驶汽车在驾驶地图的跟踪方案,将常规PID控制与神经网络控制相结合,发挥各自的优势,形成所谓的智能PID控制。该方法能使智能驾驶汽车跟踪希望轨迹,采用神经网络方法设计的控制系统具有更快的实时性、更强的适应性和更好的鲁棒性。计算机仿真实验和实车实验表明,基于神经网络和PID算法的控制较常规的PID控制具有更快的实时性、更好的自适应性,能取得良好的的控制结果。
附图说明
图1为本发明基于神经网络和PID算法的轨迹跟随方法的流程图。
具体实施方式
如图1所示,本发明提供了一种基于神经网络和PID算法的轨迹跟随方法,其包括以下步骤:
S1,获取期望的行驶轨迹参数值,所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度;
S2,获取当前车辆的行驶轨迹参数值,并由车辆运动模型预测车辆之后的行驶轨迹参数值;
S3,由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值;
S4,将步骤S3得出的误差值输入到PID控制器得出方向盘的转角,并根据该转角控制车辆转向;
S5,重复步骤S2和S3,得到当前时刻的误差值,获取当前时刻的PID输出值以及当前车速,由神经网络控制器PID参数学习算法整定PID控制器的3个系数Kp、Ki、Kd。
优选的,所述步骤S2中车辆运动模型公式为,
x--预测轨迹的位置坐标x值
xr--期望轨迹的位置坐标x值
y--预测轨迹的位置坐标y值
yr--期望轨迹的位置坐标y值
θ--预测轨迹的航向角
θr--期望轨迹的航向角
ν--预测轨迹的速度
νr--期望轨迹的速度
ω--预测轨迹的角速度
ωr--期望轨迹的角速度
k--采样的时刻
T--采样的周期。
进一步优选的,所述步骤S3中性能函数如下,
Q--权重矩阵,表示位置坐标值误差和航向角误差的权重,属于预设值
φ--与期望轨迹的误差值
i--预测的第几个采样周期
N--预测域,向前预测多少个采样周期
k+i|k--表示在k时刻预测k+i时刻的预测轨迹与期望轨迹的误差。
进一步优选的,所述步骤S4中PID控制器公式为,
Δu=u(k)-u(k-1)=KP[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]。
再进一步优选的,所述步骤S5中神经网络控制器为,
神经网络结构输入4个,隐层节点6个,输出1个
高斯基函数
Δwj(k)=η(y(k)-ym(k))hj
wj(k)=wj(k-1)+Δwj(k)+α(wj(k-1)-wj(k-2))
bj(k)=bj(k-1)+Δbj+α(bj(k-1)-bj(k-2))
cji(k)=cji(k-1)+Δcji(k)+α(cji(k-1)-cji(k-2))
Δwj(k)--第k个节点的权重更新值
wj(k)--第k个节点的权重值
Δbj(k)--第k个节点的基宽度更新值
bj(k)--第k个节点的基宽度
Δcji(k)--第k个节点的中心向量更新值
cji(k)--第k个节点的中心向量
hj--第j个隐含层节点的激活函数
i--第几个神经网络结构输入
j--第几个隐含层节点
c--隐含层节点的高斯基函数的中心向量
b--隐含层节点的高斯基函数的宽度
ym--神经网络预测的轨迹误差值
α--动量因子,属于预设值。
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(3)=e(k)-2e(k-1)+e(k-2)
Δkp--比例系数更新量
Δki--积分系数更新量
Δkd--比例系数更新量
η--学习速度
Δu--PID网络输出值
e--误差值。
再进一步优选的,所述步骤S5中PID参数学习算法为,
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(3)=e(k)-2e(k-1)+e(k-2)
其中x1=Δu(k)
y=e(k)
Δkp--比例系数更新量
Δki--积分系数更新量
Δkd--比例系数更新量
η--学习速度
Δu--PID网络输出值,方向盘的角度增量
e--误差值。
Claims (3)
1.一种基于神经网络和PID算法的轨迹跟随方法,其特征在于,其包括以下步骤:
S1,获取期望的行驶轨迹参数值,所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度;
S2,获取当前车辆的行驶轨迹参数值,并由车辆运动模型预测车辆之后的行驶轨迹参数值;
所述步骤S2中车辆运动模型公式为,
x--预测轨迹的位置坐标x值
xr--期望轨迹的位置坐标x值
y--预测轨迹的位置坐标y值
yr--期望轨迹的位置坐标y值
θ--预测轨迹的航向角
θr--期望轨迹的航向角
ν--预测轨迹的速度
νr--期望轨迹的速度
ω--预测轨迹的角速度
ωr--期望轨迹的角速度
k--采样的时刻
T--采样的周期;
S3,由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值;
S4,将步骤S3得出的误差值输入到PID控制器得出方向盘的转角,并根据该转角控制车辆转向;
S5,重复步骤S2和S3,得到当前时刻的误差值,获取当前时刻的PID输出值以及当前车速,由神经网络控制器PID参数学习算法整定PID控制器的3个系数Kp、Ki、Kd。
2.如权利要求1所述的基于神经网络和PID算法的轨迹跟随方法,其特征在于,所述步骤S3中性能函数如下:
Q--权重矩阵,表示位置坐标值误差和航向角误差的权重,属于预设值
φ--与期望轨迹的误差值
i--预测的第几个采样周期
N--预测域,向前预测多少个采样周期
k+i|k--表示在k时刻预测k+i时刻的预测轨迹与期望轨迹的误差。
3.如权利要求2所述的基于神经网络和PID算法的轨迹跟随方法,其特征在于:所述步骤S4中PID控制器公式为:
