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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 title claims description 18
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000009795 derivation Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
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
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隐含层的节点与第二个输出节点之间的连接权重为
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)得到当前时刻的转向轮转角δf(t):
所述收获机-地面非线性模型为:
其中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,为航向角速度偏差;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:
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隐含层的节点与第二个输出节点之间的连接权重为
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;
其中δf(t-1)是上一个时刻的转向轮转角;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:
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);
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:
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:
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:
式中,K是期望路径的曲率。
由公式(3)求导可得到
结合公式(5)和(6)得到收获机-地面的非线性模型:
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:
令x1=ep,则模型的状态空间方程可以表示为:
基于backstepping递归理论设计控制器输入,步骤如下:
为了使跟踪误差ep接近于0,设计第一Lyapunov函数为:
式中,g1是误差系数,g1>0。
(S2)设计第二Lyapunov函数为:
其导数为:
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隐含层的节点与第二个输出节点之间的连接权重为如图3所示,本实施例中隐含层中有5个隐节点,即N=5。是RBF的输入量,核函数采用高斯函数,第j个隐节点为: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:
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:
相应的,公式(8)可以表示为:
车轮的转向角δf可以表示为:
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:
设计第三Lyapunov函数为:
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:
令自适应律为:
将公式(23)代入公式(22)中可以得到:
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隐含层的节点与第二个输出节点之间的连接权重为
更新隐含层到输出节点之间的连接权重:
其中δf(t-1)是上一个时刻的转向轮转角;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:
计算前后轮转向参数不确定项优化模型的输出:
步骤5、计算当前时刻前后轮转向参数:
步骤6、得到当前时刻的转向轮转角δf(t):
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隐含层的节点与第二个输出节点之间的连接权重为
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:
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);
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隐含层的节点与第二个输出节点之间的连接权重为
更新隐含层到输出节点之间的连接权重:
其中δf(t-1)是上一个时刻的转向轮转角;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:
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)得到当前时刻的转向轮转角δf(t):
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隐含层的节点与第二个输出节点之间的连接权重为
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:
其中δf(t-1)是上一个时刻的转向轮转角;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:
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);
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)
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)
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 |
-
2020
- 2020-06-03 CN CN202010493571.9A patent/CN111736598B/zh active Active
Patent Citations (5)
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)
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)
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 |