CN109866752A - 基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法 - Google Patents

Abstract

本发明涉及一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,包括：人机交互单元；组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；通讯单元；综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；并行车载处理双单元；执行单元，包含汽车的线控转向和线控驱动系统，接收并行车载处理双单元输出的控制指令，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。本发明还公开了基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法。本发明采用双系统并行的控制架构，提高算法的适应性和鲁棒性,当模型辨识完毕之后，双系统同时工作，大大增强了控制系统的容错能力，提高了自动驾驶汽车的安全性和可靠性。

Description

基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法

技术领域

本发明涉及车辆自动驾驶技术领域，尤其是基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法。

背景技术

随着人工智能技术的飞速发展，交通工具的智能化已经成为不可阻挡的趋势，智能车辆，特别是自动驾驶汽车受到人们的重视。按照汽车的动力学，自动驾驶汽车的控制可以分为横向控制和纵向控制，其中横向控制主要有顶层的路径规划、中间层的路径跟踪和底层的执行机构线控转向组成。轨迹跟踪作为横向控制过程中的基本控制问题之一，要求自动驾驶车辆在安全、快速、平稳等要求下，跟踪给定或者规划的路径。

轨迹跟踪系统的稳定性、准确性、灵敏性直接决定了自动驾驶汽车的安全性和可靠性。目前的轨迹跟踪控制器多采用线性MPC控制和基于神经网络的智能控制算法。其中，虽然线性MPC控制用线性模型逼近汽车非线性的特性，引入了多种约束，通过预测模型和滚动优化算法来实现较为稳定的路径跟踪，在几种控制算法中的控制效果相对较好。然而在实际应用中，由于设计的线性模型和汽车实际非线性特性相差甚远，多步的预测只能提供很短甚至单步的稳定控制，浪费了大量的计算量，在实际应用中的控制精度也有待进一步的提升。至于基于神经网络的智能控制算法，诸如深度学习、强化学习，一方面需要大量的数据或测试才能建立较为可靠的模型，另一方面由于神经网络的可解释性差，神经网络最为人所知的缺点就是它们的“黑盒子”性质，这意味着人们没有办法解释神经网络具体如何工作以及为什么会输出这个结果，这两个问题造成单一基于神经网络的控制系统在自动驾驶汽车的横向控制上应用较少。

发明内容

本发明的首要目的在于提供一种克服了传统控制方法建模不准确和单一基于神经网络不可解释和需要大量数据的问题，能够提高自动驾驶车辆轨迹跟踪控制系统的准确性的基于预测控制的双模式并行车辆轨迹跟踪行驶系统。

为实现上述目的，本发明采用了以下技术方案：一种基于预测控制的双模式并行车辆轨迹跟踪行驶系统，包括：

人机交互单元，具备人机的交互功能，实现目标地点的选定、速度选择、规划路径显示、交通信息和汽车信息的显示；

组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；

通讯单元，实现人机交互单元、综合信息感知单元、组合定位单元、并行车载处理双单元和执行单元相互之间的所有通讯；

综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；

并行车载处理双单元，采用两个并行且独立的计算单元，分别运行不同的两套算法，完成根据综合信息感知单元和组合定位单元的信息生成参考轨迹信息，根据汽车实际行驶过程中的位姿信息计算出轨迹跟踪状态量，两套算法同步运行生成两个不同的控制序列，经过评价函数生成最优的控制指令；

执行单元，接收并行车载处理双单元输出的控制指令，精准的执行相应的动作，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。

所述人机交互单元包括显示模块和输入模块，所述组合定位单元由GPS和惯性元件组成，所述通讯单元采用CAN通信、LCM通信和以太网通讯，所述综合信息感知单元包括雷达和相机，所述并行车载处理双单元采用板卡或工控机，所述执行单元包括汽车线控转向系统、线控驱动系统和线控制动系统。

本发明的另一目的在于提供一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法，该方法包括下列顺序的步骤：

(1)通过人机交互单元，驾驶员启动本系统，并指定目标位置；

(2)通过综合信息感知单元获取环境的信息，实时给出自动驾驶汽车周围的交通信息，给出的障碍物信息是基于车辆坐标系的距离、角度信息；

(3)通过组合定位单元实时获取汽车的定位及姿态信息；

(4)将综合信息感知单元提供的基于车辆坐标系的障碍物信息和组合定位单元输出的基于大地坐标的汽车定位信息输入并行车载处理双单元，基于路径规划算法，规划出理想的行驶轨迹，通过人工驾驶汽车，基于组合定位单元采集路径信息，生成轨迹信息；

(5)将上一步生成的轨迹信息和汽车实时的姿态信息输入给并行车载处理双单元，此时基于传统动力学模型的预测控制系统会根据汽车的状态信息生成控制序列1；

(6)神经网络预测控制系统采集方向盘转角、车速、汽车位置和姿态信息的变换信息，完成非线性多步预测模型的训练；若神经网络预测控制系统还未完成非线性多步预测模型的训练，此时完全由控制序列1来控制；

(7)若神经网络预测控制系统已经完成训练和检验，由神经网络预测控制系统生成控制序列2；

(8)同时接受基于传统动力学模型的预测控制系统生成的控制序列1和神经网络预测控制系统生成的控制序列2，若在规定的时域内只接收到控制序列1或控制序列2，则直接将控制结果输出给执行单元；若规定时域内收到两个序列的值，则通过评价函数对两个系统的输出进行评价，将由评价函数进行评估，将最终生成的最优控制序列的结果输出给执行单元；

(9)执行单元接收并行车载处理双单元给出的信息，按步骤(8)输出的控制序列控制汽车的方向盘转角和车速，实现一个控制周期内的轨迹跟踪；

(10)重复步骤(4)至步骤(8)，直到汽车抵达驾驶员指定的目的位置，完成轨迹跟踪。

所述步骤(6)具体包括以下步骤：

(6a)由神经网络预测控制系统中的智能神经网络模型辨识模块确定神经网络预测控制模型的基本结构；

(6b)进行数据采集和预处理；

(6c)将预处理后的数据，输入建立的神经网络预测控制模型，进行非线性多步预测模型的训练；

(6d)进行神经网络预测控制模型的自我检验，在完成神经网络预测控制模型的训练时，除了离线训练过程中的测试集的验证，还将通过实车产生的实时数据进行检验，若通过预设时间和条件的检验，则进入步骤(7)，反之，回到步骤6(a)。

由上述技术方案可知，本发明的优点在于：第一，本发明采用双系统并行的控制架构，解决了在采集汽车行驶数据，进行模型辨识过程中神经网络预测控制器无法正常工作的问题，提高算法的适应性和鲁棒性,当模型辨识完毕之后，双系统同时工作，大大增强了控制系统的容错能力，提高了自动驾驶汽车的安全性和可靠性；第二，非线性模型预测控制的性能非常依赖于其内部的预测模型，基于汽车行驶产生的实际数据训练非线性多步预测模型，其性能显著优于人工设计的动力学模型，提高了控制算法的稳定性和可靠性；第三，本发明无需人工设计复杂的非线性动力学模型，也无需人工针对各个车型、各工况，进行精细的优化控制算法，降低了开发难度；第四，基于车联网技术，可以将同种车型的大数据收集到云端，在云端训练模型，将训练好的模型下载到本地，通过本地的实车的校验后，以该模型作为神经网络预测控制器的预测模型，这种方法解决了数据采集耗时耗资源的问题；第五，采用组合导航系统，并引入车辆的车速和方向盘信息，一方面，提高了定位信息的输出频率，为高速的自动驾驶提供高频率的位置反馈，另一方面，有效改善GPS信号弱或者丢失时，自动驾驶车辆的定位不准的问题；第六，基于高性能的板卡或工控机，增强硬件处理能力，提高控制系统的实时性，提高高速下自动驾驶汽车的安全性。

附图说明

图1为本发明的系统组成示意图；

图2为本发明的方法流程图；

图3为本发明的并行车载处理双单元的结构框图；

图4为递推多步预测网络连接图；

图5为直接多步预测网络连接图。

具体实施方式

如图1所示，一种基于预测控制的双模式并行车辆轨迹跟踪行驶系统，包括：

人机交互单元，具备人机的交互功能，实现目标地点的选定、速度选择、规划路径显示、交通信息和汽车信息的显示；

组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；

通讯单元，实现人机交互单元、综合信息感知单元、组合定位单元、并行车载处理双单元和执行单元相互之间的所有通讯；

综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；

并行车载处理双单元，采用两个并行且独立的计算单元，分别运行不同的两套算法，完成根据综合信息感知单元和组合定位单元的信息生成参考轨迹信息，根据汽车实际行驶过程中的位姿信息计算出轨迹跟踪状态量，两套算法同步运行生成两个不同的控制序列，经过评价函数生成最优的控制指令；

执行单元，接收并行车载处理双单元输出的控制指令，精准的执行相应的动作，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。

所述人机交互单元包括显示模块和输入模块，所述组合定位单元由GPS和惯性元件组成，所述通讯单元采用CAN通信、LCM通信和以太网通讯，所述综合信息感知单元包括雷达和相机，所述并行车载处理双单元采用板卡或工控机，所述执行单元包括汽车线控转向系统、线控驱动系统和线控制动系统。

如图2所示，本方法包括下列顺序的步骤：

(1)通过人机交互单元，驾驶员启动本系统，并指定目标位置；

(2)通过综合信息感知单元获取环境的信息，实时给出自动驾驶汽车周围的交通信息，如：信号灯、行人、车道线等，给出的障碍物信息是基于车辆坐标系的距离、角度信息；

(3)通过组合定位单元实时获取汽车的定位及姿态信息；

(4)将综合信息感知单元提供的基于车辆坐标系的障碍物信息和组合定位单元输出的基于大地坐标的汽车定位信息输入并行车载处理双单元，基于路径规划算法，规划出理想的行驶轨迹，通过人工驾驶汽车，基于组合定位单元采集路径信息，生成轨迹信息；

(5)将上一步生成的轨迹信息和汽车实时的姿态信息输入给并行车载处理双单元，此时基于传统动力学模型的预测控制系统会根据汽车的状态信息生成控制序列1；

(6)神经网络预测控制系统采集方向盘转角、车速、汽车位置和姿态信息的变换信息，完成非线性多步预测模型的训练；若神经网络预测控制系统还未完成非线性多步预测模型的训练，此时完全由控制序列1来控制；常见的非线性的多步预测模型有两种，一种是由单步预测模型构造的非线性系统的递推多步预测模型，如图4所示；另一种是利用多个时刻的输出和输出分别训练神经网络，通过多个模型并行计算组成的直接多步预测模型，如图5所示。

特别地，神经网络预测控制系统(即NNPC)是将传统的预测控制和人工神经网络相结合，对于NNPC来说其问题的难点在于基于神经网络的多步预测模型的的训练和控制律的设置，其中控制律可由线性化逼近方法或迭代学习求解或者由人工神经网络完成控制律的设置。基于线性化逼近方法或迭代学习求解的滚动优化器是传统的非线性控制方法，基于人工神经网络的非线性控制器的训练过程和基于人工神经网络预测模型的训练过程基本相同，无论是哪种控制律的建立都是属于NNPC的一种。

(7)若神经网络预测控制系统已经完成训练和检验，由神经网络预测控制系统生成控制序列2；若神经网络预测控制系统已完成非线性多步预测模型的训练，并通过实车行驶数据的自我检验，此时主要由基于智能模型的预测控制系统进行轨迹跟踪的控制，特别地，在该步骤中，轨迹跟踪的优化器是非线性的智能优化算法，包括且不限于基于遗传算法的优化器、基于粒子群算法的优化器和基于神经网络的优化器等。特别地，在这一过程中，可通过在线修正进一步优化模型和寻优控制算法。

(8)同时接受基于传统动力学模型的预测控制系统生成的控制序列1和神经网络预测控制系统生成的控制序列2，若在规定的时域内只接收到控制序列1或控制序列2，则直接将控制结果输出给执行单元；若规定时域内收到两个序列的值，则通过评价函数对两个系统的输出进行评价，将由评价函数进行评估，将最终生成的最优控制序列的结果输出给执行单元；若规定时域内收到两个序列的值，则通过评价函数(卡尔曼滤波器、预设的规则等)对两个系统的输出进行评价进行评估，最终生成的控制序列3。

(9)执行单元接收并行车载处理双单元给出的信息，按步骤(8)输出的控制序列控制汽车的方向盘转角和车速，实现一个控制周期内的轨迹跟踪；

(10)重复步骤(4)至步骤(8)，直到汽车抵达驾驶员指定的目的位置，完成轨迹跟踪。

所述步骤(6)具体包括以下步骤：

(6a)由神经网络预测控制系统中的智能神经网络模型辨识模块确定神经网络预测控制模型的基本结构；

主要确定人工神经网络的基本结构，输入层、隐含层、输出层、激励函数等。

在该步骤中，这里以一种简单的BP神经网络的模型构造为例,确定神经网络的基本结构，输入层、隐含层、输出层、激励函数等。以BP神经网络为例，

输入层的基本元素主要有三个分别为：方向盘转角、汽车车速、路面附着系数等，前两者为必需的输入，其他输入可根据汽车配置和处理器的性能的不同做不同的调整等。特殊地，对于直接多步预测模型，其输入需将严格按照数据采集的时间间隔作为输入记录下来。输出层的基本元素主要有定义的时间间隔下一次计算开始到采集时刻汽车在大地坐标系下经度变化量、维度变化量、汽车航向角的变换量。隐含层的层数一般选择一层即可。研究表明，一个隐含层使用TanSigmoid或者rule激活函数、输出神经元采用纯线性激活函数，只要隐含层的神经元个数足够多，也可以以任意精度逼近非线性函数。因此，对于汽车非线性动力学来说，依旧可以采用最简单的三层BP神经网络来拟合其动力学特性。这里提供三种隐含层节点数的初定方法：

(a)Fangfa Gorman指出，隐含层结点数s与模式数N的关系是：s＝log₂N

(b)Kolmogorov定理表明，隐含层结点数s＝2m+1,其中m为输入层结点数；

(c)s＝sqrt(0.43mn+0.12nn+2.54m+0.77n+0.35)+0.51，其中m为输入层结点数，n

是输出层的个数；

通过上述方法，可以初步确定神经网络隐含层的神经元个数，具体的个数可以根据训练后模型的效果进行调整。

(6b)进行数据采集和预处理；

无论是驾驶员的操作还是模型预测控制器产生的控制指令，以及对应的汽车状态变化量，都可以作为上一步神经网络的训练集。这种通过在线采样获取的数据集，其训练而出的模型的精确度较好。另一方面，训练好的模型也可以通过实时采样获取的数据做检验。

这里的数据处理主要包含两个部分。一方面，根据车速和方向盘的输入对数据进行一定的筛选避免常见输出的数据冗余，提升模型的泛化能力。另一方面，对数据进行归一化处理，提高模型的训练速度，避免不必要的数值问题。

(6c)将预处理后的数据，输入建立的神经网络预测控制模型，进行非线性多步预测模型的训练；

以下以BP神经网络的学习过程为例，介绍模型训练的过程。

(11)网络的初始化，建立BP神经网络，初始化隐含层和输出层的连接权值w_ij、v_ij，隐藏层和输出值的阈值θ_j、γ_t，确定隐含层的激励函数f(x)和输出层的激励函数g(x)；

(22)将处理后的输入向量p_train＝(a₁,a₂,a₃,...a_m)输入神经网络，利用该向量、隐含层的连接权值w_ij和阈值θ_j计算隐含层各单元的输入r_j,然后用激励函数计算隐含层各单元的输出b_j。其计算公式如下：

其中j＝1,2,...,p

b_j＝f(r_j),其中j＝1,2,...,p

(33)同样的，利用隐含层的输出向量B＝(b₁,b₂,...,b_p)、输出层连接权值v_jt和阈值γ_t计算输出层各单元的输入s_t，然后通过激励函数g(x)计算输出层各神经元的输出响应c_t，其计算公式如下：

其中t＝1,2,...,q

c_t＝g(s_t)，其中t＝1,2,...,q

(44)用p_train＝(a₁,a₂,a₃,...a_m)对应的目标向量t_train＝(t₁,t₂,...,t_q)和网络的实际输出C＝(c₁,c₂,...,c_q)，计算输出层各个单元的一般化误差d_t：

d_t＝(t_t-c_t)c_t(1-c_t)，其中t＝1,2,...,q

(55)利用输出层各个单元的一般化误差d_t、输出层连接权值v_jt和隐含层各单元的输出b_j计算隐含层各个单元的一般化误差e_j：

其中j＝1,2,...,p

(66)利用输出层各个单元的一般化误差d_t、隐含层各单元的输出b_j修正输出层连接权值v_jt和阈值γ_t：

其中0＜α＜1,1＜N＜p；

(77)利用隐含层各个单元的一般化误差e_j、输入层各单元的输入a_i来修正隐含层的连接权值w_ij和阈值θ_j：

其中0＜β＜1,1＜N＜n

(88)随机选取训练集内的样本向量重新输入到网络中，返回步骤(33)，直到训练集的样本全部训练完毕。

(99)重新从训练集中选取一组输入样本和对应的输出样本，返回步骤(33)，循环计算，直到全局误差E小于预先设定的值，则表示网络收敛。若计算的步数达到最大值，仍不能满足误差要求，则表明网络不能收敛。

(100)结束。

(6d)进行神经网络预测控制模型的自我检验，在完成神经网络预测控制模型的训练时，除了离线训练过程中的测试集的验证，还将通过实车产生的实时数据进行检验，若通过预设时间和条件的检验，则进入步骤(7)，反之，回到步骤6(a)。

如图2所示，在系统启动之后，首先是各单元的初始化和自检，自检通过后由驾驶员进行在地图上完成目标位置的设定，系统根据目标位置和当前汽车所在位置完成全局的路径规划，基于全局路径规划结果和感知单元的信息完成局部的路径规划生成可行驶的理想路径，并将理想路径输入给两个处理单元中，传统MPC控制器完成控制序列1的输出。与此同时，系统会判断神经网络预测控制系统NNPC中的神经网络预测模型是否训练完成，实际上该控制器只需完成一次符合要求的模型训练过程即可正常工作，在后续的过程中都会跳过模型训练的过程，甚至可以从汽车制造商/运营商提供的模型进行云更新，不需要独立训练。当NNPC初始化完成后，NNPC控制器会给出一个控制序列2。在下一步系统会比较两个处理单元的输出，按预先设定的规则输出控制序列1或2，或加权输出控制序列3，下一步执行机构执行最终的控制序列，控制汽车自动驾驶。系统会判断汽车是否到底目的地，不断进行局部的路径规划和实时修正，避开临时出现的障碍物，从而保证控制的实时性。传统MPC控制器是传统的控制系统之一，这里以传统MPC和NNPC并行计算输出控制结果。

如图3所示，该图描述了MPC控制器和NNPC控制器的基本结构。首先是轨迹规划器的输入，然后MPC控制器和NNPC控制器会并行处理，分别通过传统基于动力学的简化模型和基于神经网络的预测模型预测汽车的位置和姿态，目标函数是使汽车的位置和姿态和规划出的理想位置和姿态偏差尽可能小，且控制量的变化尽可能的小，约束条件是汽车的物理约束或者交通规则限定的约束，因为模型不同对应的优化器采用不同的优化算法，分别计算出控制序列u₁(k)、u₂(k)，通过预设规则和评价函数，生成最终控制序列u(k)。执行单元读取最终控制序列的值，完成轨迹跟踪。

图4所示的是基于非线性自回归动态神经网络NNARX的递推多步神经网络预测模型辨识系统的结构，该模型将k+1时刻的预测结果作为k+2时刻预测的输入，通过递推实现多步的预测模型的辨识。

图5所示的是直接多步预测神经网络的预测模型，通过多个神经网络的并联，一个神经网络负责一个时刻的模型预测输出，通过多个神经网络同时工作完成最终的预测。

综上所述，本发明采用双系统并行的控制架构，解决了在采集汽车行驶数据，进行模型辨识过程中神经网络预测控制器无法正常工作的问题，提高算法的适应性和鲁棒性,当模型辨识完毕之后，双系统同时工作，大大增强了控制系统的容错能力，提高了自动驾驶汽车的安全性和可靠性。

Claims (4)

1.一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,其特征在于：包括：

人机交互单元，具备人机的交互功能，实现目标地点的选定、速度选择、规划路径显示、交通信息和汽车信息的显示；

组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；

通讯单元，实现人机交互单元、综合信息感知单元、组合定位单元、并行车载处理双单元和执行单元相互之间的所有通讯；

综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；

并行车载处理双单元，采用两个并行且独立的计算单元，分别运行不同的两套算法，完成根据综合信息感知单元和组合定位单元的信息生成参考轨迹信息，根据汽车实际行驶过程中的位姿信息计算出轨迹跟踪状态量，两套算法同步运行生成两个不同的控制序列，经过评价函数生成最优的控制指令；

执行单元，接收并行车载处理双单元输出的控制指令，精准的执行相应的动作，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。

2.根据权利要求1所述的基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,其特征在于：所述人机交互单元包括显示模块和输入模块，所述组合定位单元由GPS和惯性元件组成，所述通讯单元采用CAN通信、LCM通信和以太网通讯，所述综合信息感知单元包括雷达和相机，所述并行车载处理双单元采用板卡或工控机，所述执行单元包括汽车线控转向系统、线控驱动系统和线控制动系统。

3.根据权利要求1至2中任一项所述的基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法，其特征在于：该方法包括下列顺序的步骤：

(1)通过人机交互单元，驾驶员启动本系统，并指定目标位置；

(2)通过综合信息感知单元获取环境的信息，实时给出自动驾驶汽车周围的交通信息，给出的障碍物信息是基于车辆坐标系的距离、角度信息；

(3)通过组合定位单元实时获取汽车的定位及姿态信息；

(4)将综合信息感知单元提供的基于车辆坐标系的障碍物信息和组合定位单元输出的基于大地坐标的汽车定位信息输入并行车载处理双单元，基于路径规划算法，规划出理想的行驶轨迹，通过人工驾驶汽车，基于组合定位单元采集路径信息，生成轨迹信息；

(5)将上一步生成的轨迹信息和汽车实时的姿态信息输入给并行车载处理双单元，此时基于传统动力学模型的预测控制系统会根据汽车的状态信息生成控制序列1；

(6)神经网络预测控制系统采集方向盘转角、车速、汽车位置和姿态信息的变换信息，完成非线性多步预测模型的训练；若神经网络预测控制系统还未完成非线性多步预测模型的训练，此时完全由控制序列1来控制；

(7)若神经网络预测控制系统已经完成训练和检验，由神经网络预测控制系统生成控制序列2；

(8)同时接受基于传统动力学模型的预测控制系统生成的控制序列1和神经网络预测控制系统生成的控制序列2，若在规定的时域内只接收到控制序列1或控制序列2，则直接将控制结果输出给执行单元；若规定时域内收到两个序列的值，则通过评价函数对两个系统的输出进行评价，将由评价函数进行评估，将最终生成的最优控制序列的结果输出给执行单元；

(9)执行单元接收并行车载处理双单元给出的信息，按步骤(8)输出的控制序列控制汽车的方向盘转角和车速，实现一个控制周期内的轨迹跟踪；

(10)重复步骤(4)至步骤(8)，直到汽车抵达驾驶员指定的目的位置，完成轨迹跟踪。

4.根据权利要求3所述的轨迹跟踪行驶方法，其特征在于：所述步骤(6)具体包括以下步骤：

(6a)由神经网络预测控制系统中的智能神经网络模型辨识模块确定神经网络预测控制模型的基本结构；

(6b)进行数据采集和预处理；

(6c)将预处理后的数据，输入建立的神经网络预测控制模型，进行非线性多步预测模型的训练；

(6d)进行神经网络预测控制模型的自我检验，在完成神经网络预测控制模型的训练时，除了离线训练过程中的测试集的验证，还将通过实车产生的实时数据进行检验，若通过预设时间和条件的检验，则进入步骤(7)，反之，回到步骤6(a)。