CN106154831A - 一种基于学习法的智能汽车纵向神经滑模控制方法 - Google Patents

Abstract

一种基于学习法的智能汽车纵向神经滑模控制方法，涉及车辆控制。包括以下步骤：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；针对智能汽车具有非线性、参数不确定性、时滞和外部干扰等特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计和制动控制律设计过程；设计油门控制器和制动控制器之间切换逻辑。提高了控制精度，可有效地智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等因素引起的干扰，从而明显改善控制系统性能，提升智能汽车纵向速度控制的稳定性和精确性。

Description

一种基于学习法的智能汽车纵向神经滑模控制方法

技术领域

本发明涉及车辆控制，特别是涉及一种基于学习法的智能汽车纵向神经滑模控制方法。

背景技术

作为未来汽车工业的发展方向,智能汽车受到了国内外科研机构的广泛关注。智能汽车纵向控制是指根据车载传感系统获取的信息，通过一定的控制方法实现对汽车纵向速度的调节，实现智能汽车的自动纵向加减速功能，决定着智能汽车自主行驶性能的品质好坏。由于智能汽车的动力源系统存在纯延迟、时滞和耦合特性，而且汽车纵向动力学模型本身也具参数不确定性和强非线性动态特性,并且会受到空气阻力、道路坡度等外界环境的干扰,因而使得设计纵向控制方法变得异常困难。

采用滑模控制技术设计智能汽车纵向控制器是当前较为常用的方法，对外界干扰和模型非线性具有较强的鲁棒性，但是在滑动切换面附近的滑模高频切换容易引发严重的颤抖现象。采用神经网络设计汽车的纵向控制器，不依赖于精确的动力学模型，但是难以保证系统响应的实时性。文献(Hakgo etc,Time Varying Parameter Adaptive VehicleSpeed Control[J].IEEE Transaction on Vehicular Technology,2016,65(2)：581-588.)提出了智能汽车的自适应纵向控制方法，但难以保证纵向控制的精度。

发明内容

本发明的目的是为解决现有技术中存在的上述难点问题，提供不仅可克服智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等特性,同时可缩短纵向速度控制器动态响应时间、消除颤抖现象，保证智能汽车纵向控制系统稳定性和实时性的一种基于学习法的智能汽车纵向神经滑模控制方法。

本发明包括以下步骤：

步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；

在步骤1中，所述建立描述智能汽车纵向运动特性的动力学模型的具体方法可为：

1)建立描述智能汽车纵向运动特性的动力学模型，主要包含车辆纵向运动模型、液力变矩器模型和发动机及制动系统的一阶动态模型；

2)设计智能汽车纵向动力学系统中各单元子模型间的转速及转矩传递关系。

步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；

在步骤2)中，所述设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度的具体方法可为：

1)智能汽车的纵向速度来源于路径规划模块、监督模块和纵向控制系统模块，而期望速度为路径规划模块和监督模块产生速度的最小值；

2)设计兼顾安全性和乘坐舒适性综合性能指标函数和约束条件，构建基于MPC控制速度跟踪上层控制器，实时给出期望加速度。

步骤3：针对智能汽车具有非线性、参数不确定性、时滞和外部干扰等特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，主要包括油门控制设计过程和制动控制律设计过程：

步骤3.1采用基于学习法的神经滑模控制方法，设计智能汽车纵向油门控制律，主要包括如下：

1)设计智能汽车纵向油门控制律的第一滑模面控制，推导出智能汽车纵向油门控制律的第一滑模面等效控制律和变结构控制律，求出期望驱动力矩；

2)变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K₁₁，采用梯度学习算法在线调整神经网络的加权值w₁、中心值c₁和宽度参数b₁；

