CN114670856B - 一种基于bp神经网络的参数自整定纵向控制方法及系统 - Google Patents

一种基于bp神经网络的参数自整定纵向控制方法及系统 Download PDF

Info

Publication number
CN114670856B
CN114670856B CN202210328946.5A CN202210328946A CN114670856B CN 114670856 B CN114670856 B CN 114670856B CN 202210328946 A CN202210328946 A CN 202210328946A CN 114670856 B CN114670856 B CN 114670856B
Authority
CN
China
Prior art keywords
neural network
output
input
parameter
output layer
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.)
Active
Application number
CN202210328946.5A
Other languages
English (en)
Other versions
CN114670856A (zh
Inventor
秦兆博
梁旺
胡满江
边有钢
徐彪
秦晓辉
王晓伟
谢国涛
秦洪懋
崔庆佳
杨泽宇
丁荣军
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.)
Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd
Wuxi Institute Of Intelligent Control Hunan University
Original Assignee
Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd
Wuxi Institute Of Intelligent Control Hunan 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 Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd, Wuxi Institute Of Intelligent Control Hunan University filed Critical Jiangsu Jicui Qinglian Intelligent Control Technology Co ltd
Priority to CN202210328946.5A priority Critical patent/CN114670856B/zh
Publication of CN114670856A publication Critical patent/CN114670856A/zh
Application granted granted Critical
Publication of CN114670856B publication Critical patent/CN114670856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于改进BP神经网络的参数自整定纵向控制方法及系统，其包括：步骤1，获取预瞄速度误差，输入至当前BP神经网络；步骤2，在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值，如果是，则进入步骤3；如果否，则进入步骤4；步骤3，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，对所述当前BP神经网络进行初始化；步骤4，通过Batch Normalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数。本发明能够快速调整控制参数，同时提高车辆纵向控制精度。

Description

一种基于BP神经网络的参数自整定纵向控制方法及系统
技术领域
本发明涉及自动驾驶技术领域，特别是关于一种基于改进BP神经网络的参数自整定纵向控制方法及系统。
背景技术
近年来，自动驾驶技术因其能有效提高行驶安全性、缓解交通拥堵和降低能耗，正逐渐成为国内外研究开发的热点。运动控制是智能汽车研究领域的核心技术之一，包括横向控制和纵向控制，其中纵向控制主要研究智能车辆的速度跟踪能力，控制车辆按照预定的速度巡航或与前方动态目标保持一定的距离。
目前的纵向控制方法多为基于模型和无模型两类，而由于车辆纵向动力学所涉及的油门、制动踏板、发动机和传动系统等车辆子系统均具有高度非线性及参数时变等特性，这些特性导致建立精确的车辆纵向动力学模型极其困难，很大程度上限制了基于模型的纵向控制方法。因此在没有精确车辆纵向模型的情况下，目前现有方法大多集中在如PID控制等无模型的纵向控制方法，但上述纵向控制方法的控制参数往往需要通过经验或现场试验来不断调整，不同工况下适应性差，因此高精度的纵向速度控制要求控制器具有一定的参数自整定能力。同时在多车场景下，例如随着自动驾驶车辆商业化进展加快，诸如港口、矿山都在进行规模化运营，由于不同车的纵向特性存在差别，若单独对每辆车进行调试，人力成本、时间成本极高。而采用具有一定参数自整定能力的纵向控制方法，可实现算法自行在线调参，大大节省调试时间。
发明内容
本发明的目的在于提供一种基于BP神经网络的参数自整定纵向控制方法与系统来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的，本发明提供一种基于改进BP神经网络的参数自整定纵向控制方法，其包括：
步骤1，获取预瞄速度误差，输入至当前BP神经网络；
步骤2，在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值，如果是，则进入步骤3；如果否，则进入步骤4；
步骤3，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，对所述当前BP神经网络进行初始化；
步骤4，通过Batch Normalization处理的归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数。
进一步地，所述步骤4中的“通过Batch Normalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数”具体包括：
步骤41a，基于当前时刻的预瞄速度误差，设置用于BP神经网络反向自学习的性能指标函数；
步骤42a，基于梯度下降法，计算BP神经网络的当前隐含层到输出层的权重调整量；
步骤43a，计算Batch Normalization处理部分的当前学习参数γl(k)、βl(k)的调整量Δγl(k)和Δβl(k)为下式(15)：
Figure BDA0003572481330000021
式中，Δγl(k-1)、Δβl(k-1)分别表示上一时刻k-1的学习参数γl(k-1)、βl(k-1)的调整量,
Figure BDA0003572481330000022
表示Batch Normalization处理归一化处理产生的变量，
Figure BDA0003572481330000023
为简化公式设置的变量符号，表示为下式(18)：
Figure BDA0003572481330000024
其中，
Figure BDA0003572481330000025
y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度，f2′(*)表示BP神经网络输出层的激活函数的一阶导数，l表示BP神经网络输出层的节点数，
Figure BDA0003572481330000026
表示k时刻BP神经网络输出层的第l个节点的输出；
步骤44a，计算隐藏层权值调整量。
进一步地，所述步骤4中的“通过所述当前BP神经网络输出当前模式对应的控制参数”具体包括：
步骤41b，计算BP神经网络输入层的输入和输出；
步骤42b，计算BP神经网络隐含层的输入和输出；
步骤43b，利用下式(22)，计算BP神经网络输出层的输入和输出：
Figure BDA0003572481330000031
式中，上标(3)表示所述输出层，
Figure BDA0003572481330000032
和
Figure BDA0003572481330000033
分别表示k时刻所述输出层的第l个节点的输入和输出，
Figure BDA0003572481330000034
表示k时刻所述隐含层第i个节点到所述输出层第l个节点的权重，l＝1，...，s；
步骤44b，使用输出层两个节点的输出Gain1、Gain2，作为两个增益，来满足PI控制的输出强度，且通过下式(23)，分别限制KP、KI在(0，Gain1)、(0，Gain2)之间变化，可得当前时刻k输出的PI控制参数：
Figure BDA0003572481330000035
进一步地，所述步骤3中的“离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数”的方法具体包括：
步骤31，建立驱/制动模式下基于改进BP神经网络的参数自整定PI控制器；
步骤32，分别根据驱/制动BP神经网络结构，计算所包含的权重参数及BatchNormalization处理归一化参数数量，确定PSO算法参数及粒子维度；
步骤33，根据适应度函数，基于PSO算法离线训练参数自整定PI控制器，获取较优的BP神经网络初始参数；
步骤34，设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
进一步地，所述BP神经网络的结构设置方法包括：
步骤11，确定BP神经网络的输入层、隐含层及输出层的节点数：在输入层加入常数项1，则输入层节点数m＝4；在输出层节点对应所选纵向PI控制器的两个可调参数KP、KI，则输出层节点数n＝2；根据
Figure BDA0003572481330000036
λ∈(1，10)，计算隐含层节点数s；
步骤12，选取所述输入层的变量；
步骤13，选择满足纵向PI控制器中KP、KI参数非负要求的Sigmoid函数f2(x)作为所述输出层的激活函数，x表示输出层的输入值；
步骤14，选择可防止“梯度消失”现象产生的梯度固定的线性整流函数作为所述隐含层的激活函数。
本发明还提出一种基于改进BP神经网络的参数自整定纵向控制系统，其包括纵向控制模块，所述纵向控制模块根据如上所述的方法输出纵向控制指令；
所述纵向控制模块具有：
误差获取单元，其用于获取预瞄速度误差，输入至BP神经网络；
误差判断单元，其用于在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值；
初始化单元，其用于在所述预瞄速度误差大于预设阈值的情形下，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，对所述当前BP神经网络进行初始化；
控制参数计算单元，其用于在所述预瞄速度误差不大于预设阈值的情形下，通过Batch Normalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数。
进一步地，所述初始化单元包括：
性能指标函数设置子单元，其用于基于当前时刻预瞄速度误差，将用于BP神经网络反向自学习的性能指标函数；
输出层权值调整量计算子单元，其用于基于梯度下降法，计算输出层权值调整量；
学习参数调整量计算子单元，其用于计算Batch Normalization处理部分的可学习参数γl、βl的调整量为下式(15)：
Figure BDA0003572481330000041
式中，Δγl(k-1)、Δβl(k-1)分别表示上一时刻k-1的学习参数γl(k-1)、βl(k-1)的调整量,
Figure BDA0003572481330000042
表示Batch Normalization处理归一化处理产生的变量，
Figure BDA0003572481330000051
为简化公式设置的变量符号，表示为下式(18)：
Figure BDA0003572481330000052
其中，
Figure BDA0003572481330000053
y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度，f2′(*)表示BP神经网络输出层的激活函数的一阶导数，l表示BP神经网络输出层的节点数，
Figure BDA0003572481330000054
表示k时刻BP神经网络输出层的第l个节点的输出；
隐藏层权值调整量计算子单元，其用于计算隐藏层权值调整量。
进一步地，所述初始化单元还包括：
网络输入层的输入和输出计算子单元，其用于计算BP神经网络输入层的输入和输出；
网络隐含层的输入和输出计算子单元，其用于计算BP神经网络隐含层的输入和输出；
网络输出层的输入和输出计算子单元，其用于利用下式(22)，计算BP神经网络输出层的输入和输出：
Figure BDA0003572481330000055
式中，上标(3)表示所述输出层，
Figure BDA0003572481330000056
和
Figure BDA0003572481330000057
分别表示k时刻所述输出层的第l个节点的输入和输出，
Figure BDA0003572481330000058
表示k时刻所述隐含层第i个节点到所述输出层第l个节点的权重，l＝1，...，s；
PI控制参数计算子单元，其用于使用输出层两个节点的输出Gain1、Gain2，作为两个增益，来满足PI控制的输出强度，且通过下式(23)，分别限制KP、KI在(0，Gain1)、(0，Gain2)之间变化，可得当前时刻k输出的PI控制参数：
Figure BDA0003572481330000059
进一步地，所述初始化单元包括：
PI控制器建立子单元，其用于建立驱/制动模式下基于改进BP神经网络的参数自整定PI控制器；
PSO算法参数及粒子维度计算子单元，其用于分别根据驱/制动BP神经网络结构，计算所包含的权重参数及Batch Normalization处理归一化参数数量，确定PSO算法参数及粒子维度；
网络初始参数计算子单元，其用于根据适应度函数，基于PSO算法离线训练参数自整定PI控制器，获取较优的BP神经网络初始参数，实现离线优化；
网络优化子单元，其用于设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
进一步地，所述基于改进BP神经网络的参数自整定纵向控制系统还包括：
环境感知模块，其用于获取环境信息；
决策规划模块，其用于接收经由处理后的所述环境信息，并进行全局速度规划，并将参考速度信息输出给纵向控制模块元；
底层执行模块，根据所述纵向控制指令，控制车辆。
本发明由于采取以上技术方案，其具有以下优点：
本发明通过将具备自学习能力的BP神经网络与纵向控制器相结合，设计出具有参数自整定能力的纵向控制器，在实现快速调整控制参数的同时提高车辆纵向控制精度，克服或减轻所述问题的影响。
附图说明
图1为本发明实施例提供的基于改进BP神经网络的参数自整定纵向控制的框架图；
图2为本发明所设计的用于参数自整定纵向控制器的改进BP神经网络结构图
图3为本发明离线训练网络初始参数的算法流程图
图4为本发明的系统平台图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明实施例提供的基于改进BP神经网络的参数自整定纵向控制方法包括：
步骤1，获取预瞄速度误差，输入至当前BP神经网络。
如图2所示，步骤1中的BP神经网络的结构设置方法包括：
步骤11，确定BP神经网络的输入层、隐含层及输出层的节点数。
为保证网络的稳定性，在输入层加入常数项1，则输入层节点数m＝4；在输出层节点对应所选纵向PI控制器的两个可调参数KP、KI，则输出层节点数n＝2；根据
Figure BDA0003572481330000071
计算隐含层节点数s＝10。因此，最终确定BP神经网络结构为4-10-2。
BP神经网络输入层的相关参数通过下文参数的上标(1)进行表示，具体包括：
k时刻输入层第j个节点的输入设置为xj(k)，k时刻输入层第j个节点的输出设置为
Figure BDA0003572481330000072
那么有下式(1)：
Figure BDA0003572481330000073
BP神经网络隐含层的相关参数通过下文参数的上标(2)进行表示，具体包括：k时刻所述隐含层的第i个节点的输入设置为
Figure BDA0003572481330000074
k时刻所述隐含层的第i个节点的输出设置为
Figure BDA0003572481330000075
f1(*)表示所述隐含层的激活函数，
Figure BDA0003572481330000076
表示k时刻所述输入层第j个节点到所述隐含层第i个节点的权重，i＝1，...，s，那么有下式(2)：
Figure BDA0003572481330000077
BP神经网络输出层的相关参数通过下文参数的上标(3)进行表示，具体包括：
Figure BDA0003572481330000078
表示k时刻所述输出层的第1个节点的输入，
Figure BDA0003572481330000079
表示k时刻所述输出层的第1个节点的输出，
Figure BDA00035724813300000710
表示k时刻所述隐含层第i个节点到所述输出层第1个节点的权重，f2(*)表示所述输出层的激活函数，l＝1，...，s，那么有下式(3)：
Figure BDA00035724813300000711
其中，k表示第k个控制周期，时间离散化后，一般认为当前时刻为k时刻，相应地，k-1时刻表示上一时刻。
步骤12，选取所述输入层的变量。
本实施例中，选取与速度控制相关的预瞄速度误差ev(k)、期望速度vdes(k)、当前速度v(k)作为输入层的变量。当然，输入层的变量，也可以在上述3项参数的基础之上，增加k-1时刻上述3项参数的值，还可以增加车辆与前车距离等。
步骤13，选择满足纵向PI控制器使用的KP、KI参数非负要求的Sigmoid函数f2(x)作为所述输出层的激活函数，x表示输出层的输入值，如下式(4)所示：
Figure BDA0003572481330000081
需要说明的是，一般的PI控制器使用的KP和KI在不同时刻均为定值，而本实施例结合BP神经网络，能够实时输出KP和KI的参数，使其随时间变化，因此带有(k)的标识，表示随时间变化，KP为PI控制器的比例项系数，KI为PI控制器的积分项系数，无量纲。
步骤14，防止由于选用Sigmoid函数导致BP神经网络反向自学习时发生梯度消失，选择可防止“梯度消失”现象产生的梯度固定的线性整流(Rectified Linear Unit，ReLU)函数f1(x)作为所述隐含层的激活函数，如下式(5)所示：
Figure BDA0003572481330000082
作为步骤14的一种优选实施方式，利用Batch Normalization处理归一化方法使Sigmoid函数的输入分布始终保持为正态分布，避免陷入梯度过小区域，其具体包括：
步骤141，假设输出层的每个节点传入h个训练样本，
Figure BDA0003572481330000083
为第j个输出层节点的第i个样本数据输入；
步骤142，利用下式(6)，计算各节点处输入均值：
Figure BDA0003572481330000084
步骤143，利用下式(7)，计算每个节点处输入的方差：
Figure BDA0003572481330000085
步骤144，利用下式(8)，根据均值u和方差σ2，将输出层的输入分布更改为正态分布：
Figure BDA0003572481330000086
步骤145，引入可学习参数γ与β以恢复数据本身的表达能力，则第j个输出层节点输入如下式(9)和(10)所示：
Figure BDA0003572481330000091
Figure BDA0003572481330000092
第二项
Figure BDA0003572481330000093
和第三项
Figure BDA0003572481330000094
均表示针对输出层的输入值
Figure BDA0003572481330000095
进行Batch Normalization处理时产生的中间量，无特殊含义。
上述实施例结合Batch Normalization处理的归一化方法，构建用于实时输出纵向控制器参数的改进BP神经网络，能够实现参数在线整定。
步骤2，在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值，如果是，则进入步骤3；如果否，则进入步骤4。其中，预设阈值根据算法所要求的纵向控制精度来设计，例如要求BP-PI控制的速度偏差小于0.3m/s，则该阈值可设置为0.3m/s。
步骤3，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，用以初始化所述当前BP神经网络。
在一个实施例中，结合图1和图3，步骤3中的“离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数”的方法具体包括：
步骤31，建立驱/制动模式下基于改进BP神经网络的参数自整定PI控制器。
步骤32，分别根据驱/制动BP神经网络结构，计算所包含的权重参数及BatchNormalization处理归一化参数数量，确定PSO算法参数及粒子维度。
步骤33，根据适应度函数，基于PSO算法离线训练参数自整定PI控制器，获取较优的BP神经网络初始参数，实现离线优化。
本实施例中采用的适应度函数如下式(11)所示，当然，也可以采用现有技术公开的其他形式的适应度函数。
Figure BDA0003572481330000096
本实施例中采用的PSO算法如下式(9)所示：
Figure BDA0003572481330000101
式中，Pi，best为第i个粒子个体历史最优值，Gbest为群体历史最优值，vi(k)为k时刻粒子速度，xi(k)为粒子位置，r1、r2为(0，1)范围内的随机数，T、Tmax分别表示当前迭代次数及允许最大迭代次数，c1、c2为的学习因子，具体数值大小根据训练效果在(0，1)范围内调整，ω为随迭代次数不断变化的惯性权重，如下式(13)所示，ωmax、ωmin分别为最小、最大惯性权重值。
Figure BDA0003572481330000102
步骤34，设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。其中的阈值可以根据车辆运行过程中，允许最大速度误差确定。
步骤4，通过Batch Normalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数。
其中，BP神经网络的初始参数包括输入层与隐含层之间的权重系数
Figure BDA0003572481330000103
隐含层与输出层之间的权重系数
Figure BDA0003572481330000104
和Batch Normalization处理归一化方法中的γl(k)、βl(k)。文中的k表示当前时刻，k-1表示k的上一时刻。
在一个实施例中，步骤4中的“通过归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数”具体包括：
步骤41a，基于当前时刻预瞄速度误差，将用于BP神经网络反向自学习的性能指标函数E(k)设置为下式(14)：
Figure BDA0003572481330000105
式中，vdes(k)为参考速度，v(k)为当前车速，ev(k)为当前时刻预瞄速度误差。
步骤42a，基于梯度下降法，计算BP神经网络的当前隐含层到输出层的权重调整量。
其中：梯度下降法可以表示为下式(15)，BP神经网络的当前隐含层的第i个节点到输出层第l个节点的权重
Figure BDA0003572481330000106
的调整量：
Figure BDA0003572481330000107
式中，η为学习速率，α为动量因子，二者数值影响BP神经网络自学习的快慢和效果，数值确定原则根据测试过程中神经网络学习效果确定，两个参数的取值范围均小于1。
Figure BDA0003572481330000111
表示k-1时刻BP神经网络的隐含层第i个节点到输出层第l个节点的权重
Figure BDA0003572481330000112
的调整量。
根据式(16)：
Figure BDA0003572481330000113
式中，y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度。
第一项：
Figure BDA0003572481330000114
第二项：
Figure BDA0003572481330000115
未知，用近似符号函数
Figure BDA0003572481330000116
表示，由此带来的不精确的影响通过调整学习速率η来补偿。补偿原则可描述为：当BP神经网络学习速度过程速度误差收敛慢，则调大η的取值，反之调小η的取值。
第三项：
Figure BDA0003572481330000117
第四项：
Figure BDA0003572481330000118
表示
Figure BDA0003572481330000119
的一阶导数。
第五项：
Figure BDA00035724813300001110
第六项：
Figure BDA00035724813300001111
σl(k)表示k时刻输出层第l个输入节点对应的输入均方差。
第七项：
Figure BDA00035724813300001112
将上述7项代入权值调整量表达式，可得输出层权值调整量为下式(17)：
Figure BDA00035724813300001113
其中，
Figure BDA0003572481330000121
为简化公式设置的变量符号，无特殊含义，表示为式(18)：
Figure BDA0003572481330000122
步骤43a，计算通过归一化，例如：Batch Normalization处理部分的可学习参数γl、βl的调整量为下式(19)：
Figure BDA0003572481330000123
步骤44a，利用下式(20)，计算隐藏层权值调整量为：
Figure BDA0003572481330000124
式中，
Figure BDA0003572481330000125
表示为下式(21)：
Figure BDA0003572481330000126
式中，f1(*)表示所述隐含层的激活函数，f1′(*)表示f1(*)的一阶导数，
Figure BDA0003572481330000127
表示k时刻所述隐含层的第i个节点的输出。
在一个实施例中，所述步骤4中的“通过所述当前BP神经网络输出当前模式对应的控制参数”具体包括：
步骤41b，利用下式(1)，计算BP神经网络输入层的输入和输出。
步骤42b，利用下式(2)，计算BP神经网络隐含层的输入和输出。
步骤43b，利用下式(22)，计算BP神经网络输出层的输入和输出：
Figure BDA0003572481330000128
步骤44b，使用输出层两个节点的输出Gain1、Gain2，作为两个增益，来满足PI控制的输出强度，且通过下式(23)，分别限制KP、KI在(0，Gain1)、(0，Gain2)之间变化，可得当前时刻k输出的PI控制参数：
Figure BDA0003572481330000129
需要说明的是，文中的PI控制器是本发明实施例所选用的一种纵向控制器当然，本发明实施例也可以应用为其他需要调参的纵向控制器。
如图4所示，本发明实施例提供的基于改进BP神经网络的参数自整定纵向控制系统包括纵向控制模块，所述纵向控制模块根据如上述各实施例所述的方法输出纵向控制指令；
所述纵向控制模块具有：
误差获取单元，其用于获取预瞄速度误差，输入至当前BP神经网络；
误差判断单元，其用于在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值；
初始化单元，其用于在所述预瞄速度误差大于预设阈值的情形下，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，对所述当前BP神经网络进行初始化；
控制参数计算单元，其用于在所述预瞄速度误差不大于预设阈值的情形下，通过Batch Normalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数。
在一个实施例中，所述初始化单元包括：
性能指标函数设置子单元，其用于基于当前时刻预瞄速度误差，将用于BP神经网络反向自学习的性能指标函数E(k)设置为式(14)。
输出层权值调整量计算子单元，其用于基于梯度下降法，利用式(15)，计算输出层权值调整量
Figure BDA0003572481330000131
学习参数调整量计算子单元，其用于计算Batch Normalization处理部分的可学习参数γl、βl的调整量为式(19)。
隐藏层权值调整量计算子单元，其用于用式(20)，计算隐藏层权值调整量。
在一个实施例中，所述初始化单元还包括：
网络输入层的输入和输出计算子单元，其用于利用式(1)，计算BP神经网络输入层的输入和输出。
网络隐含层的输入和输出计算子单元，其用于利用式(2)，计算BP神经网络隐含层的输入和输出。
网络输出层的输入和输出计算子单元，其用于利用式(22)，计算BP神经网络输出层的输入和输出。
PI控制参数计算子单元，其用于使用输出层两个节点的输出Gain1、Gain2，作为两个增益，来满足PI控制的输出强度，且通过式(23)，分别限制KP、KI在(0，Gain1)、(0，Gain2)之间变化，可得当前时刻k输出的PI控制参数。
在一个实施例中，所述初始化单元包括：
PI控制器建立子单元，其用于建立驱/制动模式下基于改进BP神经网络的参数自整定PI控制器；
PSO算法参数及粒子维度计算子单元，其用于分别根据驱/制动BP神经网络结构，计算所包含的权重参数及Batch Normalization处理归一化参数数量，确定PSO算法参数及粒子维度；
网络初始参数计算子单元，其用于根据适应度函数，基于PSO算法离线训练参数自整定PI控制器，获取较优的BP神经网络初始参数，实现离线优化；
网络优化子单元，其用于设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
在一个实施例中，所述基于改进BP神经网络的参数自整定纵向控制系统还包括环境感知模块、决策规划模块以及底层执行模块。其中：
环境感知模块，其用于获取环境信息；
决策规划模块，其用于接收经由处理后的所述环境信息，并进行全局速度规划，并将参考速度信息输出给纵向控制模块元；
底层执行模块，根据所述纵向控制指令，控制车辆。
本发明通过结合神经网络强大的自学习能力和数据处理能力实现参数在线整定，同时基于PSO算法实现网络离线优化，解决传统纵向控制方法在车辆速度跟踪过程中参数固定且不易整定的问题。同时在多车调试场景下该方法只需给定适当的初始控制器参数，则可自行实现在线调参，大大节省调试时间。本发明适用于无人驾驶车辆的纵向运动控制。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于改进BP神经网络的参数自整定纵向控制方法，其特征在于，包括：
步骤1，获取预瞄速度误差，输入至当前BP神经网络；
步骤2，在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值，如果是，则进入步骤3；如果否，则进入步骤4；
步骤3，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，对所述当前BP神经网络进行初始化；
步骤4，通过Batch Normalization处理的归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数；
所述步骤4中的“通过Batch Normalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数”具体包括：
步骤41a，基于当前时刻的预瞄速度误差，设置用于BP神经网络反向自学习的性能指标函数E(k)；
步骤42a，基于梯度下降法，计算BP神经网络的当前隐含层到输出层的权重调整量；
步骤43a，计算Batch Normalization处理部分的当前学习参数γl(k)、βl(k)的调整量Δγl(k)和Δβl(k)为下式(19)：
Figure FDA0003863946090000011
式中，η为学习速率，α为动量因子，Δγl(k-1)、Δβl(k-1)分别表示上一时刻k-1的学习参数γl(k-1)、βl(k-1)的调整量,
Figure FDA0003863946090000012
和
Figure FDA0003863946090000013
均表示用于简化公式的中间参数，表示如下：
Figure FDA0003863946090000014
Figure FDA0003863946090000015
其中，
Figure FDA0003863946090000021
y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度，f2′(*)表示BP神经网络输出层的激活函数f2(*)的一阶导数，l表示BP神经网络输出层的节点数，
Figure FDA0003863946090000022
表示k时刻BP神经网络输出层的第l个节点的输入，
Figure FDA0003863946090000023
表示k时刻BP神经网络输出层的第l个节点的输出，μl(k)表示所述输出层第l个节点的输入均值，σl(k)表示k时刻输出层第l个输入节点对应的输入均方差；
步骤44a，计算隐藏层权值调整量。
2.如权利要求1所述的基于改进BP神经网络的参数自整定纵向控制方法，其特征在于，所述步骤4中的“通过所述当前BP神经网络输出当前模式对应的控制参数”具体包括：
步骤41b，计算BP神经网络输入层的输入和输出；
步骤42b，计算BP神经网络隐含层的输入和输出；
步骤43b，利用下式(22)，计算BP神经网络输出层的输入和输出：
Figure FDA0003863946090000024
式中，上标(3)表示所述输出层，
Figure FDA0003863946090000025
表示k时刻BP神经网络输出层的第l个节点的输入，
Figure FDA0003863946090000026
表示k时刻BP神经网络输出层的第l个节点的输出，
Figure FDA0003863946090000027
表示k时刻所述隐含层第i个节点到所述输出层第l个节点的权重，l＝1,…,s，μl(k)表示所述输出层第l个节点的输入均值，σl(k)表示k时刻输出层第l个输入节点对应的输入均方差，γl(k)和βl(k)均表示k时刻BP神经网络输出层的第l个节点的可学习参数；
步骤44b，使用输出层两个节点的输出Gain1、Gain2，作为两个增益，来满足PI控制的输出强度，且通过下式(23)，分别限制KP、KI在(0,Gain1)、(0,Gain2)之间变化，可得当前时刻k输出的PI控制参数：
Figure FDA0003863946090000028
3.如权利要求1或2所述的基于改进BP神经网络的参数自整定纵向控制方法，其特征在于，所述步骤3中的“离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数”的方法具体包括：
步骤31，建立驱/制动模式下基于改进BP神经网络的参数自整定PI控制器；
步骤32，分别根据驱/制动BP神经网络结构，计算所包含的权重参数及BatchNormalization处理归一化参数数量，确定PSO算法参数及粒子维度；
步骤33，根据适应度函数，基于PSO算法离线训练参数自整定PI控制器，获取较优的BP神经网络初始参数；
步骤34，设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
4.如权利要求3所述的基于改进BP神经网络的参数自整定纵向控制方法，其特征在于，所述BP神经网络的结构设置方法包括：
步骤11，确定BP神经网络的输入层、隐含层及输出层的节点数：在输入层加入常数项1，则输入层节点数m＝4；在输出层节点对应所选纵向PI控制器的两个可调参数KP、KI，则输出层节点数n＝2；根据
Figure FDA0003863946090000031
λ∈(1,10)，计算隐含层节点数s；
步骤12，选取所述输入层的变量；
步骤13，选择满足纵向PI控制器中KP、KI参数非负要求的Sigmoid函数作为所述输出层的激活函数；
步骤14，选择可防止“梯度消失”现象产生的梯度固定的线性整流函数作为所述隐含层的激活函数。
5.一种基于改进BP神经网络的参数自整定纵向控制系统，其特征在于，包括纵向控制模块，所述纵向控制模块根据如权利要求1-4中一项所述的方法输出纵向控制指令；
所述纵向控制模块具有：
误差获取单元，其用于获取预瞄速度误差，输入至BP神经网络；
误差判断单元，其用于在切换为驱动模式和制动模式之一后，判断预瞄速度误差是否大于预设阈值；
初始化单元，其用于在所述预瞄速度误差大于预设阈值的情形下，离线训练当前模式下BP神经网络的初始参数，获取最优的所述初始参数，对所述当前BP神经网络进行初始化；
控制参数计算单元，其用于在所述预瞄速度误差不大于预设阈值的情形下，通过BatchNormalization处理归一化方法，所述当前BP神经网络在线计算误差反向传播，并调整权重参数，然后通过所述当前BP神经网络输出当前模式对应的控制参数；
所述初始化单元包括：
性能指标函数设置子单元，其用于基于当前时刻预瞄速度误差，将用于BP神经网络反向自学习的性能指标函数E(k)；
输出层权值调整量计算子单元，其用于基于梯度下降法，计算输出层权值调整量；
学习参数调整量计算子单元，其用于计算Batch Normalization处理部分的当前学习参数γl(k)、βl(k)的调整量Δγl(k)和Δβl(k)为下式(19)：
Figure FDA0003863946090000041
式中，η为学习速率，α为动量因子，Δγl(k-1)、Δβl(k-1)分别表示上一时刻k-1的学习参数γl(k-1)、βl(k-1)的调整量,
Figure FDA0003863946090000042
和
Figure FDA0003863946090000043
均表示用于简化公式的中间参数，表示如下：
Figure FDA0003863946090000044
Figure FDA0003863946090000045
其中，
Figure FDA0003863946090000046
y(k)表示当前时刻k的速度，u(k)表示当前时刻k油门或制动踏板的开度，f2′(*)表示BP神经网络输出层的激活函数f2(*)的一阶导数，l表示BP神经网络输出层的节点数，
Figure FDA0003863946090000047
表示k时刻BP神经网络输出层的第l个节点的输入，
Figure FDA0003863946090000048
表示k时刻BP神经网络输出层的第l个节点的输出，μl(k)表示所述输出层第l个节点的输入均值，σl(k)表示k时刻输出层第l个输入节点对应的输入均方差；
隐藏层权值调整量计算子单元，其用于计算隐藏层权值调整量。
6.如权利要求5所述的基于改进BP神经网络的参数自整定纵向控制系统，其特征在于，所述初始化单元还包括：
网络输入层的输入和输出计算子单元，其用于计算BP神经网络输入层的输入和输出；
网络隐含层的输入和输出计算子单元，其用于计算BP神经网络隐含层的输入和输出；
网络输出层的输入和输出计算子单元，其用于利用下式(22)，计算BP神经网络输出层的输入和输出：
Figure FDA0003863946090000051
式中，上标(3)表示所述输出层，
Figure FDA0003863946090000052
表示k时刻BP神经网络输出层的第l个节点的输入，
Figure FDA0003863946090000053
表示k时刻BP神经网络输出层的第l个节点的输出，
Figure FDA0003863946090000054
表示k时刻所述隐含层第i个节点到所述输出层第l个节点的权重，l＝1,...,s，μl(k)表示所述输出层第l个节点的输入均值，σl(k)表示k时刻输出层第l个输入节点对应的输入均方差，γl(k)和βl(k)均表示k时刻BP神经网络输出层的第l个节点的可学习参数；
PI控制参数计算子单元，其用于使用输出层两个节点的输出Gain1、Gain2，作为两个增益，来满足PI控制的输出强度，且通过下式(23)，分别限制KP、KI在(0,Gain1)、(0,Gain2)之间变化，可得当前时刻k输出的PI控制参数：
Figure FDA0003863946090000055
7.如权利要求5或6所述的基于改进BP神经网络的参数自整定纵向控制系统，其特征在于，所述初始化单元包括：
PI控制器建立子单元，其用于建立驱/制动模式下基于改进BP神经网络的参数自整定PI控制器；
PSO算法参数及粒子维度计算子单元，其用于分别根据驱/制动BP神经网络结构，计算所包含的权重参数及Batch Normalization处理归一化参数数量，确定PSO算法参数及粒子维度；
网络初始参数计算子单元，其用于根据适应度函数，基于PSO算法离线训练参数自整定PI控制器，获取较优的BP神经网络初始参数，实现离线优化；
网络优化子单元，其用于设置速度误差阈值，参数在线整定过程中根据当前时刻速度误差是否超过阈值进行判断，选择是否利用离线优化获取的网络参数进行网络初始化。
8.如权利要求7所述的基于改进BP神经网络的参数自整定纵向控制系统，其特征在于，还包括：
环境感知模块，其用于获取环境信息；
决策规划模块，其用于接收经由处理后的所述环境信息，并进行全局速度规划，并将参考速度信息输出给纵向控制模块元；
底层执行模块，根据所述纵向控制指令，控制车辆。
CN202210328946.5A 2022-03-30 2022-03-30 一种基于bp神经网络的参数自整定纵向控制方法及系统 Active CN114670856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210328946.5A CN114670856B (zh) 2022-03-30 2022-03-30 一种基于bp神经网络的参数自整定纵向控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210328946.5A CN114670856B (zh) 2022-03-30 2022-03-30 一种基于bp神经网络的参数自整定纵向控制方法及系统

Publications (2)

Publication Number Publication Date
CN114670856A CN114670856A (zh) 2022-06-28
CN114670856B true CN114670856B (zh) 2022-11-25

Family

ID=82076911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210328946.5A Active CN114670856B (zh) 2022-03-30 2022-03-30 一种基于bp神经网络的参数自整定纵向控制方法及系统

Country Status (1)

Country Link
CN (1) CN114670856B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115402310B (zh) * 2022-08-29 2024-07-19 潍柴动力股份有限公司 一种巡航控制方法、装置、设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5197114A (en) * 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
JP2003256005A (ja) * 2002-03-01 2003-09-10 Omron Corp 制御方法および制御装置
US6728690B1 (en) * 1999-11-23 2004-04-27 Microsoft Corporation Classification system trainer employing maximum margin back-propagation with probabilistic outputs
CN106255259A (zh) * 2016-07-26 2016-12-21 浙江大学 一种基于bp神经网络pi控制方法的反激式led驱动电路
CN108733955A (zh) * 2018-05-30 2018-11-02 厦门大学 一种智能电动汽车纵向运动控制系统及方法
CN110059887A (zh) * 2019-04-25 2019-07-26 湖南大学 基于自适应遗传算法的bp神经网络风险识别方法及系统
CN110688920A (zh) * 2019-09-17 2020-01-14 宁波吉利汽车研究开发有限公司 一种无人驾驶控制方法、装置及服务器
CN111448117A (zh) * 2018-03-30 2020-07-24 英特尔公司 用于自动驾驶车辆的情感自适应驾驶策略
CN111665718A (zh) * 2020-06-05 2020-09-15 长春工业大学 一种基于q学习算法的对角递归神经网络控制策略
CN111717193A (zh) * 2019-03-19 2020-09-29 广州汽车集团股份有限公司 一种自动泊车方法和自动泊车系统
CN112009499A (zh) * 2020-09-14 2020-12-01 北京罗克维尔斯科技有限公司 一种车辆自动驾驶控制方法及装置
EP3756963A1 (en) * 2019-06-28 2020-12-30 FPT Motorenforschung AG A method and a system for controlling a vehicle on a mission
CN112163669A (zh) * 2020-10-09 2021-01-01 上海应用技术大学 基于bp神经网络的路面沉陷预测方法
CN113365283A (zh) * 2020-11-16 2021-09-07 南京航空航天大学 一种基于流量预测的无人机自组网信道接入控制方法
CN114202111A (zh) * 2021-11-19 2022-03-18 华南理工大学 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7035834B2 (en) * 2002-05-15 2006-04-25 Caterpillar Inc. Engine control system using a cascaded neural network
US9754204B2 (en) * 2013-08-05 2017-09-05 Board Of Trustees Of The University Of Alabama Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks
US10846589B2 (en) * 2015-03-12 2020-11-24 William Marsh Rice University Automated compilation of probabilistic task description into executable neural network specification
US10515304B2 (en) * 2015-04-28 2019-12-24 Qualcomm Incorporated Filter specificity as training criterion for neural networks
US10262259B2 (en) * 2015-05-08 2019-04-16 Qualcomm Incorporated Bit width selection for fixed point neural networks
CN106777527A (zh) * 2016-11-24 2017-05-31 上海市特种设备监督检验技术研究院 基于神经网络模型的起重机小车运行能耗分析方法
DE102017204639B4 (de) * 2017-03-21 2020-03-12 Ford Global Technologies, Llc Verfahren zum Abbremsen eines sich mit geringer Geschwindigkeit bewegenden Fahrzeugs
CN110956060A (zh) * 2018-09-27 2020-04-03 北京市商汤科技开发有限公司 动作识别、驾驶动作分析方法和装置及电子设备
US11119482B2 (en) * 2019-02-07 2021-09-14 GM Global Technology Operations LLC System and method for control of an autonomous vehicle
US12081646B2 (en) * 2019-11-26 2024-09-03 Apex Ai Industries, Llc Adaptively controlling groups of automated machines
US11836629B2 (en) * 2020-01-15 2023-12-05 SambaNova Systems, Inc. Computationally efficient softmax loss gradient backpropagation
KR20210158453A (ko) * 2020-06-23 2021-12-31 현대자동차주식회사 굴절 차량용 굴절 제어 장치 및 그의 굴절 제어 방법
CN113561960B (zh) * 2021-06-30 2023-07-25 东风汽车集团股份有限公司 一种防抖动控制方法、装置及车辆

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5197114A (en) * 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
US6728690B1 (en) * 1999-11-23 2004-04-27 Microsoft Corporation Classification system trainer employing maximum margin back-propagation with probabilistic outputs
JP2003256005A (ja) * 2002-03-01 2003-09-10 Omron Corp 制御方法および制御装置
CN106255259A (zh) * 2016-07-26 2016-12-21 浙江大学 一种基于bp神经网络pi控制方法的反激式led驱动电路
CN111448117A (zh) * 2018-03-30 2020-07-24 英特尔公司 用于自动驾驶车辆的情感自适应驾驶策略
CN108733955A (zh) * 2018-05-30 2018-11-02 厦门大学 一种智能电动汽车纵向运动控制系统及方法
CN111717193A (zh) * 2019-03-19 2020-09-29 广州汽车集团股份有限公司 一种自动泊车方法和自动泊车系统
CN110059887A (zh) * 2019-04-25 2019-07-26 湖南大学 基于自适应遗传算法的bp神经网络风险识别方法及系统
EP3756963A1 (en) * 2019-06-28 2020-12-30 FPT Motorenforschung AG A method and a system for controlling a vehicle on a mission
CN110688920A (zh) * 2019-09-17 2020-01-14 宁波吉利汽车研究开发有限公司 一种无人驾驶控制方法、装置及服务器
CN111665718A (zh) * 2020-06-05 2020-09-15 长春工业大学 一种基于q学习算法的对角递归神经网络控制策略
CN112009499A (zh) * 2020-09-14 2020-12-01 北京罗克维尔斯科技有限公司 一种车辆自动驾驶控制方法及装置
CN112163669A (zh) * 2020-10-09 2021-01-01 上海应用技术大学 基于bp神经网络的路面沉陷预测方法
CN113365283A (zh) * 2020-11-16 2021-09-07 南京航空航天大学 一种基于流量预测的无人机自组网信道接入控制方法
CN114202111A (zh) * 2021-11-19 2022-03-18 华南理工大学 基于粒子群优化bp神经网络的电子膨胀阀流量特性预测

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于PSO优化极限学习机的机器人控制研究;杜玉香等;《辽宁科技大学学报》;20200815(第04期);第63-67页 *
基于驾驶员操纵特性和交通环境状态的换道行为预测;李青林等;《科学技术与工程》;20190428(第12期);第373-382页 *

Also Published As

Publication number Publication date
CN114670856A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
US11958365B2 (en) Method for dual-motor control on electric vehicle based on adaptive dynamic programming
CN108717265B (zh) 一种基于控制变量参数化的无人飞行器巡航跟踪控制系统及控制方法
CN106707764B (zh) 基于多级切换的动车组制动过程rbf模型参考自适应控制方法
CN108334086A (zh) 一种基于软约束二次规划mpc的无人驾驶车辆路径跟踪控制方法
CN109933021A (zh) 考虑车辆动力学参数不确定性的车辆队列稳定性控制方法
CN105136469A (zh) 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN110688920B (zh) 一种无人驾驶控制方法、装置及服务器
CN110758413B (zh) 一种基于系统参数辨识的列车速度自适应控制方法
CN110262219A (zh) 一种基于bp神经网络的电机pid自整定方法
CN105116733B (zh) 改良型粒子群寻优神经网络超声波电机控制系统及其方法
CN114253274B (zh) 基于数据驱动的网联混合车辆编队滚动优化控制方法
CN106708044A (zh) 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法
CN108958246A (zh) 无人车在U-Turn场景的轨迹跟踪控制方法
CN114488799B (zh) 汽车自适应巡航系统控制器参数优化方法
CN114326709B (zh) 一种基于模型预测控制的具有预览特性的智能车辆路径跟踪方法
CN114670856B (zh) 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN113911172A (zh) 一种基于自适应动态规划的高速列车优化运行控制方法
CN113485125A (zh) 一种适用于任意通信拓扑的含时滞车辆队列稳定性控制方法及系统
CN110414661A (zh) 一种空调系统负荷的预测方法及系统
CN116027669A (zh) 一种高速列车自适应滑模控制方法、系统及电子设备
CN112650053A (zh) 一种基于遗传算法优化的bp神经网络的电机pid自整定方法
CN106569503A (zh) 一种基于触发式预测控制的飞行器控制方法
CN113326962B (zh) 基于bp神经网络的地铁列车ato速度曲线预测方法
Abdulla et al. Roll control system design using auto tuning LQR technique
CN110851911A (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置

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