CN111736598A - 基于自适应神经网络的收获机路径跟踪控制方法和系统 - Google Patents

基于自适应神经网络的收获机路径跟踪控制方法和系统 Download PDF

Info

Publication number
CN111736598A
CN111736598A CN202010493571.9A CN202010493571A CN111736598A CN 111736598 A CN111736598 A CN 111736598A CN 202010493571 A CN202010493571 A CN 202010493571A CN 111736598 A CN111736598 A CN 111736598A
Authority
CN
China
Prior art keywords
harvester
deviation
wheel
steering
angle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010493571.9A
Other languages
English (en)
Other versions
CN111736598B (zh
Inventor
王立辉
张月新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010493571.9A priority Critical patent/CN111736598B/zh
Publication of CN111736598A publication Critical patent/CN111736598A/zh
Application granted granted Critical
Publication of CN111736598B publication Critical patent/CN111736598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种基于自适应神经网络的收获机路径跟踪控制方法和系统，其中控制方法包括：1、构建基于RBF的前后轮转向参数不确定项优化模型；2、获取当前时刻期望航向角和期望航向角速率、收获机航向角和航向角速率、纵向速度和纵向加速度、横向速度和横向加速度；3、计算当前时刻收获机的综合偏差及其导数；4、将综合偏差及其导数作为前后轮转向参数不确定项优化模型的输入，更新隐含层到输出节点之间的连接权重，计算前后轮转向参数不确定项优化模型的输出；5、计算当前时刻前后轮转向参数：6、计算当前时刻的转向轮转角。该控制方法可在模型参数不确定甚至未知情况下，保证路径跟踪效果，实现农用车辆的精准作业。

