自動巡航汽車自適應逆控制的建模與仿真

李世一　解淑英　杜紹研

摘 要： 研究神經網絡非線性系統的自適應建模和逆建模策略用于非線性的自動巡航系統的控制及可行性。通過對自適應逆控制方法與現行的反饋控制、模糊控制、PID控制進行對比，并在有干擾的情況下系統需要一定的收斂時間，通過運用Matlab軟件進行仿真。根據仿真結果分析，當對象輸出沒有受到干擾時，其在線辨識對象模型和逆模型有十分好的效果；當對象輸出存在一些干擾時，由于干擾的存在，需要一段時間來將兩個辨識模型收斂。因此，基于動態神經網絡的非線性自適應逆控制系統是十分可行的。

關鍵詞： 自動巡航汽車； 自適應逆控制； 神經網絡； 非線性系統

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）06?0019?02

由測速裝置、轉向角傳感器、車速傳感器等部件組成的巡航控制系統是現今的汽車巡航控制系統的主體部分，自動巡航控制系統的研究是近些年來國內外研究的主要方向。當道路情況良好時，該系統就與普通的巡航系統大致相同；當行駛的汽車速度較高或者是行駛過程中與前一輛車之間的距離較近時，通過感應，系統就會適當減速，以避免追尾事件[1]。國內有多所高校和科研單位已經開始從事汽車自動巡航控制系統的研究[2?4]。目前，汽車自動巡航控制系統的控制策略有多種，其主要有PID調節方式、自適應控制、模糊控制等。汽車巡航控制系統中的模糊控制器不需要精確的數字，也不需要精準的數學模型，其數據主要來源于該汽車設定的車速與實際車速的偏差和變化率，因此該系統的確定就使得其規則和隸屬函數不能隨外界參數的變化而進行調整。

1 自適應逆控制與現行控制技術比較

自適應逆控制[5]是通過運用自適應濾波方法來辨別被控對象的逆模型來實現精確控制的。通過該對象本身傳遞函數的逆（控制器）來驅動對象，并以此來控制對象的動態性能，是一種前饋控制。傳統的反饋和自適應控制中針對噪聲和擾動的控制都是通過從輸出到輸入的負反饋，設計中只能在擾動消除和系統動態特性之間進行折中。但對于自適應逆控制而言，對擾動的控制和對象動態特性的控制是兩個單獨的單元，可以互不干擾。模糊控制，即通過運用模糊數學，系統性的模仿人工控制活動的策略。汽車巡航控制器通過模糊判斷以及模糊控制規則來設定汽車的實際車速[6]。PID控制是根據實際車速與設定車速的偏差來實現汽車不變參數的巡航控制。PID控制優點較多，但對于特性復雜的時變或非線性的過程，如果出現參數調整不當等現象，會使得系統不停地振蕩以至于控制效果不佳。神經網絡自適應控制系統在逼近非線性函數方面具有極大的優越性[7?8]。動態神經網絡可作為一類非線性自適應濾波器，可用于非線性自適應逆控制系統的對象的正向和逆向建模控制。因此，本文將以非線性自適應逆控制研究為基礎，設計出較為合理的動態神經網絡結構。

2 神經網絡非線性系統逆建模結構

直接法和間接法是神經網絡建立非線性系統逆建模運用的主要辨識結構。本文通過間接法，針對對象模型，運用非線性系統辨識的方法建立對象逆模型，如圖1所示。其中，DAFNN?1是根據在線建立的被控對象動態神經網絡模型，DAFNN?2是根據參考模型建立的被控對象的逆模型，即系統控制器。在建模和逆建模的過程中，利用S函數的傾斜度來調整DAFNN?1和DAFNN?2的輸出層權值，達到實時跟蹤的效果。

3 非線性系統神經網絡逆建模仿真研究

為說明神經網絡自適應逆控制系統的工作性能，對如下非線性系統進行仿真實驗：

令參考模型為[d（k）=sin（r（k）100）]（k=1：4 000），dist為白噪聲干擾，DAFNN?2（l）隱層包含5個神經元，DAFNN?2（2）隱層包含8個神經元，可得到下列仿真結果如圖2，圖3所示。

根據仿真結果分析，當對象輸出沒有受到干擾時，其在線辨識對象模型和逆模型有十分好的效果；當對象輸出存在一些干擾時，由于干擾的存在，需要一段時間來將兩個辨識模型收斂。總體可見，基于動態神經網絡的非線性自適應逆控制系統是十分可行的。

4 結 語

本文基于目前國內外對汽車自動巡航系統的綜合考研，設定了基于神經網絡結構的非線性控制系統，并通過對一個非線性系統的仿真具體分析得到了較為良好的控制效果。通過仿真結果分析，該神經網絡結構可適用于非線性的自動巡航系統，通過調節S函數的傾斜度實現控制器的實時校正以及輸出層的權值，具有時間短、無超調等優點，因此有較高的實際應用價值。

參考文獻

[1] 陳達興.自適應巡航控制系統中前方有效目標識別算法研究[D].長春：吉林大學，2011.

[2] 蘇玉剛.汽車ATM的系統設計和智能控制技術研究[D].重慶：重慶大學，2004.

[3] 朱永強.汽車自適應巡航系統的控制策略開發及行駛環境評估[D].長春：吉林大學，2007.

[4] 張德兆，王建強，劉佳熙，等.加速度連續型自適應巡航控制模式切換策略[J].北京：清華大學學報：自然科學版，2010（8）：1277?1281.

[5] WIDROW B， WALACH E. Adaptive inverse control [C]// Proceedings of the 1993 IEEE International Symposium on Intelligent Control. Chicago， IL： IEEE， 1993： 1?6.

[6] 田雷.汽車自適應巡航系統的模糊自校正控制算法研究[J].長春：吉林大學，2006.

[7] 李明，楊成梧.PID神經網絡的改進PSO學習算法[C]//Proceedings of the 25th Chinese Control Conference. Harbin， Heilongjiang： [s.n.]， 2006： 1123?1125.

[8] 李明，楊成梧.經過改進的NARX回歸神經網絡[J].電氣自動化，2006，13（3）：56?38.

摘 要： 研究神經網絡非線性系統的自適應建模和逆建模策略用于非線性的自動巡航系統的控制及可行性。通過對自適應逆控制方法與現行的反饋控制、模糊控制、PID控制進行對比，并在有干擾的情況下系統需要一定的收斂時間，通過運用Matlab軟件進行仿真。根據仿真結果分析，當對象輸出沒有受到干擾時，其在線辨識對象模型和逆模型有十分好的效果；當對象輸出存在一些干擾時，由于干擾的存在，需要一段時間來將兩個辨識模型收斂。因此，基于動態神經網絡的非線性自適應逆控制系統是十分可行的。

關鍵詞： 自動巡航汽車； 自適應逆控制； 神經網絡； 非線性系統

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）06?0019?02

由測速裝置、轉向角傳感器、車速傳感器等部件組成的巡航控制系統是現今的汽車巡航控制系統的主體部分，自動巡航控制系統的研究是近些年來國內外研究的主要方向。當道路情況良好時，該系統就與普通的巡航系統大致相同；當行駛的汽車速度較高或者是行駛過程中與前一輛車之間的距離較近時，通過感應，系統就會適當減速，以避免追尾事件[1]。國內有多所高校和科研單位已經開始從事汽車自動巡航控制系統的研究[2?4]。目前，汽車自動巡航控制系統的控制策略有多種，其主要有PID調節方式、自適應控制、模糊控制等。汽車巡航控制系統中的模糊控制器不需要精確的數字，也不需要精準的數學模型，其數據主要來源于該汽車設定的車速與實際車速的偏差和變化率，因此該系統的確定就使得其規則和隸屬函數不能隨外界參數的變化而進行調整。

1 自適應逆控制與現行控制技術比較

自適應逆控制[5]是通過運用自適應濾波方法來辨別被控對象的逆模型來實現精確控制的。通過該對象本身傳遞函數的逆（控制器）來驅動對象，并以此來控制對象的動態性能，是一種前饋控制。傳統的反饋和自適應控制中針對噪聲和擾動的控制都是通過從輸出到輸入的負反饋，設計中只能在擾動消除和系統動態特性之間進行折中。但對于自適應逆控制而言，對擾動的控制和對象動態特性的控制是兩個單獨的單元，可以互不干擾。模糊控制，即通過運用模糊數學，系統性的模仿人工控制活動的策略。汽車巡航控制器通過模糊判斷以及模糊控制規則來設定汽車的實際車速[6]。PID控制是根據實際車速與設定車速的偏差來實現汽車不變參數的巡航控制。PID控制優點較多，但對于特性復雜的時變或非線性的過程，如果出現參數調整不當等現象，會使得系統不停地振蕩以至于控制效果不佳。神經網絡自適應控制系統在逼近非線性函數方面具有極大的優越性[7?8]。動態神經網絡可作為一類非線性自適應濾波器，可用于非線性自適應逆控制系統的對象的正向和逆向建模控制。因此，本文將以非線性自適應逆控制研究為基礎，設計出較為合理的動態神經網絡結構。

2 神經網絡非線性系統逆建模結構

直接法和間接法是神經網絡建立非線性系統逆建模運用的主要辨識結構。本文通過間接法，針對對象模型，運用非線性系統辨識的方法建立對象逆模型，如圖1所示。其中，DAFNN?1是根據在線建立的被控對象動態神經網絡模型，DAFNN?2是根據參考模型建立的被控對象的逆模型，即系統控制器。在建模和逆建模的過程中，利用S函數的傾斜度來調整DAFNN?1和DAFNN?2的輸出層權值，達到實時跟蹤的效果。

3 非線性系統神經網絡逆建模仿真研究

為說明神經網絡自適應逆控制系統的工作性能，對如下非線性系統進行仿真實驗：

令參考模型為[d（k）=sin（r（k）100）]（k=1：4 000），dist為白噪聲干擾，DAFNN?2（l）隱層包含5個神經元，DAFNN?2（2）隱層包含8個神經元，可得到下列仿真結果如圖2，圖3所示。

根據仿真結果分析，當對象輸出沒有受到干擾時，其在線辨識對象模型和逆模型有十分好的效果；當對象輸出存在一些干擾時，由于干擾的存在，需要一段時間來將兩個辨識模型收斂。總體可見，基于動態神經網絡的非線性自適應逆控制系統是十分可行的。

4 結 語

本文基于目前國內外對汽車自動巡航系統的綜合考研，設定了基于神經網絡結構的非線性控制系統，并通過對一個非線性系統的仿真具體分析得到了較為良好的控制效果。通過仿真結果分析，該神經網絡結構可適用于非線性的自動巡航系統，通過調節S函數的傾斜度實現控制器的實時校正以及輸出層的權值，具有時間短、無超調等優點，因此有較高的實際應用價值。

參考文獻

[1] 陳達興.自適應巡航控制系統中前方有效目標識別算法研究[D].長春：吉林大學，2011.

[2] 蘇玉剛.汽車ATM的系統設計和智能控制技術研究[D].重慶：重慶大學，2004.

[3] 朱永強.汽車自適應巡航系統的控制策略開發及行駛環境評估[D].長春：吉林大學，2007.

[4] 張德兆，王建強，劉佳熙，等.加速度連續型自適應巡航控制模式切換策略[J].北京：清華大學學報：自然科學版，2010（8）：1277?1281.

[5] WIDROW B， WALACH E. Adaptive inverse control [C]// Proceedings of the 1993 IEEE International Symposium on Intelligent Control. Chicago， IL： IEEE， 1993： 1?6.

[6] 田雷.汽車自適應巡航系統的模糊自校正控制算法研究[J].長春：吉林大學，2006.

[7] 李明，楊成梧.PID神經網絡的改進PSO學習算法[C]//Proceedings of the 25th Chinese Control Conference. Harbin， Heilongjiang： [s.n.]， 2006： 1123?1125.

[8] 李明，楊成梧.經過改進的NARX回歸神經網絡[J].電氣自動化，2006，13（3）：56?38.

摘 要： 研究神經網絡非線性系統的自適應建模和逆建模策略用于非線性的自動巡航系統的控制及可行性。通過對自適應逆控制方法與現行的反饋控制、模糊控制、PID控制進行對比，并在有干擾的情況下系統需要一定的收斂時間，通過運用Matlab軟件進行仿真。根據仿真結果分析，當對象輸出沒有受到干擾時，其在線辨識對象模型和逆模型有十分好的效果；當對象輸出存在一些干擾時，由于干擾的存在，需要一段時間來將兩個辨識模型收斂。因此，基于動態神經網絡的非線性自適應逆控制系統是十分可行的。

關鍵詞： 自動巡航汽車； 自適應逆控制； 神經網絡； 非線性系統

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）06?0019?02

由測速裝置、轉向角傳感器、車速傳感器等部件組成的巡航控制系統是現今的汽車巡航控制系統的主體部分，自動巡航控制系統的研究是近些年來國內外研究的主要方向。當道路情況良好時，該系統就與普通的巡航系統大致相同；當行駛的汽車速度較高或者是行駛過程中與前一輛車之間的距離較近時，通過感應，系統就會適當減速，以避免追尾事件[1]。國內有多所高校和科研單位已經開始從事汽車自動巡航控制系統的研究[2?4]。目前，汽車自動巡航控制系統的控制策略有多種，其主要有PID調節方式、自適應控制、模糊控制等。汽車巡航控制系統中的模糊控制器不需要精確的數字，也不需要精準的數學模型，其數據主要來源于該汽車設定的車速與實際車速的偏差和變化率，因此該系統的確定就使得其規則和隸屬函數不能隨外界參數的變化而進行調整。

1 自適應逆控制與現行控制技術比較

自適應逆控制[5]是通過運用自適應濾波方法來辨別被控對象的逆模型來實現精確控制的。通過該對象本身傳遞函數的逆（控制器）來驅動對象，并以此來控制對象的動態性能，是一種前饋控制。傳統的反饋和自適應控制中針對噪聲和擾動的控制都是通過從輸出到輸入的負反饋，設計中只能在擾動消除和系統動態特性之間進行折中。但對于自適應逆控制而言，對擾動的控制和對象動態特性的控制是兩個單獨的單元，可以互不干擾。模糊控制，即通過運用模糊數學，系統性的模仿人工控制活動的策略。汽車巡航控制器通過模糊判斷以及模糊控制規則來設定汽車的實際車速[6]。PID控制是根據實際車速與設定車速的偏差來實現汽車不變參數的巡航控制。PID控制優點較多，但對于特性復雜的時變或非線性的過程，如果出現參數調整不當等現象，會使得系統不停地振蕩以至于控制效果不佳。神經網絡自適應控制系統在逼近非線性函數方面具有極大的優越性[7?8]。動態神經網絡可作為一類非線性自適應濾波器，可用于非線性自適應逆控制系統的對象的正向和逆向建模控制。因此，本文將以非線性自適應逆控制研究為基礎，設計出較為合理的動態神經網絡結構。

2 神經網絡非線性系統逆建模結構

直接法和間接法是神經網絡建立非線性系統逆建模運用的主要辨識結構。本文通過間接法，針對對象模型，運用非線性系統辨識的方法建立對象逆模型，如圖1所示。其中，DAFNN?1是根據在線建立的被控對象動態神經網絡模型，DAFNN?2是根據參考模型建立的被控對象的逆模型，即系統控制器。在建模和逆建模的過程中，利用S函數的傾斜度來調整DAFNN?1和DAFNN?2的輸出層權值，達到實時跟蹤的效果。

3 非線性系統神經網絡逆建模仿真研究

為說明神經網絡自適應逆控制系統的工作性能，對如下非線性系統進行仿真實驗：

令參考模型為[d（k）=sin（r（k）100）]（k=1：4 000），dist為白噪聲干擾，DAFNN?2（l）隱層包含5個神經元，DAFNN?2（2）隱層包含8個神經元，可得到下列仿真結果如圖2，圖3所示。

根據仿真結果分析，當對象輸出沒有受到干擾時，其在線辨識對象模型和逆模型有十分好的效果；當對象輸出存在一些干擾時，由于干擾的存在，需要一段時間來將兩個辨識模型收斂。總體可見，基于動態神經網絡的非線性自適應逆控制系統是十分可行的。

4 結 語

本文基于目前國內外對汽車自動巡航系統的綜合考研，設定了基于神經網絡結構的非線性控制系統，并通過對一個非線性系統的仿真具體分析得到了較為良好的控制效果。通過仿真結果分析，該神經網絡結構可適用于非線性的自動巡航系統，通過調節S函數的傾斜度實現控制器的實時校正以及輸出層的權值，具有時間短、無超調等優點，因此有較高的實際應用價值。

參考文獻

[1] 陳達興.自適應巡航控制系統中前方有效目標識別算法研究[D].長春：吉林大學，2011.

[2] 蘇玉剛.汽車ATM的系統設計和智能控制技術研究[D].重慶：重慶大學，2004.

[3] 朱永強.汽車自適應巡航系統的控制策略開發及行駛環境評估[D].長春：吉林大學，2007.

[4] 張德兆，王建強，劉佳熙，等.加速度連續型自適應巡航控制模式切換策略[J].北京：清華大學學報：自然科學版，2010（8）：1277?1281.

[5] WIDROW B， WALACH E. Adaptive inverse control [C]// Proceedings of the 1993 IEEE International Symposium on Intelligent Control. Chicago， IL： IEEE， 1993： 1?6.

[6] 田雷.汽車自適應巡航系統的模糊自校正控制算法研究[J].長春：吉林大學，2006.

[7] 李明，楊成梧.PID神經網絡的改進PSO學習算法[C]//Proceedings of the 25th Chinese Control Conference. Harbin， Heilongjiang： [s.n.]， 2006： 1123?1125.

[8] 李明，楊成梧.經過改進的NARX回歸神經網絡[J].電氣自動化，2006，13（3）：56?38.