CN110989597A - 一种集成模糊神经网络的自适应路径跟踪方法 - Google Patents

Abstract

本发明提供了一种集成模糊神经网络的自适应路径跟踪方法，该方法通过判断工程机械或车辆实际位置点的与期望路径的横向位移偏差大小，决定出理想的偏转角度，将目标路径坐标点的曲率以及与实际行驶路径坐标点的横向偏差作为状态切换器的输入，状态切换器判断出工程机械或车辆是否偏离理想路径，再计算出理想偏转角度，横向控制器内部通过训练神经网络得出Jacobian信息，通过该信息整定自抗扰控制器参数，输出模糊神经自抗扰控制律，最后将控制律输入工程机械及车辆动力学模型中，该动力学模型输出实际行驶路径点反馈回输入端，形成完整的闭环控制系统。本发明可以增强控制器的抗干扰能力以及自适应性，提高对目标路径的跟踪精度。

Description

一种集成模糊神经网络的自适应路径跟踪方法

技术领域

本发明属于无人驾驶技术领域,具体涉及一种集成模糊神经网络的自适应路径跟踪方法。

背景技术

横向控制是无人驾驶的重要研究领域之一，无人驾驶车辆的横向控制即自动控制转向，主要研究无人驾驶车辆的路径跟踪能力，考虑无人驾驶车辆系统的非线性、时变特性和不确定性，如何控制车辆沿规划的路径行驶，通过经典控制、现代控制和智能控制等方法逐步优化对无人驾驶车辆的横向控制研究，然而各种控制器本身存在缺点，因此将多种控制策略和智能算法相结合互补自身的不足，并能保证无人车辆安全性、平稳性以及提高路径跟踪能力。

2012年侯永强等人针对于自抗扰控制器中参数难以整定的问题，该设计方法的实质就是选择合适的适应度函数，利用粒子群优化方法对自抗扰控制器的可调参数进行优化。而对于非线性车辆系统是很难建立适合于优化的适应度函数，并且粒子群算法是在离线情况下对控制对象进行优化，实时性弱，若有外部环境干扰，粒子群算法对干扰产生的影响进行补偿，自适应能力不强。

在现有专利中，专利申请号CN201410194055.0公开了一种基于自抗扰与微分平滑的ALV横向控制方法。通过建立地面自动驾驶车辆横向动力学模型，设计地面自动驾驶车辆横向控制系统自抗扰控制器。自抗扰控制器可以补偿外部干扰带来的影响，但自抗扰控制器参数设置会影响其本身的性能，并且无法实时调整控制器内部参数提高控制器精度。

发明内容

为解决上述问题，本发明提供了一种抗干扰能力强、实时性强、自适应性强的集成模糊神经网络的自适应路径跟踪方法。

为了实现上述目的，本发明采用的技术方案如下：

一种集成模糊神经网络的自适应路径跟踪方法，包括以下步骤：

步骤一，建立状态切换器：计算离散目标路径坐标点曲率半径R，根据实际路径点与目标路径点计算横向偏差Δd，通过曲率半径R与横向偏差Δd作为输入，理想转角δ作为输出建立状态切换器；

步骤二，建立模糊神经网络自抗扰控制器：自抗扰控制器输出参数z(k)和z(k-1)和实际偏转角δ_r作为模糊神经网络的输入，训练模糊神经网络，模糊神经网络输出Jacobian信息，整定自抗扰参数，将Jacobian信息与转角偏差Δδ作为输入，以控制律u₀作为输出建立模糊神经自抗扰控制器；

步骤三，建立工程机械及车辆非线性动力学模型：步骤二的非线性状态误差反馈器的控制律u₀和行驶速度V作为输入，实际偏转角δ_r和行驶实际路径点(x_c,y_c)作为输出建立工程机械及车辆非线性动力学模型；

步骤四，将步骤三的实际偏转角δ_r反馈回步骤二的模糊神经网络模型中，通过工程机械及车辆非线性动力学模型将实际路径点(x_c,y_c)反馈回步骤一形成完整的闭环控制系统。

优选地，所述步骤一包括：

(1)计算路径曲率：当工程机械或车辆行驶在目标路径时，其中路径曲率半径如下式所示：

式中：R为路径曲率半径，ρ为路径曲率，y′与y″由预定路径离散点的横纵坐标点数值微分得出；

(2)计算横向偏差：通过工程机械或车辆行驶实际路径点(x_c,y_c)与目标路径点(x_e,y_e)求解出两点间的距离即横向偏差Δd，如下式所示：

(3)建立状态切换器：根据横向偏差Δd判断工程机械或车辆是否偏离路径，当横向偏差Δd在±0.1m之内时，偏转角度如下式所示：

式中：L为轴距；

当横向偏差Δd在±0.1m之外时，则偏转角度由偏转角度和横向偏差的传递函数计算，如下式所示：

式中：h为比例因子，τ_L为延迟时间。

优选地，所述步骤二包括：

建立自抗扰控制器：自抗扰控制器包括三个组件：跟踪微分器、非线性状态误差反馈器和扩张状态观测器，

其中跟踪微分器表达式为：

式中：x₁(k)为跟踪δ_d(k)的信号，δ_d(k)为理想偏转角度，x₂(k)为跟踪

的信号，h为积分步长，fhan(·)为最速控制函数，且fhan(·)＝fhan(x₁(k),δ_d(k),x₂(k),h₀)，

其中最速控制综合函数fhan(·)表达为：

式中，h₀为滤波因子，r为速度因子；

其中扩张状态观测器表达式为：

式中：z₁(k)为跟踪δ_r(k)的信号，δ_r(k)为实际偏转角度，z₂(k)为跟踪

的信号，z₃(k)为控制系统受内外干扰作用的估计值，b₀为补偿因子，β₀₁＝3ω₀，β₀₂＝3ω₀ ²，β₀₃＝ω₀ ³u(k)＝u₀(k)-z₃(k)/b₀，fal(e,μ,γ)为原点附近具有线性段的连续幂函数，其中fal(e,μ,γ)的表达式为：

式中，μ为函数指数，γ为线性段的区间长度；

其中非线性状态误差反馈器表达式为：

式中，β₁，β₂为误差增益；

训练模糊神经网络：将实际偏转角δ_r与自抗扰控制器z(k)和z(k-1)作为神经网络训练输入值，z_m(k)为神经网络训练输出值，模糊化层的激活函数高斯基函数，其表达式为：

式中：X＝[δ_r(k),z(k),z(k-1)]^T为神经网络输入量，j＝1,2,...,6，C_j第j个隐含层对应输入变量的中心参数向量，且C_j＝[c_1j,c_2j,c_3j]^T，d_j分别为高斯基函数第j个节点的宽度；

模糊推理层表达式为：

式中：i＝1,2,3，j＝1,2,...,6；

根据梯度下降法，模糊神经网络输出权值、节点中心以及基宽度参数的迭代算法如下：

式中，η为学习速率，λ为动量因子，w_j(k)为第j个隐含层神经元之间在第k次迭代计算时的连接权值，c_ij(k)为第j个隐含层神经元对于第i个输入神经元在第k次迭代计算时的中心分量，d_j(k)为与中心对应c_ij(k)的宽度；

整定自抗扰参数：通过梯度下降法更新神经网络连接权值w_j、高斯基函数的中心参数c_ij与宽度向量d_j之后，通过更新后的参数计算出Jacobian信息，通过Jacobian信息更新自抗扰控制器的参数β₁与β₂，则对象的输出对控制输入的灵敏度即Jacobian信息表达为：

根据梯度下降法，代入Jacobian信息，且β₁与β₂的迭代算法如下：

通过模糊神经网络实时整定自抗扰控制器参数β₁与β₂，将Jacobian信息与转角偏差Δδ作为输入，以控制律u₀作为输出建立模糊神经自抗扰控制器；

其中转角偏差Δδ表达式为：

Δδ＝δ_d-δ_r

式中，δ_d为理想偏转角度，δ_r为实际偏转角度。

优选地，所述步骤三中建立工程机械及车辆非线性模型为：

式中：m为工程机械或车辆质量，V为行驶速度，K_f为前轮侧偏刚度，K_r为后轮侧偏刚度，β为质心侧偏角，l_f为质心至前轮的轴距，l_r为质心至后轮的轴距，r为横摆角速度，δ_r为实际偏转角，I为横摆转动惯量，I_h为方向盘等效转动惯量，ξ为主销后倾拖距，T_h为方向盘力矩。

与现有技术相比，本发明具有以下有益效果：

(1)实用性强，本发明是在试验数据的基础上建立的横向控制方法，且将已成熟的控制器与常见的智能算法相结合，保证了真实性和实用性；

(2)实时性强，本发明将工程机械或车辆实际运行轨迹点与理想路径点进行对比，实时判断工程机械或车辆的偏离程度，得出偏转角度；

(3)抗干扰性强，本发明中的自抗扰控制器可以跟踪模型未知部分和外部未知扰动的影响，然后给出控制量补偿这些扰动，通过模糊神经网络整定自抗扰控制器参数，提高了自抗扰控制器的抗干扰能力；

(4)自适应性强，本发明通过模糊神经网络不断的训练更新内部参数，对系统控制器的参数进行一定程度的自整定，改变控制器内部参数适应环境变化。

附图说明

图1是本发明集成模糊神经网络的自适应路径跟踪方法的原理图。

图2是模糊神经网络模型图。

图3是自抗扰控制器的结构图。

图4是模糊神经网络结构图。

图5是模糊神经网络参数整定流程图。

图6是自抗扰控制器参数β₁变化曲线图。

图7是自抗扰控制器参数β₂变化曲线图。

图8是路径跟踪对比曲线图。

图9是路径跟踪误差对比曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种集成模糊神经网络的自适应路径跟踪方法，该方法通过判断工程机械或车辆实际位置点的与期望路径的横向位移偏差大小，决定出理想的偏转角度，实现路径跟踪。将目标路径坐标点的曲率以及与实际行驶路径坐标点的横向偏差作为状态切换器的输入，状态切换器根据横向偏差的大小判断出工程机械或车辆是否偏离理想路径，再根据其结构原理计算出理想偏转角度。横向控制器内部通过训练神经网络得出Jacobian信息，通过该信息整定自抗扰控制器参数，输出模糊神经自抗扰控制律。最后将控制律输入工程机械及车辆动力学模型中，该动力学模型输出实际行驶路径点反馈回输入端，形成完整的闭环控制系统。发明原理如图1所示，包括以下步骤：：

一种集成模糊神经网络的自适应路径跟踪方法，包括以下步骤：

步骤一，建立状态切换器：计算离散目标路径坐标点曲率半径R，根据实际路径点与目标路径点计算横向偏差Δd，通过曲率半径R与横向偏差Δd作为输入，理想转角δ作为输出建立状态切换器；

(1)计算路径曲率：当工程机械或车辆行驶在目标路径时，其中路径曲率半径如下式所示：

式中：R为路径曲率半径，ρ为路径曲率，y′与y″由预定路径离散点的横纵坐标点数值微分得出；

(2)计算横向偏差：通过工程机械或车辆行驶实际路径点(x_c,y_c)与目标路径点(x_e,y_e)求解出两点间的距离即横向偏差Δd，如下式所示：

(3)建立状态切换器：根据横向偏差Δd判断工程机械或车辆是否偏离路径，状态切换器模块框图如图2所示，当横向偏差Δd在±0.1m之内时，偏转角度如下式所示：

式中：L为轴距；

当横向偏差Δd在±0.1m之外时，则偏转角度由偏转角度和横向偏差的传递函数计算，如下式所示：

式中：h为比例因子，τ_L为延迟时间。

步骤二，建立模糊神经网络自抗扰控制器：自抗扰控制器输出参数z(k)和z(k-1)和实际偏转角δ_r作为模糊神经网络的输入，训练模糊神经网络，模糊神经网络输出Jacobian信息，整定自抗扰参数，将Jacobian信息与转角偏差Δδ作为输入，以非线性状态误差反馈器的控制律u₀作为输出建立模糊神经自抗扰控制器；

建立自抗扰控制器：自抗扰控制器包括三个组件：跟踪微分器、非线性状态误差反馈器和扩张状态观测器，自抗扰控制器的结构如图3所示，

其中跟踪微分器表达式为：

式中：x₁(k)为跟踪δ_d(k)的信号，δ_d(k)为理想偏转角度，x₂(k)为跟踪

的信号，h为积分步长，fhan(·)为最速控制函数，且fhan(·)＝fhan(x₁(k),δ_d(k),x₂(k),h₀)，其中最速控制综合函数fhan(·)表达为：

式中，h₀为滤波因子，r为速度因子；

其中扩张状态观测器表达式为：

式中：z₁(k)为跟踪δ_r(k)的信号，δ_r(k)为实际偏转角度，z₂(k)为跟踪

的信号，z₃(k)为控制系统受内外干扰作用的估计值，b₀为补偿因子，参数β₀₁，β₀₂，β₀₃决定了扩张状态观测器的估计能力，它与观测器带宽ω₀有关，且满足β₀₁＝3ω₀，β₀₂＝3ω₀ ²，β₀₃＝ω₀ ³u(k)＝u₀(k)-z₃(k)/b₀，fal(e,μ,γ)为原点附近具有线性段的连续幂函数，其中fal(e,μ,γ)的表达式为：

式中，μ为函数指数，γ为线性段的区间长度；

其中非线性状态误差反馈器表达式为：

式中，β₁，β₂为误差增益；

训练模糊神经网络：将实际偏转角δ_r与自抗扰控制器输出参数z(k)和z(k-1)作为神经网络训练输入值，z_m(k)为神经网络训练输出值，模糊神经网络结构如图4所示，模糊化层的激活函数高斯基函数，其表达式为：

式中：X＝[δ_r(k),z(k),z(k-1)]^T为神经网络输入量，j＝1,2,...,6，C_j第j个隐含层对应输入变量的中心参数向量，且C_j＝[c_1j,c_2j,c_3j]^T，d_j分别为高斯基函数第j个节点的宽度；

模糊推理层表达式为：

式中：i＝1,2,3，j＝1,2,...,6；

根据梯度下降法，模糊神经网络输出权值、节点中心以及基宽度参数的迭代算法如下：

式中，η为学习速率，λ为动量因子，w_j(k)为第j个隐含层神经元之间在第k次迭代计算时的连接权值，c_ij(k)为第j个隐含层神经元对于第i个输入神经元在第k次迭代计算时的中心分量，d_j(k)为与中心对应c_ij(k)的宽度；

整定自抗扰参数：通过梯度下降法更新神经网络连接权值w_j、高斯基函数的中心参数c_ij与宽度向量d_j之后，此时需要通过更新后的参数计算出Jacobian信息，通过Jacobian信息更新自抗扰控制器的参数β₁与β₂，模糊神经网络参数整定流程如图5所示，则对象的输出对控制输入的灵敏度即Jacobian信息表达为：

根据梯度下降法，代入Jacobian信息，如图6-7所示为自抗扰控制器参数β₁与β₂变化曲线，且β₁与β₂的迭代算法如下：

通过模糊神经网络实时整定自抗扰控制器参数β₁与β₂，将Jacobian信息与转角偏差Δδ作为输入，以控制律u₀作为输出建立模糊神经自抗扰控制器；

其中转角偏差Δδ表达式为：

Δδ＝δ_d-δ_r

式中，δ_d为理想偏转角度，δ_r为实际偏转角度。

步骤三，建立工程机械及车辆非线性动力学模型：步骤二非线性状态误差反馈器的控制律u₀和行驶速度V作为输入，实际偏转角δ_r和行驶实际路径点(x_c,y_c)作为输出建立工程机械及车辆非线性动力学模型；

建立工程机械及车辆非线性模型为：

式中：m为工程机械或车辆质量，V为行驶速度，K_f为前轮侧偏刚度，K_r为后轮侧偏刚度，β为质心侧偏角，l_f为质心至前轮的轴距，l_r为质心至后轮的轴距，r为横摆角速度，δ_r为实际偏转角，I为横摆转动惯量，I_h为方向盘等效转动惯量，ξ为主销后倾拖距，T_h为方向盘力矩。

步骤四，将步骤三的实际偏转角δ_r反馈回步骤二的模糊神经网络模型中，通过工程机械及车辆非线性动力学模型将实际路径点(x_c,y_c)反馈回步骤一形成完整的闭环控制系统。

本发明方法与人类驾驶员以及模糊PID控制法的路径跟踪对比如图8所示。路径跟踪误差如图9所示。本发明方法从提高了路径跟踪的精确性以及稳定性，跟踪误差相比小于人类驾驶员以及模糊PID，且上下波动范围小基本处于±0.1m之间，满足工程机械或车辆对路径跟踪精度要求同时验证了本发明方法的有效性。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种集成模糊神经网络的自适应路径跟踪方法，其特征在于，包括以下步骤：

步骤一，建立状态切换器：计算离散目标路径坐标点曲率半径R，根据实际路径点与目标路径点计算横向偏差Δd，通过曲率半径R与横向偏差Δd作为输入，理想转角δ作为输出建立状态切换器；

步骤二，建立模糊神经网络自抗扰控制器：自抗扰控制器输出参数z(k)和z(k-1)和实际偏转角δ_r作为模糊神经网络的输入，训练模糊神经网络，模糊神经网络输出Jacobian信息，整定自抗扰参数，将Jacobian信息与转角偏差Δδ作为输入，以控制律u₀作为输出建立模糊神经自抗扰控制器；

步骤三，建立工程机械及车辆非线性动力学模型：步骤二的非线性状态误差反馈器的控制律u₀和行驶速度V作为输入，实际偏转角δ_r和行驶实际路径点(x_c,y_c)作为输出建立工程机械及车辆非线性动力学模型；

步骤四，将步骤三的实际偏转角δ_r反馈回步骤二的模糊神经网络模型中，通过工程机械及车辆非线性动力学模型将实际路径点(x_c,y_c)反馈回步骤一形成完整的闭环控制系统。

2.根据权利要求1所述的方法，其特征在于：所述步骤一包括：

(1)计算路径曲率：当工程机械或车辆行驶在目标路径时，其中路径曲率半径如下式所示：

式中：R为路径曲率半径，ρ为路径曲率，y′与y″由预定路径离散点的横纵坐标点数值微分得出；

(2)计算横向偏差：通过工程机械或车辆行驶实际路径点(x_c,y_c)与目标路径点(x_e,y_e)求解出两点间的距离即横向偏差Δd，如下式所示：

(3)建立状态切换器：根据横向偏差Δd判断工程机械或车辆是否偏离路径，当横向偏差Δd在±0.1m之内时，偏转角度如下式所示：

式中：L为轴距；

当横向偏差Δd在±0.1m之外时，则偏转角度由偏转角度和横向偏差的传递函数计算，如下式所示：

式中：h为比例因子，τ_L为延迟时间。

3.根据权利要求2所述的方法，其特征在于：所述步骤二包括：

建立自抗扰控制器：自抗扰控制器包括三个组件：跟踪微分器、非线性状态误差反馈器和扩张状态观测器，

其中跟踪微分器表达式为：

式中：x₁(k)为跟踪δ_d(k)的信号，δ_d(k)为理想偏转角度，x₂(k)为跟踪

的信号，h为积分步长，fhan(·)为最速控制函数，且fhan(·)＝fhan(x₁(k),δ_d(k),x₂(k),h₀)，

其中最速控制综合函数fhan(·)表达为：

式中，h₀为滤波因子，r为速度因子；

其中扩张状态观测器表达式为：

式中：z₁(k)为跟踪δ_r(k)的信号，δ_r(k)为实际偏转角度，z₂(k)为跟踪

的信号，z₃(k)为控制系统受内外干扰作用的估计值，b₀为补偿因子，β₀₁＝3ω₀，β₀₂＝3ω₀ ²，β₀₃＝ω₀ ³u(k)＝u₀(k)-z₃(k)/b₀，fal(e,μ,γ)为原点附近具有线性段的连续幂函数，其中fal(e,μ,γ)的表达式为：

式中，μ为函数指数，γ为线性段的区间长度；

其中非线性状态误差反馈器表达式为：

式中，β₁，β₂为误差增益；

训练模糊神经网络：将实际偏转角δ_r与自抗扰控制器z(k)和z(k-1)作为神经网络训练输入值，z_m(k)为神经网络训练输出值，模糊化层的激活函数高斯基函数，其表达式为：

式中：X＝[δ_r(k),z(k),z(k-1)]^T为神经网络输入量，j＝1,2,...,6，C_j第j个隐含层对应输入变量的中心参数向量，且C_j＝[c_1j,c_2j,c_3j]^T，d_j分别为高斯基函数第j个节点的宽度；

模糊推理层表达式为：

式中：i＝1,2,3，j＝1,2,...,6；

根据梯度下降法，模糊神经网络输出权值、节点中心以及基宽度参数的迭代算法如下：

式中，η为学习速率，λ为动量因子，w_j(k)为第j个隐含层神经元之间在第k次迭代计算时的连接权值，c_ij(k)为第j个隐含层神经元对于第i个输入神经元在第k次迭代计算时的中心分量，d_j(k)为与中心对应c_ij(k)的宽度；

整定自抗扰参数：通过梯度下降法更新神经网络连接权值w_j、高斯基函数的中心参数c_ij与宽度向量d_j之后，通过更新后的参数计算出Jacobian信息，通过Jacobian信息更新自抗扰控制器的参数β₁与β₂，则对象的输出对控制输入的灵敏度即Jacobian信息表达为：

根据梯度下降法，代入Jacobian信息，且β₁与β₂的迭代算法如下：

通过模糊神经网络实时整定自抗扰控制器参数β₁与β₂，将Jacobian信息与转角偏差Δδ作为输入，以控制律u₀作为输出建立模糊神经自抗扰控制器；

其中转角偏差Δδ表达式为：

Δδ＝δ_d-δ_r

式中，δ_d为理想偏转角度，δ_r为实际偏转角度。

4.根据权利要求3所述的方法，其特征在于：所述步骤三中建立工程机械及车辆非线性模型为：

式中：m为工程机械或车辆质量，V为行驶速度，K_f为前轮侧偏刚度，K_r为后轮侧偏刚度，β为质心侧偏角，l_f为质心至前轮的轴距，l_r为质心至后轮的轴距，r为横摆角速度，δ_r为实际偏转角，I为横摆转动惯量，I_h为方向盘等效转动惯量，ξ为主销后倾拖距，T_h为方向盘力矩。

Images