CN108646763A - 一种自主行驶轨迹跟踪控制方法 - Google Patents

Abstract

本发明涉及一种自主行驶轨迹跟踪控制方法，包括：确定车辆横摆角和目标轨迹切向角，定义横摆角误差和滑模切换函数；对滑模切换函数求导，并把化简后的车辆动力学模型带入滑模切换导函数中；设计控制律，也就是控制器的输出；利用RBF神经网络对控制器非线性函数进行在线学习；最后得到控制器输出，即为车辆前轮转角，通过控制车辆前轮转角进而实现车辆路径跟踪控制。本发明设计的路径跟踪控制器能够实现对目标轨迹和期望横摆角速度的稳态跟踪，且跟踪精度良好。

Description

一种自主行驶轨迹跟踪控制方法

技术领域

本发明属于车辆路径跟踪控制领域，具体涉及到一种基于RBF神经网络滑模控制自主行驶车辆路径跟踪控制方法。

技术背景

自主行驶车辆也被叫做智能汽车，是一种智能移动机器人，它涉及到环境感知、模式识别、导航定位、智能决策控制以及计算机技术等众多学科的前沿研究领域，其研究目标是取代人类驾驶员进行车辆自主驾驶工作，并以此提高行车安全性和效率。自主行驶车辆是一个复杂的系统，对精度、稳定性都提出了很高的要求，路径跟踪控制一直是智能汽车研究的关键技术之一，已成为智能驾驶领域的研究热点。

目前有多种算法应用于车辆的路径跟踪控制，根据控制原理不同大概分为PID控制，模糊控制，滑模控制等，对于普通的道路环境来说，基于PID控制和模糊控制设计的路径跟踪控制器都具备比较好的控制效果，但是对于一些复杂的行驶环境例如高速公路，大曲率弯道来说，基于PID控制设计控制器的参数调节复杂，跟踪精度受参数影响较大，基于模糊控制设计的控制器自适应能力差，控制规则一旦确定不能在线修改，以上算法都不适合复杂路况环境下的路径跟踪控制。考虑到车辆在实际工作过程中不确定因素较多，模型对象实时变化，呈高度非线性，路径跟踪控制器必须具备较好的鲁棒性，且能很好的解决非线性系统控制问题。基于滑模控制设计的控制器具备良好的鲁棒性，虽然在外界扰动较大时，滑模控制切换较大的增益会造成抖振，但采用神经网络对滑模控制进行补偿可以有效解决抖振问题，并且神经网络具备学习能力，可以逼近任意非线性函数，这为传统控制方法不能解决的高度非线性控制问题提供了有效的解决办法。因此研究基于RBF神经网络滑模控制的自主行驶车辆路径跟踪控制器具有很重要的理论和实践意义。

发明内容

基于以上分析，本发明基于RBF神经网络滑模控制，提出一种新的基于RBF神经网络滑模控制的自主行驶车辆路径跟踪控制方法，以提高车辆路径跟踪控制的鲁棒性和精确性。

本发明的技术方案为：

一种自主行驶轨迹跟踪控制方法，其特征在于，

首先，确定车辆横摆角和目标轨迹切向角，定义横摆角误差和滑模切换函数；

其次，对滑模切换函数求导，并把化简后的车辆动力学模型导入滑模切换导函数中；

接着，设计滑模趋近律和控制律，控制律也就是控制器的输出；

然后，利用RBF神经网络对控制律中未知函数进行在线学习；

最后得到控制器输出，即为车辆前轮转角，进而实现车辆路径跟踪控制。

本发明是基于RBF神经网络滑模控制自主行驶车辆路径跟踪控制方法，在计算机中依次按以下步骤实现的：

1.根据GPS确定车辆横摆角θ，根据目标路径曲线斜率计算目标轨迹切向角θ_r；

根据车辆横摆角θ和目标轨迹切向角θ_r确定车辆运行时的横摆角误差为：

e＝θ_r-θ；

定义滑模切换函数为：

其中c为滑模面系数，且c>0。

2.对滑模切换函数求导：

其中分别表示横摆角误差e的一阶，和二阶导数；并把化简后的车辆动力学模型带入到中，可得：

其中化简后的车辆动力学模型为：

其中，ω表示车辆质心的横摆角速度；表示车辆质心横摆角速度的变化率；δ为车辆前轮转角；其中：c_f为前轮侧偏刚度，c_r为后轮侧偏刚度，v_x为汽车横向车速，v_y为汽车纵向车速，l_f为质心到前轴距离，l_r为质心到后轴距离，I_z为汽车相对于z轴的转动惯量；建模过程中忽略部分视作系统干扰项d_ω(t)，且d_ω(t)≤D，(D为干扰的界，D∈(d_L d_U)，只有d_L≤d_ω(t)≤d_U时，系统才能稳定)。

3.为削减系统抖振，设计滑模趋近律则控制律δ也就是控制器的输出可以设计为：

其中：ω_r为车辆期望横摆角速度，ω为实际横摆角速度，η为趋近律系数；sgn(s)为符号函数。

将控制律δ代入到中得：

取η≥D，则有

保证了系统状态在切换面上滑动。

4.基于RBF神经网络进一步设计控制律δ。由于函数f未知，此部分采用RBF神经网络逼近f；本部分采用的RBF神经网络包含输入层、隐含层、输出层3层结构，其中：输入向量为分别对应横摆角误差e和横摆角速度误差隐含层包含5个神经元，分别对应5个语言值变量，以高斯基函数作为作用函数；输出层有一个神经元。RBF网络输入输出算法为：

f＝W^*h(x)+ε

其中，c_j＝(c_1j c_2j)为隐含层第j个节点神经元的中心向量，b_j为隐含层第j个神经元高斯基函数的宽度，h＝[h_j]^T为高斯基函数的输出，W^*为理想网络权值，ε为网络逼近误差，ε≤ε_N，f为网络输出。

取为神经网络输入，则神经网络输出为：

5.把神经网络输出带入到控制律δ中，得到控制器输出为：

控制器输出即为车辆前轮转角，通过控制车辆前轮转角进而实现车辆路径跟踪控制。

本发明涉及一种基于RBF神经网络滑模控制自主行驶车辆路径跟踪控制方法，所述控制方法包括：确定车辆横摆角和目标轨迹切向角，定义横摆角误差和滑模切换函数；对滑模切换函数求导，并把化简后的车辆动力学模型带入滑模切换导函数中；设计控制律，也就是控制器的输出；利用RBF神经网络对控制律中未知函数进行在线学习；最后把RBF神经网络输出代入到控制律中得到控制器输出，即为车辆前轮转角，通过控制车辆前轮转角进而实现车辆路径跟踪控制。本发明设计的路径跟踪控制方法能够实现对目标轨迹和期望横摆角速度的稳态跟踪，且跟踪精度良好。

附图说明

图1为本发明自主行驶轨迹跟踪控制方法示例性系统框图；

图2为本发明汽车位姿误差示意图；

图3为本发明实施例的方法流程图；

图4为本发明RBF神经网络结构；

图5为本发明仿真的路径跟踪效果图。

具体实施方式

下面结合附图和实例对本发明做进一步详细说明。可以理解的是，此处所描述的具体实例仅仅用于解释相关发明，而非对该发明的限定。另外还需说明的是，为了方便描述，附图中仅示了与发明有关的部分。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图及实施例详细说明本发明。

图1所示为本发明自主行驶车辆路径跟踪控制示例性系统框图，如图1所示，系统框图可以包括位姿误差模型，期望横摆角速度解算模型，车辆模型(被控平台)和基于RBF神经网络滑模控制路径跟踪控制器。

本发明是通过控制车俩的质心的横摆角速度对期望横摆角速度的稳定跟踪实现对期望轨迹的跟踪控制。所述的姿误差模型指的是车辆前方的预瞄点P与车辆质心之间在位置和横摆角上的偏差，并且定义预瞄点到车辆质心之间的距离为预瞄距离。期望横摆角速度解算模型根据位姿误差模型提供的预瞄点相对车辆质心位置姿态信息计算得到期望横摆角速度。从ω可知，期望横摆角速度ω是车辆横向控制的目标状态参数。根据图2中的位姿误差示意图，车辆在全局坐标系中的位姿误差可以表示为：

其中[X_c、Y_c、θ_c]表示当前点处车辆的位姿；其中[X_P、Y_P、θ_P]表示预瞄点处车辆的位姿。

车辆质心处的速度和横摆角速度决定了汽车行驶过程中的位置和姿态，在车辆质心速度变化情况的已知条件下，可以通过控制汽车质心的横摆角速度对期望角速度的稳定跟踪，实现自主行驶车辆的路径跟踪控制。

所述的期望横摆角速度基于期望横摆角速度解算模型计算而来，具体包括：

在车辆质心与预瞄点间进行路径规划，规划出来的虚拟路径y(x)可以用三次多项式曲线函数表示为：

假设车辆的质心可以稳定无偏差的跟随轨迹曲线方程y(x)。当车辆质心位置在轨迹曲线上点(x，y)时，车辆质心的速度是v_c，车辆质心的横摆角速度是ω_c，此时速度的方向和虚拟轨迹曲线的切线一致，表明此时车辆行驶轨迹的曲率k和虚拟规划曲线的曲率γ相同，则可以得到理想的横摆角速度ω_d为：

ω_d＝v_ck

虚拟规划曲线的曲率γ在车辆当前点的曲率变化率为：

理想横偏角的变化率为：

当智能汽车跟踪目标路径时，理想横摆率的变化率表示横摆角速度的变化趋势。则期望的横标角速度为：

其中α是控制间隔时间相关的比例系数。

所述车辆动力学模型描述自主行驶车辆动力学特征，依据单轨车辆模型可得车辆运动微分方程为：

其中:F_yf为前轮侧向力，F_xf为前轮纵向力，F_yr为后轮侧向力，F_xr后轮纵向力,δ为前轮转角,m为汽车质量，v_x为汽车横向车速，v_y为汽车纵向车速，ω为横摆角速度，l_f为质心到前轴距离，l_r为质心到后轴距离，I_z为汽车相对于z轴的转动惯量。

前后轮侧向力简化表示为：

其中：α_f为前轮侧偏角，α_r为后轮侧偏角，c_f为前轮侧偏刚度，c_r为后轮侧偏刚度依据小角度假设理论可得车辆横向动力学模型为：

考虑到纵向速度变化率对车辆路径跟踪影响较小，简易起见，车辆路径跟踪控制器设计时忽略纵向速度变化率将忽略部分视为系统干扰项。

令：

将f，g代入到横摆角速度变化率中，可将车辆横向动力学简化为：

将忽略部分视作系统干扰项d_ω(t)，具体的模型状态方程表示为：

其中，(ω表示车辆质心的横摆角速度，表示车辆质心横摆角速度的变化率)，|d_ω(t)|≤D。

所述的基于RBF神经网络滑模控制路径跟踪控制器设计如图3所示，包括：

(1)确定车辆横摆角θ，目标轨迹切向角θ_r，定义车辆运行时的横摆角误差为：

e＝θ_r-θ

定义滑模切换函数为：

其中c>0。

(2)对滑模切换函数求导：

并把化简后的车辆动力学模型带入到中，可得：

(3)为削减系统抖振，设计滑模趋近律则控制律δ也就是控制器的输出可以设计为：

其中：ω_r为车辆期望横摆角速度，ω为实际横摆角速度，η为趋近律系数；sgn(s)为符号函数。

将控制律δ代入到中得：

取η≥D，则有

即保证了系统状态在切换面上滑动。

(4)基于RBF神经网络进一步设计控制律δ。由于函数f未知，此部分采用RBF神经网络逼近f；本部分采用的RBF神经网络如图4所示，包含输入层，隐含层，输出层3层结构，其中：输入向量为分别对应横摆角误差e和横摆角速度误差隐含层包含5个神经元，分别对应5个语言值变量，以高斯基函数作为作用函数；输出层有一个神经元，ω₁～ω₅为神经网络权值。RBF网络输入输出算法为：

f＝W^*h(x)+ε

其中，c_j＝(c_1j c_2j)为隐含层第j个节点神经元的中心向量，b_j为隐含层第j个神经元高斯基函数的宽度，h＝[h_j]^T为高斯基函数的输出，W^*为理想网络权值，ε为网络逼近误差，ε≤ε_N，f为网络输出。

取为神经网络输入，则神经网络输出为：

(5)控制器输出为：

所述的控制器输出即为车辆前轮转角，通过路径跟踪控制器控制车辆质心的横摆角速度对期望角速度的准确跟踪，进而实现对目标路径跟踪控制。

下面介绍本发明的一个仿真实例：

利用MATLAB/Simulink建立本发明设计的自主行驶车辆路径跟踪控制仿真模型，车辆的部分参数如表1所示

表1汽车参数列表

预瞄距离x_e设置为3m，神经网络结构为2-5-1，以高斯基函数作为作用函数，数据中心值c_i＝[-1.0 -0.5 0 -0.5 -1.0]，基宽向量b_i＝0.8，在模拟仿真过程中，汽车的纵向速度为15m/s，仿真结果如图4所示。从图中可知，基于本发明设计的自主行驶路径跟踪控制器对期望路径的跟踪效果良好，能够快速的逼近期望路径，且轨迹跟踪误差始终保持在很小的范围以内，这个误差相对于实际标准道路来说有足够的余量，并且在曲率较大的区域也能保持精确跟踪。

Claims (6)

1.一种自主行驶轨迹跟踪控制方法，其特征在于，该控制方法包括以下步骤：

第一步：确定车辆横摆角和目标轨迹切向角，定义横摆角误差和滑模切换函数；

第二步：对滑模切换函数求导，并把化简后的车辆动力学模型导入滑模切换导函数中；

第三步：设计滑模趋近律和控制律，控制律也就是控制器的输出；

第四步：利用RBF神经网络对控制律中未知函数进行在线学习；

第五步：得到控制器输出，即为车辆前轮转角，进而实现车辆路径跟踪控制。

2.根据权利要求1所述的一种自主行驶轨迹跟踪控制方法，其特征在于，所述第一步中，确定车辆横摆角θ，目标轨迹切向角θ_r，定义车辆运行时的横摆角误差为：

e＝θ_r-θ；

定义滑模切换函数为：

其中c为滑模面系数，且c>0。

3.根据权利要求2所述的一种自主行驶轨迹跟踪控制方法，其特征在于，所述第二步中，对滑模切换函数求导：

其中分别表示横摆角误差e的一阶，和二阶导数；并把化简后的车辆动力学模型带入到中，可得：

其中化简后的车辆动力学模型为：

其中，ω表示车辆质心的横摆角速度；表示车辆质心横摆角速度的变化率；δ为车辆前轮转角；其中：c_f为前轮侧偏刚度，c_r为后轮侧偏刚度，v_x为汽车横向车速，v_y为汽车纵向车速，l_f为质心到前轴距离，l_r为质心到后轴距离，I_z为汽车相对于z轴的转动惯量；建模过程中忽略部分视作系统干扰项d_ω(t)，且d_ω(t)≤D。

4.根据权利要求3所述的一种自主行驶轨迹跟踪控制方法，其特征在于，所述第三步中，为削减系统抖振，设计滑模趋近律则控制律δ也就是控制器的输出可以设计为：

其中：ω_r为车辆期望横摆角速度；ω为实际横摆角速度；η为趋近律系数；sgn(s)为符号函数；

将控制律δ代入到中得：

取η≥D，则有

即保证了系统状态在切换面上滑动。

5.根据权利要求4所述的一种自主行驶轨迹跟踪控制方法，其特征在于，所述第四步中，基于RBF神经网络进一步设计控制律δ，由于函数f未知，此部分采用RBF神经网络逼近f；本部分采用的RBF神经网络包含输入层、隐含层、输出层3层结构，其中：输入向量为分别对应横摆角误差e和横摆角速度误差隐含层包含5个神经元，分别对应5个语言值变量，以高斯基函数作为作用函数；输出层有一个神经元，RBF网络输入输出算法为：

f＝W^*h(x)+ε

其中，c_j＝(c_1j c_2j)为隐含层第j个节点神经元的中心向量，b_j为隐含层第j个神经元高斯基函数的宽度，h＝[h_j]^T为高斯基函数的输出，W^*为理想网络权值，ε为网络逼近误差，ε≤ε_N，f为网络输出；

取为神经网络输入，则神经网络输出为：

6.根据权利要求5所述的一种自主行驶轨迹跟踪控制方法，其特征在于，所述第五步中，把神经网络输出带入到控制律δ中，得到控制器输出为：

控制器输出即为车辆前轮转角，通过控制车辆前轮转角进而实现车辆路径跟踪控制。