△u=u(k)-u(k-1)=KP[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)],
Δu-控制量的增量
e(k)-第k时刻的误差
e(k-1)-第k-1时刻的误差
e(k-2)-第k-2时刻的误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058152.6A CN105700538B (zh) | 2016-01-28 | 2016-01-28 | 基于神经网络和pid算法的轨迹跟随方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058152.6A CN105700538B (zh) | 2016-01-28 | 2016-01-28 | 基于神经网络和pid算法的轨迹跟随方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105700538A CN105700538A (zh) | 2016-06-22 |
CN105700538B true CN105700538B (zh) | 2019-04-12 |
Family
ID=56229548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610058152.6A Active CN105700538B (zh) | 2016-01-28 | 2016-01-28 | 基于神经网络和pid算法的轨迹跟随方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105700538B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647781B (zh) * | 2016-10-26 | 2019-09-06 | 广西师范大学 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
US10442435B2 (en) * | 2016-12-14 | 2019-10-15 | Baidu Usa Llc | Speed control parameter estimation method for autonomous driving vehicles |
FR3063265B1 (fr) * | 2017-02-28 | 2019-04-05 | Renault S.A.S | Dispositif de controle de trajectoire d un vehicule |
CN108111173B (zh) * | 2017-12-27 | 2021-03-26 | 东软集团股份有限公司 | 轨迹压缩方法、装置、存储介质及电子设备 |
US10737717B2 (en) * | 2018-02-14 | 2020-08-11 | GM Global Technology Operations LLC | Trajectory tracking for vehicle lateral control using neural network |
CN108803617B (zh) * | 2018-07-10 | 2020-03-20 | 深圳大学 | 轨迹预测方法及装置 |
CN110171416B (zh) * | 2018-09-28 | 2021-11-12 | 腾讯科技(深圳)有限公司 | 车辆行驶控制方法、装置、计算机可读介质及电子设备 |
CN109782754B (zh) * | 2018-12-25 | 2022-05-06 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆控制方法及装置 |
CN109829577B (zh) * | 2019-01-17 | 2021-10-01 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
CN110221611B (zh) * | 2019-06-11 | 2020-09-04 | 北京三快在线科技有限公司 | 一种轨迹跟踪控制方法、装置及无人驾驶车辆 |
CN110646009B (zh) * | 2019-09-27 | 2022-03-01 | 北京邮电大学 | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 |
CN111123950B (zh) * | 2019-12-31 | 2023-08-29 | 东软睿驰汽车技术(沈阳)有限公司 | 行车控制方法、装置及车辆 |
CN111791890B (zh) * | 2020-05-22 | 2021-11-16 | 武汉光庭科技有限公司 | 一种基于pid的跟车方法 |
CN112977478B (zh) * | 2021-04-13 | 2021-08-24 | 北京主线科技有限公司 | 一种车辆控制方法及系统 |
CN113325694B (zh) * | 2021-05-26 | 2022-12-09 | 西安交通大学 | 一种基于机器学习的模型预测控制参数的整定方法 |
CN114114898B (zh) * | 2022-01-27 | 2022-04-12 | 北京航空航天大学 | 空空弹pid参数整定方法、装置、电子设备及存储介质 |
CN115009278B (zh) * | 2022-08-08 | 2022-11-29 | 潍柴动力股份有限公司 | 一种巡航控制方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1218355A (zh) * | 1998-11-24 | 1999-06-02 | 杨更新 | 汽车自动驾驶系统 |
CN101358855B (zh) * | 2008-09-23 | 2011-04-06 | 光庭导航数据(武汉)有限公司 | 基于分层双向启发式路线规划方法的导航装置 |
ES2395659B1 (es) * | 2011-06-30 | 2013-05-23 | Universidad Nacional De Educación A Distancia | Método y sistema de guiado mediante control por derivada. |
CN102358287A (zh) * | 2011-09-05 | 2012-02-22 | 北京航空航天大学 | 一种用于车辆自动驾驶机器人的轨迹跟踪控制方法 |
CN103163886B (zh) * | 2013-04-08 | 2016-04-13 | 合肥中科自动控制系统有限公司 | 一种智能车辆的自动驾驶装置及控制方法 |
-
2016
- 2016-01-28 CN CN201610058152.6A patent/CN105700538B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105700538A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105700538B (zh) | 基于神经网络和pid算法的轨迹跟随方法 | |
CN111483468B (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
Zhang et al. | A novel fuzzy observer-based steering control approach for path tracking in autonomous vehicles | |
Williams et al. | Information theoretic mpc for model-based reinforcement learning | |
CN107264534A (zh) | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 | |
CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
CN108646763A (zh) | 一种自主行驶轨迹跟踪控制方法 | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
CN110187639A (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN108791491A (zh) | 一种基于自评价学习的车辆侧向跟踪控制方法 | |
CN108569336A (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN114013443B (zh) | 一种基于分层强化学习的自动驾驶车辆换道决策控制方法 | |
CN113650609B (zh) | 基于模糊规则的人机共驾控制权柔性转移方法及系统 | |
CN102963356A (zh) | 一种自动泊车系统的仿人智能控制结构 | |
CN108958246A (zh) | 无人车在U-Turn场景的轨迹跟踪控制方法 | |
Huang et al. | Human-machine cooperative trajectory planning and tracking for safe automated driving | |
Rokonuzzaman et al. | Learning-based model predictive control for path tracking control of autonomous vehicle | |
CN115303289A (zh) | 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备 | |
Chen et al. | A new lane keeping method based on human-simulated intelligent control | |
Löckel et al. | A probabilistic framework for imitating human race driver behavior | |
Ren et al. | Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections | |
Kim et al. | TOAST: Trajectory Optimization and Simultaneous Tracking Using Shared Neural Network Dynamics | |
Kim et al. | Comparative study of approximate, proximate, and fast model predictive control with applications to autonomous vehicles | |
Spielberg et al. | Learning policies for automated racing using vehicle model gradients | |
CN114228690A (zh) | 一种基于ddpg和迭代控制的自动驾驶车辆侧倾控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |