CN108646751A - 基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 - Google Patents
基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 Download PDFInfo
- Publication number
- CN108646751A CN108646751A CN201810592465.9A CN201810592465A CN108646751A CN 108646751 A CN108646751 A CN 108646751A CN 201810592465 A CN201810592465 A CN 201810592465A CN 108646751 A CN108646751 A CN 108646751A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- genetic algorithm
- steering
- single neuron
- 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.)
- Pending
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 39
- 230000002068 genetic effect Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 28
- 230000004888 barrier function Effects 0.000 claims abstract description 33
- 238000006073 displacement reaction Methods 0.000 claims abstract description 27
- 238000013461 design Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 208000010877 cognitive disease Diseases 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010353 genetic engineering Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000005669 field effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0212—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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Acoustics & Sound (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法，由位移传感器、路径规划单元、转向电子控制单元ECU、转向执行器组成，转向电子控制单元包括单神经自适应PID控制器和基于遗传算法的优化控制器。位移传感器位于车头前侧和车身两侧，探测障碍物与车身的距离；路径规划单元接收传感器的信息构建障碍物分布地图，规划出避障路径；转向电子控制单元ECU接收避障路径信息，通过单神经元自适应PID控制，建立转向控制算法；并利用多岛遗传算法进行控制参数的优化设计；转向执行器接收ECU的控制指令并将相应的力矩施加到转向系统中。本发明实现控制系统的最优控制，提高了自动驾驶转向控制系统的自适应性和精度。
Description
技术领域
本发明属于汽车安全技术领域，具体涉及一种基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法。
背景技术
随着如今汽车技术的迅猛发展，不论是军用车辆还是民用车辆对于智能化和自动化的要求越来越高，自动驾驶成为如今汽车行业的发展趋势，而汽车自动转向系统是是实现车辆自主换道和循迹的基础，其性能的好坏直接影响车辆的智能程度。
自动驾驶转向控制系统应能够自动识别汽车运行的外界环境和汽车运行时的状态，从而主动地控制汽车转向，在保持汽车的运动稳定性前提下实现规避、转弯等操作，从而大幅度地提高汽车运行效率和减少事故的发生概率。
因此，有必要设计能够实现精确的轨迹跟踪，并且对速度变化有良好的鲁棒性和自适应性的控制算法，研究实现自动转向控制系统的最优控制的方法，提高汽车的主动安全性。
发明内容
发明目的：为了克服现有技术中存在的不足，实现移线工况下避障路径的最佳控制，本发明提供一种基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法。
本发明为一种基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法。所述的一种基于遗传算法和单神经自适应PID的自动转向控制系统由位移传感器、路径规划单元、转向电子控制单元ECU、转向执行器组成，转向电子控制单元包括单神经自适应PID控制器和基于遗传算法的优化控制器。三个位移传感器分别位于车头前侧和车身两侧，探测障碍物与车身的距离；路径规划单元接收传感器的信息构建障碍物分布地图，规划出避障路径；转向电子控制单元ECU接收避障路径信息，通过单神经元自适应PID控制，建立转向控制算法；并利用多岛遗传算法进行控制参数的优化设计；转向执行器接收ECU的控制指令并将相应的力矩施加到转向系统中。本发明公开的自动驾驶转向控制系统通过多岛遗传算法，实现控制系统的最优控制，提高了自动驾驶转向控制系统的自适应性和精度。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于遗传算法和单神经自适应PID的自动转向控制系统，包括位移传感器、路径规划单元、转向电子控制单元ECU和转向执行器，其中位移传感器用于测量车身前方以及两侧障碍物的距离；路径规划单元接收位移传感器信息、识别障碍物、规划避障路径；转向电子控制单元ECU生成避障操作的控制指令并发送到转向执行器；转向执行器接收操作指令完成转向操作。
进一步的，所述位移传感器共三个，分别置于车头前侧和车身两侧，其种类包括但不限于激光雷达传感器、视觉传感器、红外传感器、超声波位移传感器。
进一步的，所述的转向电子控制单元ECU包括单神经自适应PID控制器和基于遗传算法的优化控制器。
根据上述的一种基于遗传算法和单神经自适应PID的自动转向控制系统的控制方法包括以下步骤：
1)位移传感器测量车身前方以及两侧障碍物的距离，并将其传递到路径规划单元；
2)路径规划单元采集位移传感器信息，构图障碍物所在位置，并规划避障操作，紧急制动、减速行驶或是转向行驶；
3)转向电子控制单元ECU接收避障路径信息后，基于单神经元自适应PID控制，建立车辆转向控制算法；
4)优化控制器基于多岛遗传算法对神经自适应PID控制器的控制参数进行优化设计，实现系统的最优控制并生成转向控制指令发送到转向执行器；
5)转向执行器将接收到ECU的控制信号，完成避障路径的转向操作。
进一步的，所述步骤2)的具体方法为：
首先，基于人工势场法原理，设车辆所在的位置坐标为q＝(x,y)T，设目标点所在的位置坐标为qg＝(xg,yg)T。
目标点对车辆的引力函数为
式中，kyin为引力常数,ρq＝||q-qg||是车辆与目标点的欧几里得距离。
车辆受到的斥力公式为
式中，η为斥力常数，ρcq＝||q-qc||是车辆与障碍物的欧几里得距离；ρ0是一个常数，代表障碍物的影响距离；
当车辆在某一点时，受到障碍物和目标点的力的叠加，表达如下
n表示车辆在当前位置受到的斥力的个数；
其次，考虑到车辆行驶过程中会遇到动态障碍物，引入速度势场函数
速度斥力表达式如下
式中，krev为速度势场斥力常数，Vor为障碍物与车辆的相对速度，α为车辆和障碍物之间的相对位置和速度矢量间的夹角，则车辆不在速度势场范围内，不考虑斥力作用。
基于速度的人工势场法表达式如下：
车辆受到的斥力函数
Fre(q,v)＝Fre(q)+Frev(q)
车辆受到的合力为
F(q,v)＝Fat(q)+Fre(q)+Frev(q)。
进一步的，所述步骤3)的具体方法为：
首先将轨道跟随误差和转向盘忙碌程度作为反映汽车操纵稳定性的二次型性能指标,其表达式分别为
即汽车转向单神经元控制器的性能指标函数为
式中，分别为k时刻汽车的理想侧向加速度输入和实际的侧向加速度输出，δsw(k)、δsw(k-1)分别为k和k-1时刻的方向盘转角，P、Q分别为轨道跟随误差和转向盘忙碌程度的加权系数。
其次，采用梯度下降法对所建的性能指标函数J进行优化设计,使之趋于最小,从而实现神经元的连接权值修正。
进一步的，所述步骤4)中多岛遗传算法的具体步骤为：
4-1)确定优化设计变量，建立优化模型；
4-2)确定编码方法、遗传控制参数；
4-3)确定种群规模；
4-4)确定终止条件和适应度函数；
4-5)初始化种群，进行适应度评价；
4-6)判断终止条件是否满足要求，若满足则输出最优结果；反之则执行第4-5)步；
4-7)遗传操作，根据先前的遗传控制参数，在子种群中随机选择个体进行交叉、变异运算，对上一代最优个体实施最优保存操作，产生下一代。
有益效果：本发明提供的基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法，与现有技术相比，具有以下优势：
1.实时优化控制器参数，实现整个避障过程的最优控制。
2.该控制方法具有良好的鲁棒性和自适应性。
附图说明
图1为本发明中自动转向控制系统及控制方法流程图；
图2为本发明中多岛遗传算法流程图。
具体实施方式
本发明专利为一种基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法，包括位移传感器、路径规划单元、转向电子控制单元ECU和转向执行器，其中位移传感器用于测量车身前方以及两侧障碍物的距离；路径规划单元接收位移传感器信息、识别障碍物、规划避障路径；转向电子控制单元ECU生成避障操作的控制指令并发送到转向执行器；转向执行器接收操作指令完成转向操作最终实现最优避障控制。下面结合附图和实施例对本发明作更进一步的说明。
实施例
如图1所示，本发明公开了一种基于遗传算法和单神经自适应PID的自动转向控制系统及其控制方法，包括以下步骤：
所述的位移传感器分别安装在车身车头前侧和车身两侧分各一个，用于收集车身前方和两侧的障碍物位移信息并传输到路径规划单元，其种类包括但不限于激光雷达传感器、视觉传感器、红外传感器、超声波位移传感器。
所述的路径规划单元接收位移传感器的信息，识别障碍物，构图障碍物所在位置，并规划避障操作与路径，紧急制动、减速行驶或是转向行驶，然后将这些信息传输到转向电子控制单元ECU；
所述的转向电子控制单元ECU，包括单神经自适应PID控制器和基于遗传算法的优化控制器。
所述的转向电子控制单元ECU接收避障路径信息后，基于单神经元自适应PID控制，建立车辆转向控制算法。
本发明的基于遗传算法和单神经自适应PID的自动转向控制系统的控制方法，包括以下步骤：
1)位移传感器测量车身前方以及两侧障碍物的距离，并将其传递到路径规划单元；
2)路径规划单元采集位移传感器信息，构图障碍物所在位置，并规划避障操作，紧急制动、减速行驶或是转向行驶；
3)转向电子控制单元ECU接收避障路径信息后，基于单神经元自适应PID控制，建立车辆转向控制算法；
4)优化控制器基于多岛遗传算法对神经自适应PID控制器的控制参数进行优化设计，实现系统的最优控制并生成转向控制指令发送到转向执行器；
5)转向执行器将接收到ECU的控制信号，完成避障路径的转向操作。
进一步的，所述步骤2)的具体方法为：
首先，基于人工势场法原理，设车辆所在的位置坐标为q＝(x,y)T，设目标点所在的位置坐标为qg＝(xg,yg)T。
目标点对车辆的引力函数为
式中，kyin为引力常数,ρq＝||q-qg||是车辆与目标点的欧几里得距离。
车辆受到的斥力公式为
式中，η为斥力常数，ρcq＝||q-qc||是车辆与障碍物的欧几里得距离；ρ0是一个常数，代表障碍物的影响距离；
当车辆在某一点时，受到障碍物和目标点的力的叠加，表达如下
n表示车辆在当前位置受到的斥力的个数；
其次，考虑到车辆行驶过程中会遇到动态障碍物，引入速度势场函数
速度斥力表达式如下
式中，krev为速度势场斥力常数，Vor为障碍物与车辆的相对速度，α为车辆和障碍物之间的相对位置和速度矢量间的夹角，则车辆不在速度势场范围内，不考虑斥力作用。
基于速度的人工势场法表达式如下：
车辆受到的斥力函数
Fre(q,v)＝Fre(q)+Frev(q)
车辆受到的合力为
F(q,v)＝Fat(q)+Fre(q)+Frev(q)。
步骤3)中，转向控制算法的具体方法为：
首先将轨道跟随误差和转向盘忙碌程度作为反映汽车操纵稳定性的二次型性能指标,其表达式分别为
即汽车转向单神经元控制器的性能指标函数为
式中，分别为k时刻汽车的理想侧向加速度输入和实际的侧向加速度输出，δsw(k)、δsw(k-1)分别为k和k-1时刻的方向盘转角，P、Q分别为轨道跟随误差和转向盘忙碌程度的加权系数。
其次，采用梯度下降法对所建的性能指标函数J进行优化设计，使之趋于最小，从而实现神经元的连接权值修正。
步骤4)中，基于遗传算法的优化控制器基于多岛遗传算法对神经自适应PID控制器的控制参数进行优化设计，实现系统的最优控制并生成转向控制指令发送到转向执行器。
如图2所示，所述的多岛遗传算法，具体步骤为：
4-1)确定优化设计变量，建立优化模型；
4-2)确定编码方法、遗传控制参数；
4-3)确定种群规模；
4-4)确定终止条件和适应度函数；
4-5)初始化种群，进行适应度评价；
4-6)判断终止条件是否满足要求，若满足则输出最优结果；反之则执行第4-5)步；
4-7)遗传操作，根据先前的遗传控制参数，在子种群中随机选择个体进行交叉、变异运算，对上一代最优个体实施最优保存操作，产生下一代。
所述的转向执行器将接收到ECU的控制信号，控制车轮的转向，完成避障路径的转向操作。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于遗传算法和单神经自适应PID的自动转向控制系统，其特征在于：包括依次连接的：
位移传感器，用于探测障碍物与车身的距离，
路径规划单元，用于接收位移传感器信息，并识别障碍物、构建障碍物分布地图，规划出避障路径，
转向电子控制单元ECU，用于接收避障路径信息，生成避障操作的控制指令并发送到转向执行器，
转向执行器，用于接收ECU的操作指令，完成转向操作；
所述转向电子控制单元包括：
单神经自适应PID控制器，用于建立转向控制算法，
和基于遗传算法的优化控制器，用于采用多岛遗传算法进行控制参数的优化设计。
2.根据权利要求1所述的基于遗传算法和单神经自适应PID的自动转向控制系统，其特征在于：所述位移传感器共三个，分别位于车头前侧和车身两侧，用于测量车身前方以及两侧障碍物的距离。
3.根据权利要求1所述的基于遗传算法和单神经自适应PID的自动转向控制系统，其特征在于：所述位移传感器包括但不限于激光雷达传感器、视觉传感器、红外传感器、超声波位移传感器。
4.根据权利要求1所述的基于遗传算法和单神经自适应PID的自动转向控制系统，其特征在于：所述的转向电子控制单元ECU规划避障操作与路径，包括紧急制动、减速行驶和移线工况行驶。
5.根据权利要求1所述的基于遗传算法和单神经自适应PID的自动转向控制系统，其特征在于：所述转向执行器接收ECU的操作指令，将相应的力矩施加到转向系统中，控制转向轮的转向，进行转向操作，直到完成避障过程。
6.根据权利要求1所述的基于遗传算法和单神经自适应PID的自动转向控制系统的控制方法，其特征在于：包括以下步骤：
1)位移传感器测量车身前方以及两侧障碍物的距离，并将其传递到路径规划单元；
2)路径规划单元采集位移传感器信息，构图障碍物所在位置，并规划避障操作，决定紧急制动、减速行驶或是转向行驶；
3)转向电子控制单元ECU接收避障路径信息后，基于单神经元自适应PID控制，建立车辆转向控制算法；
4)优化控制器基于多岛遗传算法对神经自适应PID控制器的控制参数进行优化设计，实现系统的最优控制并生成转向控制指令发送到转向执行器；
5)转向执行器将接收到ECU的控制信号，完成避障路径的转向操作。
7.根据权利要求6所述的基于遗传算法和单神经自适应PID的自动转向控制系统的控制方法，其特征在于：所述步骤2)的具体方法为：
首先，基于人工势场法原理，设车辆所在的位置坐标为q＝(x,y)T，设目标点所在的位置坐标为qg＝(xg,yg)T；
目标点对车辆的引力函数为
式中，kyin为引力常数，ρq＝||q-qg||是车辆与目标点的欧几里得距离；
车辆受到的斥力公式为
式中，η为斥力常数，ρcq＝||q-qc||是车辆与障碍物的欧几里得距离；ρ0是一个常数，代表障碍物的影响距离；
当车辆在某一点时，受到障碍物和目标点的力的叠加，表达如下
n表示车辆在当前位置受到的斥力的个数；
其次，考虑到车辆行驶过程中会遇到动态障碍物，引入速度势场函数
速度斥力表达式如下
式中，krev为速度势场斥力常数，Vor为障碍物与车辆的相对速度，α为车辆和障碍物之间的相对位置和速度矢量间的夹角，则车辆不在速度势场范围内，不考虑斥力作用；
基于速度的人工势场法表达式如下：
车辆受到的斥力函数
Fre(q,v)＝Fre(q)+Frev(q)
车辆受到的合力为
F(q,v)＝Fat(q)+Fre(q)+Frev(q)。
8.根据权利要求6所述的基于遗传算法和单神经自适应PID的自动转向控制系统的控制方法，其特征在于：所述的单神经元自适应PID控制的具体步骤包括：
3-1)将轨道跟随误差和转向盘忙碌程度作为反映汽车操纵稳定性的二次型性能指标，其表达式分别为
即汽车转向单神经元控制器的性能指标函数为
式中，分别为k时刻汽车的理想侧向加速度输入和实际的侧向加速度输出，δsw(k)、δsw(k-1)分别为k和k-1时刻的方向盘转角，P、Q分别为轨道跟随误差和转向盘忙碌程度的加权系数；
3-2)采用梯度下降法对所建的性能指标函数J进行优化设计，使之趋于最小，从而实现神经元的连接权值修正。
9.根据权利要求6所述的基于遗传算法和单神经自适应PID的自动转向控制系统的控制方法，其特征在于：所述多岛遗传算法的具体步骤包括：
4-1)确定优化设计变量，建立优化模型；
4-2)确定编码方法、遗传控制参数；
4-3)确定种群规模；
4-4)确定终止条件和适应度函数；
4-5)初始化种群，进行适应度评价；
4-6)判断终止条件是否满足要求，若满足则输出最优结果；反之则执行第4-5)步；
4-7)遗传操作，根据先前的遗传控制参数，在子种群中随机选择个体进行交叉、变异运算，对上一代最优个体实施最优保存操作，产生下一代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810592465.9A CN108646751A (zh) | 2018-06-11 | 2018-06-11 | 基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810592465.9A CN108646751A (zh) | 2018-06-11 | 2018-06-11 | 基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108646751A true CN108646751A (zh) | 2018-10-12 |
Family
ID=63752135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810592465.9A Pending CN108646751A (zh) | 2018-06-11 | 2018-06-11 | 基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108646751A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人系统智能局部路径规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408772A (zh) * | 2008-11-21 | 2009-04-15 | 哈尔滨工程大学 | Auv智能避碰装置及避碰方法 |
| CN105313957A (zh) * | 2014-07-14 | 2016-02-10 | 重庆邮电大学 | 一种基于复合控制的电动助力转向系统助力控制方法 |
| CN105955262A (zh) * | 2016-05-09 | 2016-09-21 | 哈尔滨理工大学 | 一种基于栅格地图的移动机器人实时分层路径规划方法 |
| CN106909144A (zh) * | 2017-01-22 | 2017-06-30 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的田间避障路径规划及其控制方法 |
-
2018
- 2018-06-11 CN CN201810592465.9A patent/CN108646751A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408772A (zh) * | 2008-11-21 | 2009-04-15 | 哈尔滨工程大学 | Auv智能避碰装置及避碰方法 |
| CN105313957A (zh) * | 2014-07-14 | 2016-02-10 | 重庆邮电大学 | 一种基于复合控制的电动助力转向系统助力控制方法 |
| CN105955262A (zh) * | 2016-05-09 | 2016-09-21 | 哈尔滨理工大学 | 一种基于栅格地图的移动机器人实时分层路径规划方法 |
| CN106909144A (zh) * | 2017-01-22 | 2017-06-30 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的田间避障路径规划及其控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 严卫等: "基于单神经元自适应PID控制器的无刷直流电动机控制方法研究", 《微电机》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人系统智能局部路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Prediction-based eco-approach and departure at signalized intersections with speed forecasting on preceding vehicles | |
| CN106671982B (zh) | 基于多智能体的无人驾驶电动汽车自动超车系统及方法 | |
| CN102207736B (zh) | 基于贝塞尔曲线的机器人路径规划方法及装置 | |
| Khodayari et al. | A historical review on lateral and longitudinal control of autonomous vehicle motions | |
| CN110992695B (zh) | 基于冲突消解的车辆城市交叉口通行决策多目标优化方法 | |
| Ferrara et al. | Second order sliding mode control of vehicles with distributed collision avoidance capabilities | |
| US11498574B2 (en) | Learning device, learning method, and storage medium | |
| CN105549597A (zh) | 一种基于环境不确定性的无人车动态路径规划方法 | |
| CN108292475A (zh) | 车辆道路网的行驶中使用的预测车辆信息的生成方法以及装置 | |
| CN110716562A (zh) | 基于强化学习的无人驾驶汽车多车道行驶的决策方法 | |
| Chiang et al. | Embedded driver-assistance system using multiple sensors for safe overtaking maneuver | |
| CN111681452A (zh) | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 | |
| CN106292666A (zh) | 基于超声波距离检测的无人驾驶汽车避障方法及系统 | |
| CN105137970B (zh) | 车辆避障方法及装置 | |
| CN110162046A (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
| CN110641465A (zh) | 一种基于车速的车道保持系统和方法 | |
| CN105035085A (zh) | 自动跟车方法及装置 | |
| Li et al. | Dynamically integrated spatiotemporal‐based trajectory planning and control for autonomous vehicles | |
| Gao et al. | Cloud model approach for lateral control of intelligent vehicle systems | |
| Sabry et al. | Fuzzy control of autonomous intelligent vehicles for collision avoidance using integrated dynamics | |
| Zhao et al. | Supervised adaptive dynamic programming based adaptive cruise control | |
| CN109656242A (zh) | 一种自动驾驶行车路径规划系统 | |
| CN108646751A (zh) | 基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 | |
| Souza et al. | Vision-based waypoint following using templates and artificial neural networks | |
| Yarom et al. | Artificial Neural Networks and Reinforcement Learning for Model-based Design of an Automated Vehicle Guidance System. |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |