CN109606364B - 一种分层式自学习可拓神经网络车道保持控制方法 - Google Patents

Abstract

本发明公开了一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控方法，主要包括如下步骤：步骤S1，建立三自由度动力学模型，以及预瞄偏差表达式；步骤S2，车道线拟合计算；步骤S3，设计上层径向基(RBF)神经网络系统；步骤S4，设计下层速度可拓控制器；步骤S5，设计下层偏差跟踪可拓控制器；包括：S5.1，下层偏差跟踪可拓特征量提取和域界划分；S5.2，计算下层可拓控制器关联函数；S5.3，下层测度模式识别；S5.4，根据测度模式，下层控制器输出前轮转角。本发明根据神经网络对已有数据库的学习训练，可以指导下层控制器动态调整控制参数和约束域界，使得车辆在复杂混合工况下能更好的收敛到期望值，提高车辆变速车道保持控制精度。

Description

一种分层式自学习可拓神经网络车道保持控制方法

技术领域

本发明属于智能汽车控制技术领域，特别涉及了一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法

背景技术

为满足安全、高效、智能化交通发展的要求，智能汽车成为其发展和研究的重要载体和主要对象，尤其是电动智能汽车对于改善环境污染、提高能源利用率、改善交通拥挤问题有着很大作用。其中，智能汽车在道路行驶过程中，车道保持能力逐渐成为关注的热点之一，尤其是弯道保持和高速车道保持性能。

智能汽车车道保持控制基于普通车辆平台，架构计算机、视觉传感器、自动控制执行机构以及信号通讯设备，实现自主感知、自主决策和自主执行操作保证安全行驶功能。常见车辆多为前轮驱动，通过调节前轮转角保证车辆横向控制精度和车辆行驶的安全性稳定性。车道保持基于摄像头等视觉传感器，通过车道线检测提取车道线信息，同时获取车辆在车道中的位置，确定下一时刻需要执行的前轮转角。具体控制方式主要有两种：预瞄式参考系统和非预瞄式参考系统，预瞄式参考系统主要以车辆前方位置的道路曲率作为输入，根据车辆与期望路径之间的横向偏差或航向偏差为控制目标，通过各种反馈控制方法设计对车辆动力学参数鲁棒的反馈控制系统，如基于雷达或摄像头等视觉传感器的参考系统。非预瞄式参考系统根据车辆附近的期望路径，通过车辆运动学模型计算出描述车辆运动的物理量，如车辆横摆角速度，然后设计反馈控制系统进行跟踪，此发明基于预瞄式控制方法，获取前方车辆运行点处的多个期望车辆状态，完成多状态反馈的可拓车道保持控制方法的设计。

发明内容

从目前主要研究内容看，智能汽车大弯道和高速下车道保持控制精度和稳定性是研究的热点，本发明针对变速行驶的智能汽车车道保持的控制精度问题，提出一种可变车速下分层式自学习可拓神经网络车道保持控制方法。

本发明提出的控制方法基于可拓控制方法和神经网络，本发明将可拓控制方法运用到智能汽车车道保持控制方法中，保证车辆运动过程中始终在车道范围内运动。车道保持的控制目标是保证车辆运动过程中车辆距离左侧车道线和右侧车道线的距离相等，以及航向偏差为0。本发明上层为神经网络系统，通过对已有数据学习，在车辆变速运动在车道线中时，可以达到自学习调整下层控制系数和下层可拓约束域界的动态调整。下层可拓控制器包括两部分，分别为速度可拓控制器和偏差跟踪可拓控制器，从而实现智能汽车在变速下的车道保持控制功能。

本发明的有效效益为：

(1)针对智能汽车在变速运动过程中车道保持问题，本发明创新性提出了一种先进可拓车道保持控制方法。

(2)根据神经网络对已有数据库的学习训练，可以指导下层控制器动态调整控制参数和约束域界，使得车辆在复杂混合工况下能更好的收敛到期望值，提高车辆变速车道保持控制精度。

(3)引入了上层神经网络专家知识库，使得整个车道保持控制系统具有记忆和识别样本模式，具有学习、记忆、推理和联想功能，从而对外界干扰和信号噪音有较好的适应性和鲁棒性。

附图说明

图1为变速下可拓自适应车道保持控制方法框图；

图2为RBF神经网络；

图3为三自由度车辆动力学模型；

图4为路径跟踪预瞄模型；

图5为下层速度可拓集合划分；

图6为层偏差跟踪可拓集合区域划分图。

具体实施方式

下面结合附图对本发明作进一步说明。

依据图1所示的变速下可拓自适应车道保持控制方法框图，本发明包括如下步骤：

Step1:建立三自由度动力学模型

本发明采用三自由度车辆动力学模型，包括纵向运动、横向运动和横摆运动，如图3所示为车辆三自由度单轨动力学模型示意图。根据牛顿第二定律定理可以得到沿x轴、y轴和绕z轴的平衡方程：

式中，m为车辆质量；x为纵向位移；

为横摆角；

为横摆角速度；δ_f为前轮转角；y为侧向位移；I_z为Z轴转动惯量；F_x为车辆所受总的纵向力；F_y为车辆所受总的横向力；M_z为车辆所受总的横摆力矩；F_cf，F_cr为车辆前后轮胎所受侧向力，与轮胎的侧偏刚度、侧偏角有关；F_lf，F_lr为车辆前后轮胎所受纵向力，与轮胎的纵向刚度、滑移率有关；F_xf，F_xr为车辆前后轮胎在x方向所受力；F_yf，F_yr为车辆前后轮胎在y方向所受力；a为前轴到质心距离，b后轴到质心距离。

车辆在路径跟踪过程中，预瞄偏差包括航向偏差和预瞄点处横向位置偏差，如图4所示，y_L为预瞄点处横向位置偏差，

为航向偏差，L为预瞄距离。

根据图中几何关系可得：

Step2:车道线拟合计算

车道线拟合采用二次多项式拟合，根据道路曲率值ρ和车辆摄像头距离左右车道线的距离D_L、D_r，可得到弯道时车道线拟合方程：

其中，ρ为道路曲率，D_L、D_r为车辆摄像头距离左右车道线的距离，

为车道线航向角，y₁为左侧车道线拟合位置，y₂为右侧车道线拟合位置。

考虑到车辆的航向偏差角范围在-1rad到1rad之间，通过设置参数范围将车道线曲率识别范围设置在-0.12/m到0.12/m之间。

Step3:上层径向基(RBF)神经网络系统设计

本发明设计的RBF网络结构如图2所示。RBF网络的输入为车辆速度v_x、速度变化率a_x、车辆横向位置偏差y_L和航向偏差

即

输出为控制系数K_lowC、K_lowC和约束域界y_Lom、

即

本发明设计一种两层径向基(RBF)神经网络，第一层输入为y_L、

输出为K_low、K_lowC；第二层输入为v_x、a_x，输出为y_Lom、

在RBF网络结构中，设RBF的径向基向量H＝[h₁,h₂,……,h_n]^T，其中高斯基函数为：

其中，

为神经网络输入向量；B＝[b₁,b₂,……b_n]^T为基宽向量；c_j＝[c_j1,c_j2,……,c_jn]为第j个节点的中心向量，n为径向基神经网络隐含层节点数。

由于输出有4个值，则各自的权向量分别为：

P＝[p₁,p₂,……,p_n]^T

Q＝[q₁,q₂,……,q_n]^T

W＝[w₁,w₂,·······,w_n]^T

V＝[v₁,v₂,·······,v_n]^T

那么RBF网络输出为：

K_lowCM1＝p₁h₁+p₂h₂+……+p_nh_n

K_lowC＝q₁h₁+q₂h₂+……+q_nh_n

y_Lom＝w₁h₁+w₂h₂+……+w_nh_n

取性能指标函数E＝u₀ ²/2，根据梯度下降法，输出权值、节点中心和基宽向量参数的迭代算法为：

输出权值

w_j(t)＝w_j(t-1)+ηu₀(t)h_j+α[w_j(t-1)-w_j(t-2)]

基宽向量

b_j(t)＝b_j(t-1)+ηΔb_j+α[b_j(t-1)-b_j(t-2)]

其中，

c_ji＝c_ji(t-1)+ηΔc_ji+α[c_ji(t-1)-c_ji(t-2)]

其中，

其中，η为学习率，α为动量因子，u₀为性能误差，两层均根据性能误差u₀进行自适应学习，学习目的是使为u₀零，Δb_i、Δc_ji表示中间变量。

Step4下层速度可拓控制器设计

速度可拓控制器特征量选择车辆纵向速度v_x和期望纵向速度v_xdis的偏差

及其变化率，组成速度可拓控制器特征集合

最佳状态为S₀(0,0)。

速度特征量经典域域界为：

其中，

和

分别表示特征集合

经典域边界值。

速度特征量可拓域域界为：

其中，

和

分别表示特征集合

可拓域边界值。

非域为特征集合

除去经典域和可拓域剩余区域。

速度可拓控制器可拓集合域界划分如图5所示。

计算速度可拓关联函数

计算过程如下。

经典域可拓距为：

可拓域可拓距为：

此外，实时特征状态与最佳状态的可拓距为：

当

时，

否则，

所以速度特征量关联函数为

计算速度可拓控制器输出量：

当

此时实时速度特征量

处于经典域中，记做测度模式M₁，定义在该状态下，速度控制难度较低，控制过程较为稳定为完全可控状态；

控制器输出量轮胎纵向力F_x为：

其中，K_v为状态反馈增益系数。

当

时，此时实时速度特征量

处于可拓域中，记做测度模式M₂，定义该状态下速度控制难度增加，实际车速与目标车速相差多，需要增加控制量和控制量变化速度，控制过程为临界稳定状态；

控制器输出量轮胎纵向力F_x为：

其中，K_vc为附加输出项增益系数，

为符号函数，满足如下关系：

当

时，实时速度特征量

处于非域中，记做测度模式M₃，定义该状态是一种极不稳定的控制状态，此时车辆实际车速与期望车速之间相差较大，，为了最快的达到期望车速，此时轮胎纵向力必须达到最大值，即F_x(t)＝F_xmax。

所以，速度可拓控制器轮胎纵向力输出量为

Step5.下层偏差跟踪可拓控制器设计

1)下层偏差跟踪可拓特征量提取和域界划分

下层可拓控制器选择预瞄点横向位置偏差y_L，航向偏差

由此构成二维特征状态集合，记做

对于自动驾驶汽车横向控制而言，控制目标为保证车辆在既定轨迹上保持车辆与目标轨迹之间横向位置偏差和航向偏差为零，下层可拓控制器特征集合区域划分如图6所示。

根据可拓控制理论，确定各个特征量的经典域区域和可拓域区域，可以分别表示为：

经典域

其中，y_Lom和

为特征集合

经典域边界值。

可拓域

其中，y_Lm和

分别为特征集合

可拓域边界值，且y_Lm＝3y_Lom，

非域为整个可拓特征集合

除去经典域和可拓域剩余区域。

2)计算下层可拓控制器关联函数

对于自动驾驶汽车横向控制而言，控制目标为保证车辆在既定轨迹上保持车辆与目标轨迹之间横向位置偏差和航向偏差为零，所以特征量最佳状态为S_low0＝(0,0)。

在车辆运动过程中，实时特征状态量记做

那么实时状态量与最佳状态点的可拓距为：

其中，k₁和k₂分别为实时状态量与最佳状态点可拓距加权系数，通常都取值1。

经典域可拓距为：

可拓域可拓距为：

如果实时特征状态量

位于经典域R_{low_os}中，则关联函数为：

K_low(S)＝1-|SS_low0|/M_eo (25)

否则，

K_low(S)＝(M_eo-|SS_low0|)/(M_e-M_eo) (26)

所以，关联函数可以表示为：

3)下层测度模式识别

根据上述关联函数值K_low(S)对系统特征量

模式识别，模式识别规则如下：

IFK_low(S)≥0,THEN实时特征状态量

处于经典域中，记做测度模式M_{low_1}，定义该状态下车辆车道保持控制过程中偏差较小，控制难度低，整个控制过程为一个稳定控住状态；

IF-1≤K(S)<0,THEN实时特征状态量

处于可拓域中，记做测度模式M_{low_2}，定义该状态下车辆车道保持控制过程中偏差略大，控制男度增加，需要通过改变控制量参数，增加控制量和相应速度，整个可控制过程为一个临界稳定状态；

ELSE实时特征状态量

处于非域中，记做测度模式M_{low_3}，该状态下车辆车道保持较大，甚至出现偏离本车道，此时控制过程极不稳定，整个控制过程为不稳定状态。

4)下层控制器输出前轮转角

当测度模式为M_{low_1}时，车辆-道路系统处于稳定状态，此时控制器前轮转角输出值为：

δ_f＝-K_low S (28)

其中，K_lowCM为测度模式M_{low_1}基于特征量S的状态反馈系数，K_low＝[K_{low_c1} K_{low_c2}]^T，其中K_{lpw_c1}和K_{low_c2}分别为对应于特征量y_L和特征量

反馈增益系数，本发明采用极点配置方法选择状态反馈系数，S值为

当测度模式为M_{low_2}时，系统处于临界失稳状态，属于可调范围内，可以通过增加控制器附加输出项，将系统重新调节到稳定状态，控制器前轮转角输出值为：

δ_f＝-K_lowCM{S+K_lowC·K_low(S)·[sgn(S)]} (29)

K_lowC为测度模式M_{low_2}下附加输出项控制系数，该系数主要基于测度模式M_{low_1}下控制量适量人工调节，保证附加输出项能够使得系统在此回到稳定状态。

其中，

K_lowC·K_low(S)·[sgn(S)]为控制器附加输出项，该项结合了下层关联函数值K_low(S)，关联函数体现了车辆在车道爆出中沿车道中心线运动的调节难度，因此，通过关联函数值的变化，根据控制难度实时改变控制器附加输出项的值。

当测度模式为M_{low_3}时，车辆由于距离车道中心线偏差较大，无法及时调节到稳定状态，为保证车辆安全，此时控制器前轮转角输出值为：

δ_f＝0 (31)

测度模式M_{low_3}在控制过程中应尽可能避免。

因此，下层可拓控制器对于特征量

控制器前轮转角输出值为：

将上述控制器的输出量反馈至车辆动力学模型，实时调节模型中的相关参数，实现车辆能够实时调节轨迹跟踪状况。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (8)

1.一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，包括如下步骤：

步骤S1，建立三自由度动力学模型，以及预瞄偏差表达式；

步骤S2，车道线拟合计算；

步骤S3，设计上层径向基神经网络系统；

步骤S4，设计下层速度可拓控制器；

步骤S5，设计下层偏差跟踪可拓控制器；包括：

S5.1，下层偏差跟踪可拓特征量提取和域界划分；

S5.2，计算下层可拓控制器关联函数；

S5.3，下层测度模式识别；

S5.4，根据测度模式，下层控制器输出前轮转角；

所述三自由度动力学模型表达式为：

式中，m为车辆质量；x为纵向位移；

为横摆角；δ_f为前轮转角；y为侧向位移；I_z为Z轴转动惯量；F_x为车辆所受总的纵向力；F_y为车辆所受总的横向力；M_z为车辆所受总的横摆力矩；F_cf，F_cr为车辆前后轮胎所受侧向力，与轮胎的侧偏刚度、侧偏角有关；F_lf，F_lr为车辆前后轮胎所受纵向力，与轮胎的纵向刚度、滑移率有关；a为前轴到质心距离，b后轴到质心距离；

所述预瞄偏差表达式为：

y_L为预瞄点处横向位置偏差，

为航向偏差，L为预瞄距离，ρ为道路曲率。

2.根据权利要求1所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤2中，所述车道线拟合采用二次多项式拟合，根据道路曲率值ρ和车辆摄像头距离左右车道线的距离D_L、D_r，可得到弯道时车道线拟合方程：

其中，ρ为道路曲率，D_L、D_r为车辆摄像头距离左右车道线的距离，

为车道线航向角，y₁为左侧车道线拟合位置，y₂为右侧车道线拟合位置。

3.根据权利要求1所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤3中，所述径向基神经网络系统的设计方法如下：

设RBF神经网络的输入为车辆速度v_x、速度变化率a_x、车辆横向位置偏差y_L和航向偏差

即

输出为控制系数K_lowCM1、K_lowC和约束域界y_Lom、

即

设计两层径向基(RBF)神经网络，第一层输入为y_L、

输出为K_lowCM1、K_lowC；第二层输入为v_x、a_x，输出为y_Lom、

在RBF网络结构中，设RBF的径向基向量H＝[h₁，h₂，……，h_n]^T，其中高斯基函数为：

其中，

为神经网络输入向量；B＝[b₁，b₂，……b_n]^T为基宽向量；c_j＝[c_j1，c_j2，……，c_jn]为第j个节点的中心向量；

4个输出的权向量分别设为：

P＝[p₁，p₂，……·，p_n]^T

Q＝[q₁，q₂，……·，q_n]^T

W＝[w₁，w，……·，w_n]^T

V＝[v₁，v₂，……·，v_n]^T

则RBF网络输出为：

K_lowCM1＝p₁h₁+p₂h₂+……··+p_nh_n

K_lowC＝q₁h₁+q₂h₂+……·+q_nh_n

y_Lom＝w₁h₁+w₂h₂+……·+w_nh_n

取性能指标函数E＝u₀ ²/2，根据梯度下降法，输出权值、节点中心和基宽向量参数的迭代算法为：

w_j(t)＝w_j(t-1)+ηu₀(t)h_j+α[w_j(t-1)-w_j(t-2)]

b_j(t)＝b_j(t-1)+ηΔb_j+α[b_j(t-1)-b_j(t-2)]

c_ji＝c_ji(t-1)+ηΔc_ji+α[c_ji(t-1)-c_ji(t-2)]

其中，η为学习率，α为动量因子，u₀为性能误差，两层均根据性能误差u₀进行自适应学习，学习目的是使为u₀零。

4.根据权利要求1所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤4中，所述下层速度可拓控制器的设计方法如下：

速度可拓控制器特征量选择车辆纵向速度v_x和期望纵向速度v_xdis的偏差

及其变化率，组成速度可拓控制器特征集合

最佳状态为S₀(0，0)；

速度特征量经典域域界为：

速度特征量可拓域域界为：

计算速度特征量可拓关联函数

方法如下：

经典域可拓距为：

可拓域可拓距为：

实时特征状态与最佳状态的可拓距为：

当

时，

否则，

所以速度特征量可拓关联函数为

计算速度可拓控制器输出量，方法如下：

当

此时实时速度特征量

为测度模式M₁，此状态为完全可控状态；控制器输出量轮胎纵向力F_x为：

其中，K_v为状态反馈增益系数；

当

时，此时实时速度特征量

为测度模式M₂，此状态为临界可控制状态；控制器输出量轮胎纵向力F_x为：

其中，K_vc为附加输出项增益系数，

为符号函数，满足如下关系：

当

时，实时速度特征量

为测度模式M₃，此状态为不可控制状态，此时轮胎纵向力保持上一次控制量，即F_x(t)＝F_x(t-1)；

得到速度可拓控制器轮胎纵向力输出量为

5.根据权利要求1所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤5.1中，所述特征量由预瞄点横向位置偏差y_L，航向偏差

构成，记做

所述域界划分为经典域区域和可拓域区域，可以分别表示为：

经典域

可拓域

其中，y_Lm＝3y_Lom，

6.根据权利要求1所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤5.2中，所述计算下层可拓控制器关联函数的方法如下：

在车辆运动过程中，实时特征状态量记做

特征量最佳状态为S_low0＝(0，0)；实时状态量与最佳状态点的可拓距为：

经典域可拓距为：

可拓域可拓距为：

如果实时特征状态量

位于经典域R_os中，则关联函数为：

K_low(S)＝1-|SS_low0|/M_eo

否则，

K_low(S)＝(M_eo-|SS_low0|)/(M_e-M_eo)

所以，关联函数可以表示为：

7.根据权利要求6所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤5.3中，所述下层测度模式识别方法如下：

根据上述关联函数值K_low(S)对系统特征量

模式识别，模式识别规则如下：

IF K_low(S)≥0，THEN实时特征状态量

测度模式M_{low_1}；

IF -1≤K(S)＜0，THEN实时特征状态量

测度模式M_{low_2}；

ELSE测度模式M_{low_3}。

8.根据权利要求6所述的一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法，其特征在于，步骤5.4中，所述下层控制器输出前轮转角的方法如下：

当测度模式为M_{low_1}时，车辆-道路系统处于稳定状态，此时控制器前轮转角输出值为：

δ_f＝-K_lowCM1S

其中，K_lowCM1为测度模式M_{low_1}基于特征量S的状态反馈系数；

当测度模式为M_{low_2}时，系统处于临界失稳状态，属于可调范围内，可以通过增加控制器附加输出项，将系统重新调节到稳定状态，控制器前轮转角输出值为：

δ_f＝-K_lowCM1{S+K_lowC·K_low(S)·[sgn(S)]}

K_lowC·K_low(S)·[sgn(S)]为控制器附加输出项，K_lowC为测度模式M_{low_2}下附加输出项控制系数；

其中，

当测度模式为M_{low_3}时，车辆由于距离车道中心线偏差较大，无法及时调节到稳定状态，为保证车辆安全，此时控制器前轮转角输出值为：

δ_f＝0

由此得到下层可拓控制器对于特征量

控制器前轮转角输出值为：

Images