Description

基于自适应神经网络的收获机路径跟踪控制方法和系统
技术领域
本发明属于农用车辆无人驾驶技术领域，具体涉及一种基于自适应神经网络的收获机路径跟踪控制方法和系统。
背景技术
随着导航和控制技术的飞速发展，农业机械逐渐向高度自动化、智能化方向发展，成为精准农业的基础平台。自主作业农业机械可提高作业效率、降低生产成本、节约燃料和保护空气。农机自主作业最基本的问题之一是路径跟踪问题，它使车辆能够到达并跟随预设路径行驶。联合收割机由于其特殊的工作环境，如时变负载，是农业机械中最具挑战性的领域之一。
近年来，农业机械的路径跟踪问题越来越受到重视。纯追踪算法在这一领域得到了广泛的应用，主要是因为其相对简单，在特定的驾驶场景中可实现较精确的路径跟踪。它以几何方法为基础，通过在期望路径的前视距离上选择一个点来计算期望的转向角。然而，在确定前向距离时存在一个折衷，这与速度、当前跟踪误差和路径曲率等许多因素有关。为了提高系统的鲁棒性，模糊逻辑控制、鲁棒H∞输出反馈控制、基于神经网络的自适应控制、滑模控制等方法被应用。而这些基于纯追踪的控制输入饱和算法不能考虑，并且其稳定性难以证明。模型预测控制(MPC)是另一种重要的路径跟踪控制方法。它可以系统地处理状态和控制约束，并预测动态状态。但其某些参数(如控制时域和预测时域)对路径跟踪性能的影响很大。
虽然这些研究在一定程度上获得了应用，但对于路径跟踪仍然存在着主要的挑战，即参数化建模的不确定性。特别是对于联合收割机，其工作环境的特殊性会影响模型参数的实时变化，如行驶过程中载荷的变化引起的动力学模型参数不确定性。目前尚未针对此问题的解决方案。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种基于自适应神经网络的收获机路径跟踪控制方法，该控制方法可在模型参数不确定甚至未知情况下，保证路径跟踪效果，实现农用车辆的精准作业。
技术方案：本发明一方面公开了一种基于自适应神经网络的收获机路径跟踪控制方法，包括：
(1)构建基于RBFNN的前后轮转向参数不确定项优化模型，所述前后轮转向参数不确定项优化模型包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure BDA0002521974860000021
隐含层的节点与第二个输出节点之间的连接权重为
Figure BDA0002521974860000022
(2)根据期望路径获取当前时刻t的期望航向角ψr和期望航向角速率
Figure BDA0002521974860000023
获取收获机当前时刻t的航向角ψ和航向角速率
Figure BDA0002521974860000024
纵向速度vx和纵向加速度
Figure BDA0002521974860000025
横向速度vy和横向加速度
Figure BDA0002521974860000026
(3)计算当前时刻的航向角偏差Δψ和航向角速度偏差
Figure BDA0002521974860000027
Δψ＝ψ-ψr，
Figure BDA0002521974860000028
计算当前时刻收获机的位置偏差的导数
Figure BDA0002521974860000029
得到综合偏差的导数
Figure BDA00025219748600000210
对
Figure BDA00025219748600000211
积分得到当前时刻的综合偏差ep；xp是误差权重系数；
(4)将ep和
Figure BDA00025219748600000212
构成向量
Figure BDA00025219748600000213
作为前后轮转向参数不确定项优化模型的输入，计算每个隐节点为：
Figure BDA00025219748600000214
cj是基准函数的中心，σ是高斯函数的宽度；h(Z)＝[h1 h2…hj…hN]T；
更新隐含层到输出节点之间的连接权重：
Figure BDA00025219748600000215
对
Figure BDA00025219748600000216
Figure BDA00025219748600000217
积分得到
Figure BDA00025219748600000218
Figure BDA00025219748600000219
其中δf(t-1)是上一个时刻的转向轮转角；
Figure BDA00025219748600000220
为第一虚拟控制量，g1为误差系数，g1>0；k1、k2分别为第一连接权重和第二连接权重的系数，m11，m12，m22均为计算过程的中间变量，计算式为：
Figure BDA0002521974860000031
m22＝2bxp，
Figure BDA0002521974860000032
计算前后轮转向参数不确定项优化模型的输出：
Figure BDA0002521974860000033
(5)计算当前时刻前后轮转向参数：
令
Figure BDA0002521974860000034
Cf、Cr分别为收获机前后轮胎的侧偏刚度系数，Jz是收获机转动惯量；
修正后的前后轮转向参数分别为：
Figure BDA0002521974860000035
(6)得到当前时刻的转向轮转角δf(t)：
Figure BDA0002521974860000036
其中，q1为收获机-地面非线性模型中的第一偏差量，
Figure BDA0002521974860000037
η为虚拟控制量系数，tanh(·)是正切函数。
所述收获机-地面非线性模型为：
Figure BDA0002521974860000038
其中
Figure BDA0002521974860000039
为综合偏差的二阶导数，q1、q2、q3分别为所述模型的第一偏差量、第二偏差量、第三偏差系数，δf为收获机的转向轮转角，Δψ为航向角偏差，
Figure BDA00025219748600000310
为航向角速度偏差；
Figure BDA00025219748600000311
为收获机的航向角速度，K为期望路径的曲率；a和b分别是收获机前轴和后轴到质心的距离；β是收获机的滑移角；PfJ、PrJ分别为收获机前后轮转向参数；ar为后轮胎的侧偏角，s是收获机当前位置到期望路径的距离。
虚拟控制量系数η为使下式成立的值：
Figure BDA0002521974860000041
其中εfJ、εrJ是基于RBF的前后轮转向参数不确定项优化模型的估计误差。
另一方面，本发明还公开了实现上述基于自适应神经网络的收获机路径跟踪控制方法的系统，包括：
前后轮转向参数不确定项优化模型，用于对前后轮转向参数不确定项进行优化；所述前后轮转向参数不确定项优化模型基于RBFNN，包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure BDA0002521974860000042
隐含层的节点与第二个输出节点之间的连接权重为
Figure BDA0002521974860000043
收获机状态获取模块，用于获取当前时刻t的期望航向角ψr和期望航向角速率
Figure BDA0002521974860000044
获取收获机当前时刻t的航向角ψ和航向角速率
Figure BDA0002521974860000045
纵向速度vx和纵向加速度
Figure BDA0002521974860000046
横向速度vy和横向加速度
Figure BDA0002521974860000047
收获机综合偏差计算模块，用于计算当前时刻收获机的综合偏差ep及其导数
Figure BDA0002521974860000048
其中
Figure BDA0002521974860000049
Figure BDA00025219748600000410
为当前时刻收获机的位置偏差的导数，
Figure BDA00025219748600000411
Δψ和
Figure BDA00025219748600000412
分别为当前时刻的航向角偏差和航向角速度偏差：
Δψ＝ψ-ψr，
Figure BDA00025219748600000413
连接权重更新模块，用于更新前后轮转向参数不确定项优化模型中隐含层到输出节点之间的连接权重；
Figure BDA00025219748600000414
其中δf(t-1)是上一个时刻的转向轮转角；
Figure BDA00025219748600000415
为第一虚拟控制量，g1为误差系数，g1>0；k1、k2分别为第一连接权重和第二连接权重的系数，且k1和k2均为正数。m11，m12，m22均为计算过程的中间变量，计算式为：
Figure BDA0002521974860000051
m22＝2bxp，
Figure BDA0002521974860000052
对
Figure BDA0002521974860000053
Figure BDA0002521974860000054
积分得到
Figure BDA0002521974860000055
Figure BDA0002521974860000056
前后轮转向参数计算模块，用于计算当前时刻前后轮转向参数；
转向轮转角计算模块，用于计算当前时刻收获机的转向轮转角δf(t)；
Figure BDA0002521974860000057
其中，q1为收获机-地面非线性模型中的第一偏差量，
Figure BDA0002521974860000058
η为虚拟控制量系数，tanh(·)是正切函数。
有益效果：与现有技术相比，本发明公开的基于自适应神经网络的收获机路径跟踪控制方法应用Backstepping方法设计了自主式收获机的路径跟踪控制器，并根据Lyapunov定理证明了其稳定性；提出了一种自适应神经网络估计器来实时估计不确定参数，用于抑制动态模型参数的不确定性对路径跟踪鲁棒性和精度的影响；控制器采用饱和辅助设计系统对控制输入进行补偿。当路径跟踪的初始误差较大时，可以有效地抑制控制输入的波动，降低能耗。基于自适应神经网络的收获机器人路径跟踪方法，其运算量小，对模型的精度要求不高，在基于通用的传感器的基础上，即可完成路径跟踪，可应用于农业机械的实际作业中。
附图说明
图1为二自由度车辆模型示意图；
图2自适应神经网络估计器原理图。
图3为本发明公开的收获机路径跟踪控制方法的流程图；
图4为本发明公开的收获机路径跟踪控制系统的组成示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
如图1所示，为二自由度车辆模型，前轮为转向轮，XOY是定义的导航坐标系，X实际代表东向位置，Y代表北向位置。本发明中，路径跟踪控制器的控制输入设置为转向轮转角δf。收获机的动力学模型为：
Figure BDA0002521974860000061
式中，β是收获机的滑移角，γ是航向角速度，m是收获机的质量，vx是纵向速度，vy为横向速度，Jz是转动惯量，a和b分别是收获机前轴和后轴到质心的距离，FLf、FLr分别是前后轮的横向力。
路径跟踪控制是为了消除横向偏差e和航向偏差Δψ，但控制器的输入转向轮转角δf只能用于消除一个误差，所以本发明的控制器中采用了综合误差ep，ep将二者综合起来。该收获机的运动学模型为：
Figure BDA0002521974860000062
式中，e是收获机当前位置与期望位置的偏差，Δψ是当前航向ψ与期望航向ψr的偏差，s是收获机当前位置到期望路径的距离，xp是误差权重系数。
本发明利用backstepping递归理论设计考虑输入饱和的鲁棒转向控制器，以抑制路径跟踪偏差，其具体方法如下：
在路径跟踪控制设计中，采用小角度假设，即满足近似条件sin(Δψ)≈Δψ，cos(Δψ)≈1，则由公式(2)得到：
Figure BDA0002521974860000063
式中，K是期望路径的曲率。
由公式(3)求导可得到
Figure BDA0002521974860000071
则：
Figure BDA0002521974860000072
在侧偏角及滑移率较小，横向加速度
Figure BDA0002521974860000073
的情况下，轮胎力可以用线性函数近似描述，轮胎的横向力为：
Figure BDA0002521974860000074
其中，Cf、Cr分别为前后轮胎的侧偏刚度系数，αf、αr分别为前后轮胎的侧偏角。其中
Figure BDA0002521974860000075
δf为车轮转向角，v是收获机速度。
结合公式(5)和(6)得到收获机-地面的非线性模型：
Figure BDA0002521974860000076
式中，q1、q2、q3分别为所述模型的第一偏差量、第二偏差量、第三偏差系数；PfJ、PrJ分别为收获机前后轮转向参数，可以表示为：
Figure BDA0002521974860000077
其中，PfJ0和PrJ0分别为收获机前后轮转向参数的确定项，ΔfJ和ΔrJ分别为收获机前后轮转向参数的不确定项；
Figure BDA0002521974860000078
令x1＝ep，则模型的状态空间方程可以表示为：
Figure BDA0002521974860000079
基于backstepping递归理论设计控制器输入，步骤如下：
(S1)基于公式(9)，模型跟踪误差为ep＝x1，相应的一阶导数
Figure BDA0002521974860000081
为了使跟踪误差ep接近于0，设计第一Lyapunov函数为：
Figure BDA0002521974860000082
为了使
Figure BDA0002521974860000083
设计第一虚拟控制量：
Figure BDA0002521974860000084
式中，g1是误差系数，g1>0。
其导数为：
Figure BDA0002521974860000085
若Sf＝0，则
Figure BDA0002521974860000086
因此进行了第二步的设计。
(S2)设计第二Lyapunov函数为：
Figure BDA0002521974860000087
其导数为：
Figure BDA0002521974860000088
为了使
Figure BDA0002521974860000089
将控制输入设计为：
Figure BDA00025219748600000810
由此得到了路径跟踪控制器的输入控制量，通过调整δf每时刻的值来使跟踪的综合误差ep接近于0。在公式(7)所描述的收获机-地面的非线性模型中，收获机前后轮转向参数PfJ、PrJ均包括确定项和不确定项。其中的不确定项会影响到路径跟踪的鲁棒性和精度。针对这个问题，本发明通过构建自适应神经网络逼近器，对不确定项进行实时估计，以补偿模型参数的不确定性，具体步骤为：
通用函数逼近理论表明任何有界连续函数都可以用径向基神经网络逼近(RadialBasis Function Neural Network，RBFNN)，本发明采用基于RBFNN来建立前后轮转向参数不确定项优化模型，其结构如图2所示，包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure BDA0002521974860000091
隐含层的节点与第二个输出节点之间的连接权重为
Figure BDA0002521974860000092
如图3所示，本实施例中隐含层中有5个隐节点，即N＝5。
Figure BDA0002521974860000093
是RBF的输入量，核函数采用高斯函数，第j个隐节点为：
Figure BDA0002521974860000094
cj是基准函数的中心，σ是高斯函数的宽度，cj和σ均为预先设定的值。隐含层的输出构成向量h(Z)＝[h1 h2…hj…hN]T。
前后轮转向参数不确定项优化模型的输出为：
Figure BDA0002521974860000095
其中，W、V是神经网络权重的期望值，εfJ、εrJ是神经网络的估计误差，其值是有界的。
RBFNN的输出估计值为：
Figure BDA0002521974860000096
其中，
Figure BDA0002521974860000097
和
Figure BDA0002521974860000098
分别是神经网络权重的估计值。
相应的，公式(8)可以表示为：
Figure BDA0002521974860000099
车轮的转向角δf可以表示为：
Figure BDA00025219748600000910
其中η为虚拟控制量系数，m11，m12，m22均为计算过程的中间变量，计算式为：
Figure BDA00025219748600000911
m22＝2bxp，
Figure BDA00025219748600000912
选取合适的η，则上述设计的控制器是稳定的。基于Lyapunov理论证明如下：
由神经网络对不确定项进行估计表示为：
Figure BDA0002521974860000101
其中，
Figure BDA0002521974860000102
设计第三Lyapunov函数为：
Figure BDA0002521974860000103
式中，k1、k2分别为第一连接权重和第二连接权重的系数，且k1和k2均为正数。
可以得到V3的一阶导数：
Figure BDA0002521974860000104
令自适应律为：
Figure BDA0002521974860000105
将公式(23)代入公式(22)中可以得到：
Figure BDA0002521974860000106
由于εfJ和εrJ是有界的，并且可以足够小，可以选取合适η，使得
Figure BDA0002521974860000107
此范围的η即为虚拟控制量系数η取值。
基于上述设计及分析，如图3所示，本发明公开的基于自适应神经网络的收获机路径跟踪控制方法具体步骤如下：
步骤1、构建基于RBFNN的前后轮转向参数不确定项优化模型，所述前后轮转向参数不确定项优化模型包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure BDA0002521974860000111
隐含层的节点与第二个输出节点之间的连接权重为
Figure BDA0002521974860000112
步骤2、根据期望路径获取当前时刻t的期望航向角ψr和期望航向角速率
Figure BDA0002521974860000113
获取收获机当前时刻t的航向角ψ和航向角速率
Figure BDA0002521974860000114
纵向速度vx和纵向加速度
Figure BDA0002521974860000115
横向速度vy和横向加速度
Figure BDA0002521974860000116
步骤3、计算当前时刻的航向角偏差Δψ和航向角速度偏差
Figure BDA0002521974860000117
Δψ＝ψ-ψr，
Figure BDA0002521974860000118
计算当前时刻收获机的位置偏差的导数
Figure BDA0002521974860000119
得到综合偏差的导数
Figure BDA00025219748600001110
对
Figure BDA00025219748600001111
积分得到当前时刻的综合偏差ep；xp是误差权重系数；
步骤4、将ep和
Figure BDA00025219748600001112
构成向量
Figure BDA00025219748600001113
作为前后轮转向参数不确定项优化模型的输入，计算每个隐节点为：
Figure BDA00025219748600001114
cj是基准函数的中心，σ是高斯函数的宽度；h(Z)＝[h1 h2…hj…hN]T；
更新隐含层到输出节点之间的连接权重：
Figure BDA00025219748600001115
对
Figure BDA00025219748600001116
Figure BDA00025219748600001117
积分得到
Figure BDA00025219748600001118
Figure BDA00025219748600001119
其中δf(t-1)是上一个时刻的转向轮转角；
Figure BDA00025219748600001120
为第一虚拟控制量，g1为误差系数，g1>0；k1、k2分别为第一连接权重和第二连接权重的系数，且k1和k2均为正数。m11，m12，m22是为了公式好看定义的量，无物理含义，其值为：
Figure BDA00025219748600001121
m22＝2bxp，
Figure BDA00025219748600001122
计算前后轮转向参数不确定项优化模型的输出：
Figure BDA0002521974860000121
步骤5、计算当前时刻前后轮转向参数：
令
Figure BDA0002521974860000122
Cf、Cr分别为收获机前后轮胎的侧偏刚度系数，Jz是收获机转动惯量；
修正后的前后轮转向参数分别为：
Figure BDA0002521974860000123
步骤6、得到当前时刻的转向轮转角δf(t)：
Figure BDA0002521974860000124
其中，q1为收获机-地面非线性模型中的第一偏差量，
Figure BDA0002521974860000125
η为虚拟控制量系数，tanh(·)是正切函数。
实现上述基于自适应神经网络的收获机路径跟踪控制方法的系统如图4所示，包括：
前后轮转向参数不确定项优化模型1，用于对前后轮转向参数不确定项进行优化；所述前后轮转向参数不确定项优化模型包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure BDA0002521974860000126
隐含层的节点与第二个输出节点之间的连接权重为
Figure BDA0002521974860000127
收获机状态获取模块2，用于获取当前时刻t的期望航向角ψr和期望航向角速率
Figure BDA0002521974860000128
获取收获机当前时刻t的航向角ψ和航向角速率
Figure BDA0002521974860000129
纵向速度vx和纵向加速度
Figure BDA00025219748600001210
横向速度vy和横向加速度
Figure BDA00025219748600001211
收获机综合偏差计算模块3，用于计算当前时刻收获机的综合偏差ep及其导数
Figure BDA00025219748600001212
其中
Figure BDA00025219748600001213
Figure BDA00025219748600001214
为当前时刻收获机的位置偏差的导数，
Figure BDA00025219748600001215
Δψ和
Figure BDA00025219748600001216
分别为当前时刻的航向角偏差和航向角速度偏差：
Δψ＝ψ-ψr，
Figure BDA0002521974860000131
连接权重更新模块4，用于更新前后轮转向参数不确定项优化模型中隐含层到输出节点之间的连接权重；更新公式如下：
Figure BDA0002521974860000132
对
Figure BDA0002521974860000133
Figure BDA0002521974860000134
积分得到
Figure BDA0002521974860000135
Figure BDA0002521974860000136
前后轮转向参数计算模块5，用于计算当前时刻前后轮转向参数；
转向轮转角计算模块6，用于计算当前时刻收获机的转向轮转角δf(t)；
Figure BDA0002521974860000137
其中，q1为收获机-地面非线性模型中的第一偏差量，
Figure BDA0002521974860000138
η为虚拟控制量系数，tanh(·)是正切函数。

Claims (6)

1.基于自适应神经网络的收获机路径跟踪控制方法，其特征在于，包括：
(1)构建基于RBFNN的前后轮转向参数不确定项优化模型，所述前后轮转向参数不确定项优化模型包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure FDA0002521974850000011
隐含层的节点与第二个输出节点之间的连接权重为
Figure FDA0002521974850000012
(2)根据期望路径获取当前时刻t的期望航向角ψr和期望航向角速率
Figure FDA0002521974850000013
获取收获机当前时刻t的航向角ψ和航向角速率
Figure FDA0002521974850000014
纵向速度vx和纵向加速度
Figure FDA0002521974850000015
横向速度vy和横向加速度
Figure FDA0002521974850000016
(3)计算当前时刻的航向角偏差△ψ和航向角速度偏差
Figure FDA0002521974850000017
△ψ＝ψ-ψr，
Figure FDA0002521974850000018
计算当前时刻收获机的位置偏差的导数
Figure FDA0002521974850000019
得到综合偏差的导数
Figure FDA00025219748500000110
对
Figure FDA00025219748500000111
积分得到当前时刻的综合偏差ep；xp是误差权重系数；
(4)将ep和
Figure FDA00025219748500000112
构成向量
Figure FDA00025219748500000113
作为前后轮转向参数不确定项优化模型的输入，计算每个隐节点为：
Figure FDA00025219748500000114
cj是基准函数的中心，σ是高斯函数的宽度；h(Z)＝[h1 h2 … hj … hN]T；
更新隐含层到输出节点之间的连接权重：
Figure FDA00025219748500000115
对
Figure FDA00025219748500000116
积分得到
Figure FDA00025219748500000117
其中δf(t-1)是上一个时刻的转向轮转角；
Figure FDA00025219748500000118
为第一虚拟控制量，g1为误差系数，g1>0；k1、k2分别为第一连接权重和第二连接权重的系数，且k1和k2均为正数。m11，m12，m22均为计算过程的中间变量，计算式为：
Figure FDA0002521974850000021
m22＝2bxp，
Figure FDA0002521974850000022
计算前后轮转向参数不确定项优化模型的输出：
Figure FDA0002521974850000023
(5)计算当前时刻前后轮转向参数：
令
Figure FDA0002521974850000024
Cf、Cr分别为收获机前后轮胎的侧偏刚度系数，Jz是收获机转动惯量；
修正后的前后轮转向参数分别为：
Figure FDA0002521974850000025
(6)得到当前时刻的转向轮转角δf(t)：
Figure FDA0002521974850000026
其中，q1为收获机-地面非线性模型中的第一偏差量，
Figure FDA0002521974850000027
η为虚拟控制量系数，tanh(·)是正切函数。
2.根据权利要求1所述的基于自适应神经网络的收获机路径跟踪控制方法，其特征在于，所述收获机-地面非线性模型为：
Figure FDA0002521974850000028
其中
Figure FDA0002521974850000029
为综合偏差的二阶导数，q1、q2、q3分别为所述模型的第一偏差量、第二偏差量、第三偏差系数，δf为收获机的转向轮转角，△ψ为航向角偏差，
Figure FDA00025219748500000210
为航向角速度偏差；
Figure FDA00025219748500000211
为收获机的航向角速度，K为期望路径的曲率；a和b分别是收获机前轴和后轴到质心的距离；β是收获机的滑移角；PfJ、PrJ分别为收获机前后轮转向参数；ar为后轮胎的侧偏角，s是收获机当前位置到期望路径的距离。
3.根据权利要求1所述的基于自适应神经网络的收获机路径跟踪控制方法，其特征在于，虚拟控制量系数η为使下式成立的值：
Figure FDA0002521974850000031
其中εfJ、εrJ是基于RBF的前后轮转向参数不确定项优化模型的估计误差。
4.基于自适应神经网络的收获机路径跟踪控制系统，其特征在于，包括：
前后轮转向参数不确定项优化模型，用于对前后轮转向参数不确定项进行优化；所述前后轮转向参数不确定项优化模型基于RBFNN，包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为
Figure FDA0002521974850000032
隐含层的节点与第二个输出节点之间的连接权重为
Figure FDA0002521974850000033
收获机状态获取模块，用于获取当前时刻t的期望航向角ψr和期望航向角速率
Figure FDA0002521974850000034
获取收获机当前时刻t的航向角ψ和航向角速率
Figure FDA0002521974850000035
纵向速度vx和纵向加速度
Figure FDA0002521974850000036
横向速度vy和横向加速度
Figure FDA0002521974850000037
收获机综合偏差计算模块，用于计算当前时刻收获机的综合偏差ep及其导数
Figure FDA0002521974850000038
其中
Figure FDA0002521974850000039
Figure FDA00025219748500000310
为当前时刻收获机的位置偏差的导数，
Figure FDA00025219748500000311
△ψ和
Figure FDA00025219748500000312
分别为当前时刻的航向角偏差和航向角速度偏差：
△ψ＝ψ-ψr，
Figure FDA00025219748500000313
连接权重更新模块，用于更新前后轮转向参数不确定项优化模型中隐含层到输出节点之间的连接权重，更新公式如下：
Figure FDA00025219748500000314
其中δf(t-1)是上一个时刻的转向轮转角；
Figure FDA00025219748500000315
为第一虚拟控制量，g1为误差系数，g1>0；k1、k2分别为第一连接权重和第二连接权重的系数，且k1和k2均为正数。m11，m12，m22均为计算过程的中间变量，计算式为：
Figure FDA0002521974850000041
m22＝2bxp，
Figure FDA0002521974850000042
对
Figure FDA0002521974850000043
积分得到
Figure FDA0002521974850000044
前后轮转向参数计算模块，用于计算当前时刻前后轮转向参数；
转向轮转角计算模块，用于计算当前时刻收获机的转向轮转角δf(t)；
Figure FDA0002521974850000045
其中，q1为收获机-地面非线性模型中的第一偏差量，
Figure FDA0002521974850000046
η为虚拟控制量系数，tanh(·)是正切函数。
5.根据权利要求4所述的基于自适应神经网络的收获机路径跟踪控制系统，其特征在于，所述收获机-地面非线性模型为：
Figure FDA0002521974850000047
其中
Figure FDA0002521974850000048
为综合偏差的二阶导数，q1、q2、q3分别为所述模型的第一偏差量、第二偏差量、第三偏差系数，δf为收获机的转向轮转角，△ψ为航向角偏差，
Figure FDA0002521974850000049
为航向角速度偏差；
Figure FDA00025219748500000410
为收获机的航向角速度，K为期望路径的曲率；a和b分别是收获机前轴和后轴到质心的距离；β是收获机的滑移角；PfJ、PrJ分别为收获机前后轮转向参数；ar为后轮胎的侧偏角，s是收获机当前位置到期望路径的距离。
6.根据权利要求4所述的基于自适应神经网络的收获机路径跟踪控制系统，其特征在于，虚拟控制量系数η为使下式成立的值：
Figure FDA00025219748500000411
其中εfJ、εrJ是基于RBF的前后轮转向参数不确定项优化模型的估计误差。
CN202010493571.9A 2020-06-03 2020-06-03 基于自适应神经网络的收获机路径跟踪控制方法和系统 Active CN111736598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010493571.9A CN111736598B (zh) 2020-06-03 2020-06-03 基于自适应神经网络的收获机路径跟踪控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010493571.9A CN111736598B (zh) 2020-06-03 2020-06-03 基于自适应神经网络的收获机路径跟踪控制方法和系统

