CN110949366A - 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法 - Google Patents

Abstract

本发明公开了一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法，包括以下步骤：设计以速度误差为控制变量的终端滑模变结构控制算法，并设计针对滑模控制切换增益进行自适应调节的RBF神经网络控制器，对切换增益进行实时优化，通过逆纵向动力学控制器，最终得到车辆所需期望油门开度/期望制动压力。通过以上控制模型及控制算法，可以实现一下有益效果：1、提高智能汽车纵向速度跟踪能力，有效减提升车辆的乘坐舒适性与操作稳定性；2、实现对传统滑模控制“抖振”特性的有效抑制，进一步提高滑模控制在纵向速度控制中的精确性；3、对于车辆模型精确度要求不高，易于控制实现，对于中高端车辆以及智能交通的发展都有着重要的意义。

Description

应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制 方法

技术领域

发明属于车辆控制技术领域,涉及到一种智能车辆纵向运动控制方法,特别涉及到一种基于RBF神经网络滑模算法的智能汽车纵向运动控制方法。

背景技术

智能车辆作为未来车辆发展方向和智能交通系统核心部分近几年来受到了各国学者的广泛关注。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。纵向控制是智能汽车自主行驶的基础，也是实现汽车主动安全的一个主要内容，在智能汽车行驶控制系统中起着核心作用。汽车纵向动力学控制系统是一个复杂的非线性系统,其实际特性难以用线性模型准确描述，存在着参数不确定性和强非线性的特性，因此纵向控制研究是近年来智能车辆研究的热点方向。

现存的汽车纵向控制方法主要为模糊控制，模型预测控制等，虽然能对非线性模型进行控制，但仍存在响应速度较慢、所需模型过于复杂等缺点。

滑模变结构控制是近年来针对智能汽车纵向控制器设计的新型控制方法，该控制算法对外界干扰和模型非线性具有较强的鲁棒性，但该算法在滑动切换面附近的滑模高频切换容易引发抖振现象。

发明内容

本发明为了克服现有技术存在的上述不足之处，,提供不仅可以克服智能车辆纵向动力学系统的参数不确定性、时滞和非线性等特性,同时保证智能车辆纵向控制动态响应速度快，有限时间收敛，消除抖振，稳态跟踪精度高的一种基于学习法的智能车辆RBF神经网络终端滑模控制方法。

本发明包括以下步骤：步骤1建立描述智能车辆特征的非线性纵向运动数学模型，包括发动机模型、液力变矩器及自动变速器模型、制动系统模型和车辆纵向运动模型；步骤2设计智能车辆纵向速度控制器，包括车辆油门控制和车辆制动控制，得到智能车辆期望加/减速度；车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现,利用终端滑模滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律，使得线性滑模在有限时间内到达并保持零，满足李雅普诺夫稳定性判定；步骤3根据步骤2得到的期望加/减速度，结合纵向行驶速度与发动机的转矩和转速之间存在对应关系，设计逆纵向控制器，求出期望油门开度α_des和期望制动压力P_bdes，设计宽度为h的缓冲层，避免油门控制器与制动控制器的频繁切换，实现车辆稳定纵向速度控制。

进一步，步骤1中，

发动机模型：

液力变矩器及自动变速器模型：

制动系统模型：

车辆纵向运动模型：

其中，T_e表示发动机稳态输出转矩，ω_e表示发动机转速，α_th表示节气门开度，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，T_p表示液力变矩器的泵轮扭矩，T_t表示液力变矩器的涡轮扭矩,τ_e表示一阶惯性环节常数，f_e(α_th,ω_e)为发动机稳态扭矩特性函数，ω_t为涡轮转速，ω_p为泵轮转速，K_tc为容量系数，τ为扭矩比系数，T_b为车辆的制动力矩，μ_br为制动器摩擦因数,A_br为制动盘摩擦面积,R_br为制动力作用半径,p_br为制动器压力,δ表示车辆旋转质量转换系数，t_b为一阶发动机惯性环节系数，m表示车辆总质量；v表示绝对速度，i₀表示主减速器传动比，k_b表示制动压力比例系数，r为车轮半径；p_b表示制动压力，f表示滚动阻力系数，θ表示斜坡角度，C_D表示空气阻力，A表示迎风面积，ρ表示空气密度，u表示相对速度，T₀为变速器输出轴扭矩，η_t为传动系动力传递系数。

进一步，步骤2中，当纵向速度控制器为油门控制时，控制器输入量为车辆当前行驶速度，输出量为车辆油门开度；当纵向速度控制器切换为制动控制时，输入量为当前行驶车速，输出量为车辆制动压力。

进一步，步骤2中，车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现包括如下步骤：

定义车辆自身速度v₀与车辆行驶参考车速v_ref的偏差为相对速度误差e，定义相对加速度误差为

将相对速度误差和相对加速度误差作为纵向速度终端滑模控制的输入量，根据车辆行驶动力学方程，设计终端滑模控制器，得到车辆油门控制器中的期望加速度：

a)期望加速度可定义为：

其中，T_edes为发动机期望转矩，p_bdes为期望值动力，v_ref为参考速度；

根据滑模控制理论,选择纵向速度控制的滑模切换面为：

式中ρ＞0，p、q为奇数，且1＜p/q＜2

b)对滑模面求导可得

并定义L_n:

其中，v₀为跟踪车辆速度，A₁、B₁、B₂为定义参数；

c)为了能使控制系统的运动点迅速正确的回到非线性滑模面上，定义切换控制率为：

Q_u＝ksgn(s)+μs

式中，k、μ为切换增益，其值应足够大且k>0，μ>0，sgn(s)为开关函数；

d)根据李雅普诺夫函数

的稳定性判定，使得线性滑模在有限时间内到达并保持零，即

此时线性滑模变量s进入滑模运动状态，误差状态

进入滑动模态,并最终实现系统状态收敛；

e)采用神经网络控制算法调节切换增益k，所设计的RBF神经网络控制器，具有2个输出量、4个隐含层节点、1个输出量；

f)将滑模控制切换增益k设计为RBF神经网络的输出：

其中，w＝[w₁,w₂,w₃,w₄]^T为RBF神经网络的权向量，h＝[h₁,h₂,h₃,h₄]^T为RBF神经网络的径向基向量，径向基向量h_j选择高斯基函数，如下：

式中,c_j为基函数的中心,b_j为基函数的宽度，x为神经网络的输入量；

g)根据滑模控制原理，选取控制目标

设计权值参数变化dw_j为：

其中，η为系统的学习效率；

h)采用随机梯度学习算法在线调整神经网络的加权值w_j、中心值c_j和宽度参数b_j,具体如下:

w_j(t)＝w_j(t-1)+dw_j(t)+η(w_j(t-1)-w_j(t-2))

b_j(t)＝b_j(t-1)+db_j(t)+η(b_j(t-1)-b_j(t-2))

c_j(t)＝c_j(t-1)+dc_j(t)+η(c_j(t-1)-c_j(t-2))。

进一步，所述步骤3中，设计逆纵向控制器，求出期望油门开度α_des和期望制动压力P_bdes，具体包括以下步骤：

步骤3.1:按照前述建立车辆纵向动力学系统模型，不考虑轮胎及传动系的弹性变形，则驱动力可表示为：

其中r为车轮半径，定义变量k_t为：

由车辆动力学模型可得，k_t是一个可实时观测的量，R_g为传动比，期望的发动机扭矩T_des可表示为：

其中，v_des为期望速度，F_f(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和；

由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数；

由期望的发动机扭矩和发动机转速，利用逆发动机扭矩特性函数可以得到期望的节气门开度，表示如下：

α_des＝Eng^-1(T_des,ω_e)

步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后，如切换为制动器制动力矩控制，需要按照期望加速度的要求，计算期望的制动压力，表示如下：

其中，K_Kd为制动压力系数；

步骤3.3:设计车辆逆纵向动力学系统模型，包括节气门执行器模型和制动执行器模型，输入量分别是期望的节气门开度和期望的制动压力，输出量是实际实现的节气门开度和制动压力；

节气门执行器模型采用的是脉宽调制信号控制的直流电机驱动机构，直流电机在控制器的控制下拉动节气门体，直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时，节气门就稳定在某一开度；

制动执行器模型采用的是高速开关阀控制的蓄能式泵站结构，电机通过油泵将制动液的压力升高，并储存于蓄能器中，制动执行器控制器通过控制信号控制加压阀和减压阀的开闭，制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力。

进一步，所述步骤3中，设计宽度为h的缓冲层，避免油门控制器与制动控制器的频繁切换，实现车辆稳定纵向速度控制，具体过程为：

根据期望加速度确定节气门/制动器控制的切换逻辑曲线，该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a₀,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定，具体如下：

F_t0为为节气门全闭是的驱动力；

设计油门控制器和制动控制器之间切换逻辑为：

a_des-a₀(v)＞h发动机控制；

a_des-a₀(v)≤-h制动器控制。

与已有技术相比,本发明有益效果体现在：

1.本发明提出的智能车辆纵向控制过程符合《中华人民共和国道路交通安全法实施条例》,并且,所提出的油门/制动控制模型既满足了本车行驶的安全要求,又满足了人体的舒适性需求；

2.本发明提出的智能车辆纵向控制能有效消除滑模控制中产生的抖振现象，有效提高智能车辆纵向控制的自适应和容错性能。

附图说明

图1是本发明的智能车辆纵向控制系统结构图。

图2是本发明的RBF神经网络终端滑模控制系统的控制方法流程图。

图3是本发明的RBF神经网络控制原理图。

图4是本发明的模型加速/制动切换示意图。

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,本发明需建立智能车辆纵向运动特性的动力学模型。

步骤1：通过电脑仿真模拟的方法,建立描述智能车辆特征的非线性纵向运动数学模型，包含发动机模型、液力变矩器及自动变速器模型、制动系统模型和车辆纵向运动模型。

步骤1.1：建立智能车辆纵向动力学模型，主要包括发动机模型、液力变矩器及自动变速器模型、制动系统模型和车辆纵向运动模型，如下：

发动机模型：

液力变矩器及自动变速器模型：

制动系统模型：

车辆纵向运动模型：

其中，T_e表示发动机稳态输出转矩，ω_e表示发动机转速，α_th表示节气门开度，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，T_p表示液力变矩器的泵轮扭矩，T_t表示液力变矩器的涡轮扭矩,τ_e表示一阶惯性环节常数，f_e(α_th,ω_e)为发动机稳态扭矩特性函数，ω_t为涡轮转速，ω_p为泵轮转速，K_tc为容量系数，τ为扭矩比系数，T_b为车辆的制动力矩，μ_br为制动器摩擦因数,A_br为制动盘摩擦面积,R_br为制动力作用半径,p_br为制动器压力,δ表示车辆旋转质量转换系数，τ_b为一阶发动机惯性环节系数，m表示车辆总质量；v表示绝对速度，i₀表示主减速器传动比，k_b表示制动压力比例系数，p_b表示制动压力，f表示滚动阻力系数，θ表示斜坡角度，C_D表示空气阻力，A表示迎风面积，ρ表示空气密度，u表示相对速度。

步骤1.2：设计车辆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

T_s＝T₀·i₀·η_t

T₀＝T_tR_g

其中，T_t为变速器输入轴扭矩，T₀为变速器输出轴扭矩，η_t为传动系动力传递系数，i₀为主减速器的传动比，R_g为传动比。

步骤2：设计智能车辆纵向速度控制器，包括车辆油门控制和车辆制动控制，得到智能车辆期望加/减速度。设计基于终端滑模控制算法的纵向速度控制方法,利用终端滑模滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律，使得线性滑模在有限时间内到达并保持零，满足李雅普诺夫稳定性判定。

如图2所示,本发明设计的智能车辆纵向速度控制器，其目的是设计兼顾安全性和乘坐舒适性的约束条件,构建RBF终端滑模控制器,当控制器为油门控制器输入量为车辆当前行驶速度，输出量为车辆油门开度。当控制器切换为制动控制器是，输入量为当前行驶车速，输出量为车辆制动压力。

实时给出期望加速度。主要包括：

步骤2.1：定义车辆自身速度v₀与车辆行驶参考车速v_ref的偏差为相对速度误差e，定义相对加速度误差为

根据车辆行驶动力学方程，设计终端滑模控制器，得到车辆油门控制器中的期望加速度，过程主要包括

a)期望加速度可定义为：

其中，T_edes为发动机期望转矩，p_bdes为期望值动力，v_ref为参考速度。

根据滑模控制理论,选择纵向速度控制的滑模切换面为：

式中ρ＞0，p、q为奇数，且1＜p/q＜2

b)对滑模面求导可得

并定义L_n:

其中，v₀为跟踪车辆速度，A₁、B₁、B₂为定义参数。

c)为了能使控制系统的运动点迅速正确的回到非线性滑模面上，定义切换控制率为：

Q_u＝ksgn(s)+μs

式中，k、μ为切换增益，其值应足够大且k>0，μ>0，sgn(s)为开关函数。

d)根据李雅普诺夫函数

的稳定性判定，使得线性滑模在有限时间内到达并保持零，即

此时线性滑模变量s进入滑模运动状态，误差状态

进入滑动模态,并最终实现系统状态收敛。

步骤2.2：针对滑模变结构控制在克服参数不确定性的同时,引发的抖振现象,为了消除抖振,采用神经网络控制算法调节增益系数k，主要包括：

a)如图3所示，本发明所设计得RBF神经网络控制器，具有有2个输出量、4个隐含层节点、1个输出量。

b)将滑模控制切换增益k设计为RBF神经网络的输出：

其中，w＝[w₁,w₂,w₃,w₄]^T为RBF神经网络的权向量，h＝[h₁,h₂,h₃,h₄]^T为RBF神经网络的径向基向量，径向基向量h_j选择高斯基函数，如下：

式中,c_j为基函数的中心,b_j为基函数的宽度，x为神经网络的输入量。

c)根据滑模控制原理，选取控制目标

设计权值参数变化dw_j为：

其中，η为系统的学习效率，s为滑模控制的切换函数，E为RBF神经滑模的权值调整指标,k为滑模切换增益。

d)采用随机梯度学习算法在线调整神经网络的加权值w_j、中心值c_j和宽度参数b_j,具体如下:

w_j(t)＝w_j(t-1)+dw_j(t)+η(w_j(t-1)-w_j(t-2))

b_j(t)＝b_j(t-1)+db_j(t)+η(b_j(t-1)-b_j(t-2))

c_j(t)＝c_j(t-1)+dc_j(t)+η(c_j(t-1)-c_j(t-2))

步骤3:根据步骤2得到的期望加/减速度，结合纵向行驶速度与发动机的转矩和转速之间存在对应关系，设计逆纵向控制器，求出期望油门开度α_des和期望制动压力P_bdes。主要包括：

步骤3.1:按照前述建立车辆纵向动力学系统模型，不考虑轮胎及传动系的弹性变形，则驱动力可表示为：

其中r为车轮半径。定义变量k_t为：

由车辆动力学模型可得，k_t是一个可实时观测的量，期望的发动机扭矩T_des可表示为：

其中，v_des为期望速度，F_f(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和。

由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数。

由期望的发动机扭矩和发动机转速，利用逆发动机扭矩特性函数可以得到期望的节气门开度，表示如下：

α_des＝Eng^-1(T_des,ω_e)

步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后，如切换为制动器制动力矩控制，需要按照期望加速度的要求，计算期望的制动压力，表示如下：

其中，K_Kd为制动压力系数。

步骤3.3:设计车辆逆纵向动力学系统模型的是执行器模型，包括节气门执行器模型和制动执行器模型，输入量分别是期望的节气门开度和期望的制动压力，输出量是实际实现的节气门开度和制动压力。

节气门执行器采用的是脉宽调制信号控制的直流电机驱动机构，直流电机在控制器的控制下拉动节气门体，直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时，节气门就稳定在某一开度。

制动执行器采用的是高速开关阀控制的蓄能式泵站结构，电机通过油泵将制动液的压力升高，并储存于蓄能器中。制动执行器控制器通过控制信号控制加压阀和减压阀的开闭，制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力。

步骤4：设计宽度为h的缓冲层，避免油门控制器与制动控制器的频繁切换，实现车辆稳定纵向速度控制。

车辆行驶过程中，既加油又制动的情况应当避免发生；需要制动时应当首先利用发动机制动、风阻及滚动阻力等制动形式，当这些制动形式不足以提供需要的制动力时，制动系才开始动作。

如图4所示，考虑到车辆的安全性、可靠性和舒适性,为了避免频繁地切换油门与制动控制器,在切换面的附近引入一个薄的缓冲层。

根据期望加速度确定节气门/制动器控制的切换逻辑曲线，该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a₀,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定，具体如下：

F_t0为为节气门全闭是的驱动力。

设计油门控制器和制动控制器之间切换逻辑为：

a_des-a₀(v)＞h发动机控制

a_des-a₀(v)≤-h制动器控制

注：RBF神经网络为径向基神经网络(Radical Basis Function)。

综上，本发明的一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法，包括以下步骤：设计以速度误差为控制变量的终端滑模变结构控制算法，并设计针对滑模控制切换增益进行自适应调节的RBF神经网络控制器，对切换增益进行实时优化，通过逆纵向动力学控制器，最终得到车辆所需期望油门开度/期望制动压力。本发明提高智能汽车纵向速度跟踪能力，有效减提升车辆的乘坐舒适性与操作稳定性；实现对传统滑模控制“抖振”特性的有效抑制，进一步提高滑模控制在纵向速度控制中的精确性；本发明对于车辆模型精确度要求不高，易于控制实现，对于中高端车辆以及智能交通的发展都有着重要的意义。

Claims (6)

1.一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法，其特征在于,包括以下步骤：

步骤1，建立描述智能车辆特征的非线性纵向运动数学模型，包括发动机模型、液力变矩器及自动变速器模型、制动系统模型和车辆纵向运动模型；

步骤2，设计智能车辆纵向速度控制器，包括车辆油门控制和车辆制动控制，得到智能车辆期望加/减速度；车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现,利用终端滑模滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律，使得线性滑模在有限时间内到达并保持零，满足李雅普诺夫稳定性判定；

步骤3，根据步2得到的期望加/减速度，结合纵向行驶速度与发动机的转矩和转速之间存在对应关系，设计逆纵向控制器，求出期望油门开度α_des和期望制动压力P_bdes，设计宽度为h的缓冲层，避免油门控制器与制动控制器的频繁切换，实现车辆稳定纵向速度控制。

2.根据权利要求1所述一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法，其特征在于，步骤1中，

发动机模型：

液力变矩器及自动变速器模型：

制动系统模型：

车辆纵向运动模型：

其中，T_e表示发动机稳态输出转矩，ω_e表示发动机转速，α_th表示节气门开度，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，T_p表示液力变矩器的泵轮扭矩，T_t表示液力变矩器的涡轮扭矩,τ_e表示一阶惯性环节常数，f_e(α_th,ω_e)为发动机稳态扭矩特性函数，ω_t为涡轮转速，ω_p为泵轮转速，K_tc为容量系数，τ为扭矩比系数，T_b为车辆的制动力矩，μ_br为制动器摩擦因数,A_br为制动盘摩擦面积,R_br为制动力作用半径,p_br为制动器压力,δ表示车辆旋转质量转换系数，t_b为一阶发动机惯性环节系数，m表示车辆总质量；v表示绝对速度，i₀表示主减速器传动比，k_b表示制动压力比例系数，r为车轮半径；p_b表示制动压力，f表示滚动阻力系数，θ表示斜坡角度，C_D表示空气阻力，A表示迎风面积，ρ表示空气密度，u表示相对速度，T₀为变速器输出轴扭矩，η_t为传动系动力传递系数。

3.根据权利要求2所述一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法，其特征在于，步骤2中，当纵向速度控制器为油门控制时，控制器输入量为车辆当前行驶速度，输出量为车辆油门开度；当纵向速度控制器切换为制动控制时，输入量为当前行驶车速，输出量为车辆制动压力。

4.针对权利要求1所述的一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法，其特征在于，步骤2中，车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现包括如下步骤：

定义车辆自身速度v₀与车辆行驶参考车速v_ref的偏差为相对速度误差e，定义相对加速度误差为

将相对速度误差和相对加速度误差作为纵向速度终端滑模控制的输入量，根据车辆行驶动力学方程，设计终端滑模控制器，得到车辆油门控制器中的期望加速度：

a)期望加速度可定义为：

其中，T_edes为发动机期望转矩，p_bdes为期望值动力，v_ref为参考速度；

根据滑模控制理论,选择纵向速度控制的滑模切换面为：

式中ρ＞0，p、q为奇数，且1＜p/q＜2

b)对滑模面求导可得

并定义L_n:

其中，v₀为跟踪车辆速度，A₁、B₁、B₂为定义参数；

c)为了能使控制系统的运动点迅速正确的回到非线性滑模面上，定义切换控制率为：

Q_u＝ksgn(s)+μs

式中，k、μ为切换增益，其值应足够大且k>0，μ>0，sgn(s)为开关函数；

d)根据李雅普诺夫函数

的稳定性判定，使得线性滑模在有限时间内到达并保持零，即

此时线性滑模变量s进入滑模运动状态，误差状态e,

进入滑动模态,并最终实现系统状态收敛；

e)采用神经网络控制算法调节切换增益k，所设计的RBF神经网络控制器，具有2个输出量、4个隐含层节点、1个输出量；

f)将滑模控制切换增益k设计为RBF神经网络的输出：

其中，w＝[w₁,w₂,w₃,w₄]^T为RBF神经网络的权向量，h＝[h₁,h₂,h₃,h₄]^T为RBF神经网络的径向基向量，径向基向量h_j选择高斯基函数，如下：

式中,c_j为基函数的中心,b_j为基函数的宽度，x为神经网络的输入量；

g)根据滑模控制原理，选取控制目标

设计权值参数变化dw_j为：

其中，η为系统的学习效率，s为滑模控制的切换函数，E为RBF神经滑模的权值调整指标,k为滑模切换增益；

h)采用随机梯度学习算法在线调整神经网络的加权值w_j、中心值c_j和宽度参数b_j,具体如下:

w_j(t)＝w_j(t-1)+dw_j(t)+η(w_j(t-1)-w_j(t-2))

b_j(t)＝b_j(t-1)+db_j(t)+η(b_j(t-1)-b_j(t-2))

c_j(t)＝c_j(t-1)+dc_j(t)+η(c_j(t-1)-c_j(t-2))。

5.根据权利要求2所述的一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法，其特征在于，所述步骤3中，设计逆纵向控制器，求出期望油门开度α_des和期望制动压力P_bdes，具体包括以下步骤：

步骤3.1:按照前述建立车辆纵向动力学系统模型，不考虑轮胎及传动系的弹性变形，则驱动力可表示为：

其中r为车轮半径，定义变量k_t为：

由车辆动力学模型可得，k_t是一个可实时观测的量，R_g为传动比，期望的发动机扭矩T_des可表示为：

其中，v_des为期望速度，F_f(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和；

由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数；

由期望的发动机扭矩和发动机转速，利用逆发动机扭矩特性函数可以得到期望的节气门开度，表示如下：

α_des＝Eng^-1(T_des,ω_e)

步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后，如切换为制动器制动力矩控制，需要按照期望加速度的要求，计算期望的制动压力，表示如下：

其中，K_Kd为制动压力系数；

步骤3.3:设计车辆逆纵向动力学系统模型，包括节气门执行器模型和制动执行器模型，输入量分别是期望的节气门开度和期望的制动压力，输出量是实际实现的节气门开度和制动压力；

节气门执行器模型采用的是脉宽调制信号控制的直流电机驱动机构，直流电机在控制器的控制下拉动节气门体，直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时，节气门就稳定在某一开度；

制动执行器模型采用的是高速开关阀控制的蓄能式泵站结构，电机通过油泵将制动液的压力升高，并储存于蓄能器中，制动执行器控制器通过控制信号控制加压阀和减压阀的开闭，制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力。

6.根据权利要求2所述的一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法，其特征在于，所述步骤3中，设计宽度为h的缓冲层，避免油门控制器与制动控制器的频繁切换，实现车辆稳定纵向速度控制，具体过程为：

根据期望加速度确定节气门/制动器控制的切换逻辑曲线，该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a₀,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定，具体如下：

F_t0为为节气门全闭是的驱动力；

设计油门控制器和制动控制器之间切换逻辑为：

a_des-a₀(v)＞h发动机控制；

a_des-a₀(v)≤-h制动器控制。

Images