步骤3.2根据驱动力矩和变速器输出扭矩的关系T_s＝T_oR_mη_t，涡轮扭矩和变速器输出扭矩的关系T_o＝T_tR_g，求出期望发动机转速；

步骤3.3设计智能汽车纵向油门控制律的第二滑模面控制，求出期望发动机转矩，主要包括如下：

1)设计智能汽车发动机转矩控制律，采用等速趋近率，求出期望发动机转矩；

2)采用神经网络自适应动态调节期望发动机转矩的控制增益系数K₁₂，采用梯度学习算法在线调整神经网络的加权值w₂、中心值c₂和宽度参数b₂；

步骤3.4设计智能汽车纵向油门控制律的第三滑模面控制，求出期望油门开度，主要包括如下：

1)设计智能汽车油门开度控制律，采用等速趋近率，求出期望油门开度；

2)采用神经网络自适应动态调节期望油门开度的控制增益系数K₁₃，采用梯度学习算法在线调整神经网络的加权值w₃、中心值c₃和宽度参数b₃；

步骤3.5：采用神经滑模控制方法设计智能汽车纵向制动神经滑模控制器，主要包括如下：

1)采用滑模控制方法，求取制动力矩和制动压力的等效控制律和变结构控制律：

2)为了消除抖振，采用神经网络自适应动态调节制动控制增益系数K₂₁和K₂₂，采用梯度学习算法在线调整制动神经滑模控制律中网络基函数的加权值、中心值和宽度参数；

步骤4：考虑到乘车的可靠性、安全性和舒适性，为避免频繁切换油门控制器与制动控制器，设计油门控制器和制动控制器之间切换逻辑。

本发明有效利用自学习、滑模控制和神经网络控制各自的优点，提供一种基于学习法的智能汽车纵向神经滑模控制新方法。

本发明的技术效果是：采用基于学习法的智能汽车纵向神经滑模控制方法，提高了控制精度，可有效地智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等因素引起的干扰，从而明显改善控制系统性能，提升智能汽车纵向速度控制的稳定性和精确性。

附图说明

图1是本发明的智能汽车纵向控制系统结构图。

图2是本发明的基于自学习的智能汽车纵向神经滑模驱动控制方法流程图。

图3是本发明的基于自学习的智能汽车纵向神经滑模制动控制方法流程图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

如图1所示，本发明的方法组成包括上层MPC控制和下层自学习神经滑模控制。

步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型。

步骤1.1：建立描述智能汽车纵向运动特性的动力学模型，主要包含车辆纵向运动模型、液力变矩器模型和发动机及制动系统的一阶动态模型，如下：

$\left\{\begin{array}{c}{J}_e\·{\stackrel{\·}{\mathrm{\ω}}}_e=T_e-T_p\\ f_e({\mathrm{\ω}}_e,{\mathrm{\α}}_{th})=T_e+t_e{\stackrel{\·}{T}}_e\\ \frac{T_t}{T_p}=\mathrm{\τ}\left(\frac{{\mathrm{\ω}}_t}{{\mathrm{\ω}}_p}\right)\\ {\mathrm{\τ}}_b{\stackrel{\·}{T}}_b+T_b=K_p{P}_b\\ J\stackrel{\·}{v}=\frac{T_s}{r}-\frac{T_b}{r}-Mgfcos\mathrm{\θ}-C_a{A}_a{v}^2-Mgsin\mathrm{\θ}+\mathrm{\Δ}E\left(t\right)\end{array}\right.$

其中，J_e表示发动机转动部件和液力变矩器泵轮的有效转动惯量，ω_e为发动机稳态转速，α_th为油门开度，T_e为发动机扭矩，T_t为液力变矩器的涡轮转矩，T_p为液力变矩器的泵轮转矩，f(ω_e,α_th)为发动机稳态扭矩特性函数，T_s表示作用于车轮的驱动力矩，K_p为制动压力比例系数，ω_t为涡轮转速，ω_p为泵轮转速，τ_b为制动系统响应滞后时间，T_b为制动力矩，P_b为制动压力，M表示整车质量,θ表示道路坡度，v表示汽车纵向速度，C_a表示空气阻力系数，A_a为等效迎风面积，τ_e为一阶发动机惯性环节系数，r表示车轮半径,f表示滚动阻力系数，g为重力加速度。

步骤1.2：设计智能汽车纵向动力学系统中各单元子模型间的转速及转矩传递关系：

ω_p＝ω_e

$v=\frac{{\mathrm{r\ω}}_t}{R_g{i}_o}$

T_s＝T_o·i_o·η_t

T_o＝T_tR_g

其中，ω_t为变速器输入轴转速，T_t为变速器输入轴扭矩，T_o为变速器输出轴扭矩，R_g为传动比，i₀为主减速器的传动比，η_t为传动系动力传递系数。

步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度。

步骤2.1：智能汽车的纵向速度来源于路径规划模块、监督模块和纵向控制系统模块，而期望速度v_exp为路径规划模块和监督模块产生速度的最小值。

步骤2.2：根据智能汽车速度和加速度的动力学特性，设计兼顾安全性和乘坐舒适性综合性能指标函数和约束条件。

步骤2.3：采用MPC预测控制方法，求解智能汽车行驶的期望加速度a_des,并将其输入至下层控制层。

步骤3：如图2所示，针对智能汽车具有非线性、参数不确定性、时滞和外部干扰等特性，采用神经滑模控制方法设计智能汽车纵向第一层神经滑模控制器，求出期望驱动力矩。主要包括：

步骤3.1：定义期望加速度a_des与实际加速度a的偏差为e，首先确定切换流形：

$S=e+\mathrm{\λ}{\∫}_0^{t}edt$

其中，λ为切换流形系数。

若达到理想的滑动模态，需满足：

$\frac{dS}{dt}={\stackrel{\·}{a}}_{des}-\stackrel{\·}{a}+\mathrm{\λ}(a_{des}-a)=0$

步骤3.2：采用滑模控制方法，求出智能汽车纵向油门控制律的第一滑模面控制：

步骤3.2.1:推导出在切换流形上驱动力矩的等效控制律：

$T_{s,eq}=\frac{Jr}{\mathrm{\λ}}\stackrel{\·}{e}+{\mathrm{Jra}}_{des}+r\·(Mgf\cos \mathrm{\θ}+C_d{A}_a{v}^2+Mg\sin \mathrm{\θ})$

步骤3.2.2：定义第一滑模面S₁₁＝S，为克服纵向控制系统的不确定性和外加干扰，设计变结构控制律为：

T_vs＝K₁₁sgn(S₁₁)

且

步骤3.2.3:综合等效控制律和变结构控制律，求出总的理想驱动力矩T_s,des的滑模控制律：

T_s,des＝T_eq+T_vs

步骤3.3:变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K₁₁，设计如下：

步骤3.3.1:将智能汽车纵向第一滑模面S₁₁作为RBF神经网络的输入，其输出作为变结构控制的增益调节项，如下：

$K_{11}=\left|w_1^{T}h\left(S_{11}\right)\right|$

其中，w₁为RBF神经网络的权值，h₁为神经网络高斯基函数，如下：

$h_1=\exp \left(\frac{\left|\right|S_{11}-c_1|{|}^2}{2b_1^2}\right)$

式中，c₁为基函数的中心，b₁为基函数的宽度。

步骤3.3.2：采用随机梯度学习算法在线调整神经网络的加权值w₁、中心值c₁和宽度参数b₁，如下：

w₁(t+1)＝w₁(t)+Δw₁+α₁(w₁(t)-w₁(t-1))

c₁(t+1)＝c₁(t)+Δc₁+α₁(c₁(t)-c₁(t-1))

b₁(t+1)＝b₁(t)+Δb₁+α₁(b₁(t)-b₁(t-1))

其中

${\mathrm{\Δw}}_1=-{\mathrm{\η}}_1\frac{\∂E_1}{\∂w_1}$

${\mathrm{\Δc}}_1=-{\mathrm{\η}}_1\frac{\∂E_1}{\∂c_1}$

${\mathrm{\Δb}}_1=-{\mathrm{\η}}_1\frac{\∂E_1}{\∂b_1}$

其中E₁为性能指标函数，’η₁为学习速率η₁∈[0,1]，α₁为动量因子α₁∈[0,1]。

步骤3.4：根据驱动力矩和变速器输出扭矩的关系T_s＝T_oR_mη_t，涡轮扭矩和变速器输出扭矩的关系T_o＝T_tR_g，可得到期望的涡轮扭矩，如下：

$T_{t,des}=\frac{1}{{\mathrm{\η}}_t{R}_g{R}_m}\·T_{s,des}$

假设发动机转速与泵轮转速相等ω_p＝ω_e，则可得：

${\mathrm{\ω}}_{e,des}=T_{pt}^{-1}(T_{t,des},{\mathrm{\ω}}_t)$

步骤4:如图2所示，设计智能汽车驱动控制中第二层神经滑模控制器，求出期望发动机转矩。主要包括：

步骤4.1：定义期望发动机转速ω_e,des与实际发动机转速ω_e之间的控制偏差e₁₂。

步骤4.2：定义第二滑模曲面S₁₂＝e₁₂，对第二滑模曲面S₁₂求时间导数，得

${\stackrel{\·}{S}}_{12}={\stackrel{\·}{\mathrm{\ω}}}_{e.des}-{\stackrel{\·}{\mathrm{\ω}}}_e={\stackrel{\·}{\mathrm{\ω}}}_{e,des}-\frac{1}{J_e}(T_e-T_p)$

步骤4.3：采用等速趋近率，推导出期望发动机转矩：

$T_{e,des}=J_e{\stackrel{\·}{\mathrm{\ω}}}_{e,des}+T_P({\mathrm{\ω}}_e,{\mathrm{\ω}}_t)+J_e{K}_{12}\mathrm{sgn}\left(S_{12}\right)$

步骤4.4：采用神经网络自适应动态调节期望发动机转矩的控制增益系数K₁₂，设计如下

步骤4.4.1：将第二滑模曲面S₁₂作为RBF神经网络的输入，其输出作为变结构控制的增益调节项，即

$K_{12}=\left|w_2^T{h}_2\left(S_{12}\right)\right|$

其中，w₂为RBF神经网络的权值，h₂为神经网络高斯基函数，如下:

$h_2=\exp \left(\frac{\left|\right|S_{12}-c_2|{|}^2}{2b_2^2}\right)$

式中，c₂为基函数的中心，b₂为基函数的宽度。

步骤4.4.2:采用随机梯度学习算法在线调整神经网络的加权值w₂、中心值c₂和宽度参数b₂。

w₂(t+1)＝w₂(t)+Δw₂+α₂(w₂(t)-w₂(t-1))

c₂(t+1)＝c₂(t)+Δc₂+α₂(c₂(t)-c₂(t-1))

b₂(t+1)＝b₂(t)+Δb₂+α₂(b₂(t)-b₂(t-1))

其中

${\mathrm{\Δw}}_2=-{\mathrm{\η}}_2\frac{\∂E_2}{\∂w_2}$

${\mathrm{\Δc}}_2=-{\mathrm{\η}}_2\frac{\∂E_2}{\∂c_2}$

${\mathrm{\Δb}}_2=-{\mathrm{\η}}_2\frac{\∂E_2}{\∂b_2}$

其中,E₂为性能指标函数，η₂为学习速率η₂∈[0,1]，α₂为动量因子α₂∈[0,1]。

步骤5:如图2所示，设计智能汽车驱动控制中第三层神经滑模控制器，求出期望油门开度。主要包括：

步骤5.1：定义期望发动机输出转矩T_e,des与实际发动机输出转矩T_e之间的控制偏差为e₁₃。

步骤5.2：定义第三滑模曲面S₁₃＝e₁₃，对其求时间导数，则可得：

${\stackrel{\·}{S}}_{13}={\stackrel{\·}{T}}_{e,des}-{\stackrel{\·}{T}}_e={\stackrel{\·}{T}}_{e,des}-\frac{1}{{\mathrm{\τ}}_e}\left(f\right({\mathrm{\ω}}_e,{\mathrm{\α}}_{th})-T_e)$

步骤5.3：采用等速趋近率，可求出期望油门开度控制律：

${\mathrm{\α}}_{th,des}=f^{-1}({\mathrm{\τ}}_e{\stackrel{\·}{T}}_{e,des}+T_e+K_{13}\mathrm{sgn}(S_{13}),{\mathrm{\ω}}_e)$

步骤5.4：采用神经网络自适应动态调节期望油门开度的控制增益系数K₁₃，设计如下

步骤5.4.1：将第三滑模曲面S₁₃作为RBF神经网络的输入，其输出作为变结构控制的增益调节项，即

K₁₃＝|w₃h₃(S₁₃)|

其中，w₃为RBF神经网络的权值，h₃为神经网络高斯基函数，如下:

$h_3=\exp \left(\frac{\left|\right|S_{13}-c_3|{|}^2}{2b_3^2}\right)$

式中，c₃为基函数的中心，b₃为基函数的宽度。

步骤5.4.2:采用随机梯度学习算法在线调整神经网络的加权值w₃、中心值c₃和宽度参数b₃，如下

w₃(t+1)＝w₃(t)+Δw₃+α₃(w₃(t)-w₃(t-1))

c₃(t+1)＝c₃(t)+Δc₃+α₃(c₃(t)-c₃(t-1))

b₃(t+1)＝b₃(t)+Δb₃+α₃(b₃(t)-b₃(t-1))

其中

${\mathrm{\Δw}}_3=-{\mathrm{\η}}_3\frac{\∂E_3}{\∂w_3}$

${\mathrm{\Δc}}_3=-{\mathrm{\η}}_3\frac{\∂E_3}{\∂c_3}$

${\mathrm{\Δb}}_3=-{\mathrm{\η}}_3\frac{\∂E_3}{\∂b_3}$

其中,E₃为性能指标函数，η₃为学习速率η₃∈[0,1]，α₃为动量因子α₃∈[0,1]。

步骤6：如图3所示，采用神经滑模控制方法设计智能汽车第一层神经滑模制动控制器，求出期望制动力矩。主要包括：

步骤6.1：采用滑模控制方法，求取制动力矩等效控制律：

步骤6.2:定义制动控制4滑模曲面如下S₂₁＝S，变结构控制律设计如下：

T_b,vs＝K₂₁sgn(S₂₁)

且

步骤6.3：综合步骤6.1和步骤6.2，得期望制动力矩控制律为：

T_b,des＝T_b,eq+T_b,vs

步骤6.4:为了消除抖振，采用神经网络自适应动态调节控制增益系数K₂₁，主要步骤如下：

步骤6.4.1:将智能汽车纵向第4滑模面S₂₁作为RBF神经网络的输入，其输出作为变结构控制的增益调节项，如下

K₂₁＝|w₄h₄(S₂₁)|

其中，w₄为RBF神经网络的权值，h₄为神经网络高斯基函数，如下:

$h_4=\exp \left(\frac{\left|\right|S_{21}-c_4|{|}^2}{2b_4^2}\right)$

式中，c₄为基函数的中心，b₄为基函数的宽度。

步骤6.4.2：采用随机梯度学习算法在线调整神经网络的加权值w₄、中心值c₄和宽度参数b₄，如下：

w₄(t+1)＝w₄(t)+Δw₄+α₄(w₄(t)-w₄(t-1))

c₄(t+1)＝c₄(t)+Δc₄+α₄(c₄(t)-c₄(t-1))

b₄(t+1)＝b₄(t)+Δb₄+α₄(b₄(t)-b₄(t-1))

其中

${\mathrm{\Δw}}_4=-{\mathrm{\η}}_4\frac{\∂E_4}{\∂w_4}$

${\mathrm{\Δc}}_4=-{\mathrm{\η}}_4\frac{\∂E_4}{\∂c_4}$

${\mathrm{\Δb}}_4=-{\mathrm{\η}}_4\frac{\∂E_4}{\∂b_4}$

其中，E₄为性能指标函数，η₄为学习速率η₄∈[0,1]，α₄为动量因子α₄∈[0,1]。

步骤7：如图3所示，采用神经滑模控制方法设计智能汽车第二层神经滑模制动控制器，求出期望制动压力。主要包括：

步骤7.1：定义理想制动力矩T_b,des和实际力矩T_b的偏差e₂₂，定义第五滑模曲面，如下：

S₂₂＝e₂₂

步骤7.2：采用等速趋近律，则期望的制动压力为：

$P_b=\frac{1}{K_p}({\mathrm{\τ}}_b{\stackrel{\·}{T}}_{b,des}+T_b+{\mathrm{\τ}}_b{K}_{22}sgn(S_{22}\left)\right)$

步骤7.3:为了消除抖振，采用神经网络自适应动态调节控制增益系数K₂₂，主要步骤如下：

步骤7.3.1:将智能汽车纵向第五滑模面S₂₂作为RBF神经网络的输入，其输出作为变结构控制的增益调节项，如下

K₂₂＝|w₅h₅(S₂₂)|

其中，w₅为RBF神经网络的权值，h₅为神经网络高斯基函数，如下:

$h_5=\exp \left(\frac{\left|\right|S_{22}-c_5|{|}^2}{2b_5^2}\right)$

式中，c₅为基函数的中心，b₅为基函数的宽度。

步骤7.3.2：采用随机梯度学习算法在线调整神经网络的加权值w₅、中心值c₅和宽度参数b₅，如下：

w₅(t+1)＝w₅(t)+Δw₅+α₅(w₅(t)-w₅(t-1))

c₅(t+1)＝c₅(t)+Δc₅+α₅(c₅(t)-c₅(t-1))

b₅(t+1)＝b₅(t)+Δb₅+α₅(b₅(t)-b₅(t-1))

其中

${\mathrm{\Δw}}_5=-{\mathrm{\η}}_5\frac{\∂E_5}{\∂w_5}$

${\mathrm{\Δc}}_5=-{\mathrm{\η}}_5\frac{\∂E_5}{\∂c_5}$

${\mathrm{\Δb}}_5=-{\mathrm{\η}}_5\frac{\∂E_5}{\∂b_5}$

其中，E₅为性能指标函数，η₅为学习速率η₅∈[0,1]，α₅为动量因子α₅∈[0,1]。

步骤8：智能汽车行驶时，考虑到乘车的可靠性、安全性和舒适性，应当避免切换油门控制器与制动控制器的频繁切换。设计油门控制器和制动控制器之间切换逻辑，如下：

若T_s(t)＞0并且T_b(t)＞0，则采用油门控制；若T_s(t)＜0和T_b(t)＜0，并且|e_v|＞e_switch，则采用制动控制；否则，采用零控制。e_switch表示速度偏差阔值。设计的切换策略可充分利用发动机油门开度为零时提供的负输出力矩，有效避免了油门执行器和制动执行器之间的频繁切换。

Claims (3)

1.一种基于学习法的智能汽车纵向神经滑模控制方法，其特征在于包括以下步骤：

步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；

步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；

步骤3：针对智能汽车具有非线性、参数不确定性、时滞和外部干扰的特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计过程和制动控制律设计过程：

步骤3.1采用基于学习法的神经滑模控制方法，设计智能汽车纵向油门控制律，包括如下：

1)设计智能汽车纵向油门控制律的第一滑模面控制，推导出智能汽车纵向油门控制律的第一滑模面等效控制律和变结构控制律，求出期望驱动力矩；

2)变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K₁₁，采用梯度学习算法在线调整神经网络的加权值w₁、中心值c₁和宽度参数b₁；

步骤3.2根据驱动力矩和变速器输出扭矩的关系T_s＝T_oR_mη_t，涡轮扭矩和变速器输出扭矩的关系T_o＝T_tR_g，求出期望发动机转速；

步骤3.3设计智能汽车纵向油门控制律的第二滑模面控制，求出期望发动机转矩，包括如下：

1)设计智能汽车发动机转矩控制律，采用等速趋近率，求出期望发动机转矩；

2)采用神经网络自适应动态调节期望发动机转矩的控制增益系数K₁₂，采用梯度学习算法在线调整神经网络的加权值w₂、中心值c₂和宽度参数b₂；

步骤3.4设计智能汽车纵向油门控制律的第三滑模面控制，求出期望油门开度，包括如下：

1)设计智能汽车油门开度控制律，采用等速趋近率，求出期望油门开度；

2)采用神经网络自适应动态调节期望油门开度的控制增益系数K₁₃，采用梯度学习算法在线调整神经网络的加权值w₃、中心值c₃和宽度参数b₃；

步骤3.5：采用神经滑模控制方法设计智能汽车纵向制动神经滑模控制器，包括如下：

1)采用滑模控制方法，求取制动力矩和制动压力的等效控制律和变结构控制律：

2)为了消除抖振，采用神经网络自适应动态调节制动控制增益系数K₂₁和K₂₂，采用梯度学习算法在线调整制动神经滑模控制律中网络基函数的加权值、中心值和宽度参数；

步骤4：考虑到乘车的可靠性、安全性和舒适性，为避免频繁切换油门控制器与制动控制器，设计油门控制器和制动控制器之间切换逻辑。

2.如权利要求1所述一种基于学习法的智能汽车纵向神经滑模控制方法，其特征在于在步骤1中，所述建立描述智能汽车纵向运动特性的动力学模型的具体方法为：

1)建立描述智能汽车纵向运动特性的动力学模型，包含车辆纵向运动模型、液力变矩器模型和发动机及制动系统的一阶动态模型；

2)设计智能汽车纵向动力学系统中各单元子模型间的转速及转矩传递关系。

3.如权利要求1所述一种基于学习法的智能汽车纵向神经滑模控制方法，其特征在于在步骤2)中，所述设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度的具体方法为：

1)智能汽车的纵向速度来源于路径规划模块、监督模块和纵向控制系统模块，而期望速度为路径规划模块和监督模块产生速度的最小值；

2)设计兼顾安全性和乘坐舒适性综合性能指标函数和约束条件，构建基于MPC控制速度跟踪上层控制器，实时给出期望加速度。