Publications (2)

Publication Number Publication Date
CN111736598A true CN111736598A (zh) 2020-10-02
CN111736598B CN111736598B (zh) 2022-06-28

Family

ID=72648253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010493571.9A Active CN111736598B (zh) 2020-06-03 2020-06-03 基于自适应神经网络的收获机路径跟踪控制方法和系统

Country Status (1)

Country Link
CN (1) CN111736598B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113126623A (zh) * 2021-04-13 2021-07-16 吉林大学 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078935A (zh) * 2007-06-28 2007-11-28 华南农业大学 基于神经网络的农业机械路径跟踪控制方法
CN103499973A (zh) * 2013-09-30 2014-01-08 中国农业大学 一种主－从机协同作业农业机械智能导航系统
CN105022399A (zh) * 2015-07-16 2015-11-04 柳州六品科技有限公司 对于作业机构具有改进的地面跟随农机控制系统
CN107831761A (zh) * 2017-10-16 2018-03-23 中国科学院电工研究所 一种智能车的路径跟踪控制方法
CN108646763A (zh) * 2018-07-18 2018-10-12 扬州大学 一种自主行驶轨迹跟踪控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078935A (zh) * 2007-06-28 2007-11-28 华南农业大学 基于神经网络的农业机械路径跟踪控制方法
CN103499973A (zh) * 2013-09-30 2014-01-08 中国农业大学 一种主－从机协同作业农业机械智能导航系统
CN105022399A (zh) * 2015-07-16 2015-11-04 柳州六品科技有限公司 对于作业机构具有改进的地面跟随农机控制系统
CN107831761A (zh) * 2017-10-16 2018-03-23 中国科学院电工研究所 一种智能车的路径跟踪控制方法
CN108646763A (zh) * 2018-07-18 2018-10-12 扬州大学 一种自主行驶轨迹跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白晓平 等: "基于领航-跟随结构的联合收获机群协同导航控制方法", 《农业机械学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113126623A (zh) * 2021-04-13 2021-07-16 吉林大学 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法

Also Published As

Publication number Publication date
CN111736598B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
Hu et al. Robust H∞ output-feedback control for path following of autonomous ground vehicles
Fang et al. Trajectory tracking control of farm vehicles in presence of sliding
CN107992681B (zh) 一种电动汽车主动前轮转向系统的复合控制方法
Ryu et al. Differential flatness-based robust control of mobile robots in the presence of slip
Zhang et al. Stability research of distributed drive electric vehicle by adaptive direct yaw moment control
CN113753080B (zh) 一种自动驾驶汽车横向运动自适应参数控制方法
CN109606466B (zh) 一种四轮独立驱动电动车辆的主动转向控制方法
Dai et al. Force control for path following of a 4WS4WD vehicle by the integration of PSO and SMC
CN113126623B (zh) 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法
Qin et al. A lateral and longitudinal dynamics control framework of autonomous vehicles based on multi-parameter joint estimation
CN113183957A (zh) 车辆控制方法、装置、设备及自动驾驶车辆
CN114967475B (zh) 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统
CN116552550A (zh) 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统
Ding et al. Composite SOSM controller for path tracking control of agricultural tractors subject to wheel slip
CN111736598B (zh) 基于自适应神经网络的收获机路径跟踪控制方法和系统
Ji et al. Path tracking of unmanned agricultural tractors based on a novel adaptive second-order sliding mode control
Rigatos et al. Nonlinear optimal control for autonomous navigation of a truck and trailer system
He et al. Composite deep learning control for autonomous bicycles by using deep deterministic policy gradient
CN116560371A (zh) 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法
Zhao et al. Research on path following control method of agricultural machinery autonomous navigation through LQR-feed forward control
CN112051736B (zh) 一种基于单控制器的轨迹跟踪控制系统
Lucet et al. Sliding-mode velocity and yaw control of a 4WD skid-steering mobile robot
Wohner et al. Hierarchical nonlinear model predictive control for an autonomous racecar
Lee et al. An improved model-based predictive control of vehicle trajectory by using nonlinear function
Hu et al. Robust tube-based model predictive control for autonomous vehicle path tracking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant