基于神經網絡PID控制汽車智能化研究

任麗娟

摘 要：汽車經過一百多年的發展，已成為人們生活不可或缺的交通工具。駕駛員、道路、汽車構成一個完整的有機系統。駕駛員的地位在車輛操縱穩定性的閉環研究中和智能車的開發中非常的重要，現在研究駕駛員速度控制行為特性較少。神經網絡自適應PID控制理論應用于本文中，對汽車速度神經網絡自適應PID控制進行研究。

關鍵詞：汽車 神經網絡 PID控制 智能

中圖分類號：U46 文獻標識碼：A 文章編號：1672-3791（2014）05（c）-0073-02

汽車以有將近百年的發展，以成為人們生活不可或缺的交通工具，使人們出行變得方便，提高人們的生活質量。但隨著汽車技術的進步和人民物質水平的提高，道路上越來越多的汽車，交通越來越擁擠，駕駛員的非職業性等等。使得交通事故頻繁發生，造成巨大的人員傷亡和財產損失。汽車交通安全已成為一個社會問題。為了解決這個問題，首先，汽車必須有良好的安全。一些功能的設計，主要研究方向之一是汽車的主動安全性是否良好。

汽車操縱穩定性的研究，已經有七十多年的歷史。目前，研究汽車本身的問題已經相當深入。然而，人們使用智能汽車模型操縱穩定性評價時，有這樣一個問題：缺乏基本了解對駕駛員的特性。因此，人們只知道方向盤輸入對應汽車的具體響應，很難確定駕駛員對系統的性能影響。通過了解，一些研究人員開始研究駕駛員模型和駕駛員汽車閉環系統。

本文根據實踐經驗和方向控制驅動模型，研究基于智能車輛的需求和汽車操縱穩定性評價研究閉環駕駛模型。基于車輛速度單神經元自適應PID控制的駕駛員模型。

1 神經網絡和PID控制

1.1 PID控制原理

PID控制是最早的控制策略，比例、積分和微分組合控制，控制被控對象，稱為PID控制器。自從計算機進入控制領域以來，模擬控制器被數字計算機代替組成計算機控制系統，在軟件上實現PID控制算法，對PID控制使用更靈活，因其控制簡單、可靠性高和魯棒性好成為生產中常見的控制方法，過程控制和運動控制被廣泛應用。模擬PID控制系統原理如圖1所示。系統是由PID控制器和控制對象，根據給定的值和輸出值來控制時間偏差，PID控制規則是：

比例環節是偏差信號成比例被放大；積分環節是累加比例偏差；微分環節是根據差值的變化速率，提前調節動作。PID參數預置是互補的，應該根據實際情況進行微調：控制量在目標值附近震蕩，首先增加積分時間，如果有振動，可適當降低比例增益P。控制量變化后難以恢復，首先增加比例增益P，如果恢復相對較慢，還可以適當的減少積分時間，還可以增加微分時間。

1.2 神經網絡控制

大腦神經元組成大腦的神經系統最基本的單位，大腦皮層神經元數量在101110～10個數量級。神經由胞體和許多的的突起構成。細胞體內細胞核，突起的作用是傳遞信息。作為輸入信號的若干個過程，稱為樹突；作為輸出端的突起只有一個。即軸突，把許多神經元連接在一個神經網絡，通過樹突和軸突的對接。

神經網絡學習功能是主要特征之一，神經元之間的連接強度或加權系數算法是通過學習規則，學習知識來適應環境的變化。修正加權系數在學習的過程中被修正。在工作期間，加權系數參與計算神經元的輸出。

監督學習和無監督學習是學習算法的兩類：第一，監督學習，外部的教師信號，當結果和期望的輸出之間存在誤差，連接強度的調整由網絡自動完成按照自動調整機制，經過多次反復跳幀，減少誤差，最終結果符合要求；第二，無監督學習，沒有外部的教師信號，其性能表現為自適應輸入空間的測試規則，學習過程為系統提供動態輸入信號，使各單位以某種方式競爭，獲得神經元本身或其鄰近域增強，其他神經元從而進一步抑制信號空間分為多個區域是非常有用的。常用的集中規則如下：

（1）有監督學習規則Hebb，Hebb學習是一種相關的學習。基本思想是：如果兩個神經元激活的同時，加強他們之間的連接強度和他們的激勵的乘積直接成正比的關系。

（2）有監督的Delta學習規則在Hebb學習規則中把教師信號引入。

（3）監督Hebb學習規則，非監督學習規則和有監督學習規則兩個組合在一起構成有監督Hebb學習規則。

2 汽車速度單神經元自適應PID控制

駕駛員鞏通過改變剎車踏板的位置和油門踏板控制車輛的縱向加速度和速度。由于涉及的控制引擎和輪胎等強非線性環節，所以它是一個強非線性參數時變系統。為了正確地描述駕駛員輸入的關系以及縱向油門踏板的反應，我們做一個綜合分析，采用汽車速度控制強非線性系統的工作點附近的局部線性化方法，簡化局部非線性參考模型來描述動態響應特性的汽車速度控制。這樣控制存在靜差，所以我們要先進行動力學模型參數的辨識，才能進行速度控制。

單神經元網絡是以神經元為節點，使用一個網絡拓撲構成的活性網絡。理論上實現任意非線性映射和逼近復雜的非線性關系。單神經元的自學習和自適應能力，結構簡單，易于計算。傳統的PID控制器由于其算法簡單、魯棒性好和可靠性高的優點，廣泛應用于工業過程控制。但是其對運行工況適應性不好，參數整點不良等缺點。通過兩者結合解決PID控制的不足，提高系統的性能。汽車速度的控制流程圖如圖2所示。

3 閉環系統仿真分析

為了驗證速度控制駕駛員模型的合理性，驗證汽車速度的單神經元自適應PID控制駕駛員模型比簡單的PID控制駕駛員模型具有更好的適應性和魯棒性。在仿真中，參考的縱向速度積分的方法為縱向參考位移的輸入；方向盤角設置為零，即線性速度跟隨仿真實驗，對于方向盤角為非零值的速度時，跟隨工況下存在的耦合，我們在這里主要介紹在汽車直線行駛時，在減速跟隨工況下進行仿真，汽車在簡單PID控制和單神經元自適應PID控制下進行仿真所得到的縱向速度、縱向加速度等參量相比較而繪制的曲線示意圖。圖3和圖4所示。

4 結論

應用神經網絡和PID控制原理，針對車輛動力學控制的特點，建立了強非線性特征基于車輛速度的單神經元自適應PID控制駕駛員模型，駕駛員-汽車-道路閉環系統進行了仿真分析，仿真結果和簡單的PID控制仿真結果進行比較。車輛速度的單神經元PID控制驅動模型比簡單的PID控制驅動驅動具有更好的適應性。提高了系統的性能，為汽車的智能化提供參數。

參考文獻

[1] XuH G，WangC X，YangR Q.ExtendedKalman filterbasedmag-netic guidance for intelligent vehicles[C]// Tokyo，Japan：Intell-igentVehicles Symposium.2006.

[2] 沈吟東，曾西洋.公共交通駕駛員調度的復雜性及解決方法[C]//2004計算機應用技術交流會議論文集.2004.

[3] 李冬輝，葉利濤.基于模糊神經網絡的故障診斷方法研究[J].組合機床與自動化加工技術，2005（4）.

[4] 王宏濤，劉朝勇，鄭世杰.基于模糊RBF神經網絡的復合材料結構脫層損傷監測研究[J].兵器材料科學與工程，2011（1）.

[5] 王述彥，師宇，馮忠緒.基于模糊PID控制器的控制方法研究[J].機械科學與技術，2011（1）.endprint

摘 要：汽車經過一百多年的發展，已成為人們生活不可或缺的交通工具。駕駛員、道路、汽車構成一個完整的有機系統。駕駛員的地位在車輛操縱穩定性的閉環研究中和智能車的開發中非常的重要，現在研究駕駛員速度控制行為特性較少。神經網絡自適應PID控制理論應用于本文中，對汽車速度神經網絡自適應PID控制進行研究。

關鍵詞：汽車 神經網絡 PID控制 智能

中圖分類號：U46 文獻標識碼：A 文章編號：1672-3791（2014）05（c）-0073-02

汽車以有將近百年的發展，以成為人們生活不可或缺的交通工具，使人們出行變得方便，提高人們的生活質量。但隨著汽車技術的進步和人民物質水平的提高，道路上越來越多的汽車，交通越來越擁擠，駕駛員的非職業性等等。使得交通事故頻繁發生，造成巨大的人員傷亡和財產損失。汽車交通安全已成為一個社會問題。為了解決這個問題，首先，汽車必須有良好的安全。一些功能的設計，主要研究方向之一是汽車的主動安全性是否良好。

汽車操縱穩定性的研究，已經有七十多年的歷史。目前，研究汽車本身的問題已經相當深入。然而，人們使用智能汽車模型操縱穩定性評價時，有這樣一個問題：缺乏基本了解對駕駛員的特性。因此，人們只知道方向盤輸入對應汽車的具體響應，很難確定駕駛員對系統的性能影響。通過了解，一些研究人員開始研究駕駛員模型和駕駛員汽車閉環系統。

本文根據實踐經驗和方向控制驅動模型，研究基于智能車輛的需求和汽車操縱穩定性評價研究閉環駕駛模型。基于車輛速度單神經元自適應PID控制的駕駛員模型。

1 神經網絡和PID控制

1.1 PID控制原理

PID控制是最早的控制策略，比例、積分和微分組合控制，控制被控對象，稱為PID控制器。自從計算機進入控制領域以來，模擬控制器被數字計算機代替組成計算機控制系統，在軟件上實現PID控制算法，對PID控制使用更靈活，因其控制簡單、可靠性高和魯棒性好成為生產中常見的控制方法，過程控制和運動控制被廣泛應用。模擬PID控制系統原理如圖1所示。系統是由PID控制器和控制對象，根據給定的值和輸出值來控制時間偏差，PID控制規則是：

比例環節是偏差信號成比例被放大；積分環節是累加比例偏差；微分環節是根據差值的變化速率，提前調節動作。PID參數預置是互補的，應該根據實際情況進行微調：控制量在目標值附近震蕩，首先增加積分時間，如果有振動，可適當降低比例增益P。控制量變化后難以恢復，首先增加比例增益P，如果恢復相對較慢，還可以適當的減少積分時間，還可以增加微分時間。

1.2 神經網絡控制

大腦神經元組成大腦的神經系統最基本的單位，大腦皮層神經元數量在101110～10個數量級。神經由胞體和許多的的突起構成。細胞體內細胞核，突起的作用是傳遞信息。作為輸入信號的若干個過程，稱為樹突；作為輸出端的突起只有一個。即軸突，把許多神經元連接在一個神經網絡，通過樹突和軸突的對接。

神經網絡學習功能是主要特征之一，神經元之間的連接強度或加權系數算法是通過學習規則，學習知識來適應環境的變化。修正加權系數在學習的過程中被修正。在工作期間，加權系數參與計算神經元的輸出。

監督學習和無監督學習是學習算法的兩類：第一，監督學習，外部的教師信號，當結果和期望的輸出之間存在誤差，連接強度的調整由網絡自動完成按照自動調整機制，經過多次反復跳幀，減少誤差，最終結果符合要求；第二，無監督學習，沒有外部的教師信號，其性能表現為自適應輸入空間的測試規則，學習過程為系統提供動態輸入信號，使各單位以某種方式競爭，獲得神經元本身或其鄰近域增強，其他神經元從而進一步抑制信號空間分為多個區域是非常有用的。常用的集中規則如下：

（1）有監督學習規則Hebb，Hebb學習是一種相關的學習。基本思想是：如果兩個神經元激活的同時，加強他們之間的連接強度和他們的激勵的乘積直接成正比的關系。

（2）有監督的Delta學習規則在Hebb學習規則中把教師信號引入。

（3）監督Hebb學習規則，非監督學習規則和有監督學習規則兩個組合在一起構成有監督Hebb學習規則。

2 汽車速度單神經元自適應PID控制

駕駛員鞏通過改變剎車踏板的位置和油門踏板控制車輛的縱向加速度和速度。由于涉及的控制引擎和輪胎等強非線性環節，所以它是一個強非線性參數時變系統。為了正確地描述駕駛員輸入的關系以及縱向油門踏板的反應，我們做一個綜合分析，采用汽車速度控制強非線性系統的工作點附近的局部線性化方法，簡化局部非線性參考模型來描述動態響應特性的汽車速度控制。這樣控制存在靜差，所以我們要先進行動力學模型參數的辨識，才能進行速度控制。

單神經元網絡是以神經元為節點，使用一個網絡拓撲構成的活性網絡。理論上實現任意非線性映射和逼近復雜的非線性關系。單神經元的自學習和自適應能力，結構簡單，易于計算。傳統的PID控制器由于其算法簡單、魯棒性好和可靠性高的優點，廣泛應用于工業過程控制。但是其對運行工況適應性不好，參數整點不良等缺點。通過兩者結合解決PID控制的不足，提高系統的性能。汽車速度的控制流程圖如圖2所示。

3 閉環系統仿真分析

為了驗證速度控制駕駛員模型的合理性，驗證汽車速度的單神經元自適應PID控制駕駛員模型比簡單的PID控制駕駛員模型具有更好的適應性和魯棒性。在仿真中，參考的縱向速度積分的方法為縱向參考位移的輸入；方向盤角設置為零，即線性速度跟隨仿真實驗，對于方向盤角為非零值的速度時，跟隨工況下存在的耦合，我們在這里主要介紹在汽車直線行駛時，在減速跟隨工況下進行仿真，汽車在簡單PID控制和單神經元自適應PID控制下進行仿真所得到的縱向速度、縱向加速度等參量相比較而繪制的曲線示意圖。圖3和圖4所示。

4 結論

應用神經網絡和PID控制原理，針對車輛動力學控制的特點，建立了強非線性特征基于車輛速度的單神經元自適應PID控制駕駛員模型，駕駛員-汽車-道路閉環系統進行了仿真分析，仿真結果和簡單的PID控制仿真結果進行比較。車輛速度的單神經元PID控制驅動模型比簡單的PID控制驅動驅動具有更好的適應性。提高了系統的性能，為汽車的智能化提供參數。

參考文獻

[1] XuH G，WangC X，YangR Q.ExtendedKalman filterbasedmag-netic guidance for intelligent vehicles[C]// Tokyo，Japan：Intell-igentVehicles Symposium.2006.

[2] 沈吟東，曾西洋.公共交通駕駛員調度的復雜性及解決方法[C]//2004計算機應用技術交流會議論文集.2004.

[3] 李冬輝，葉利濤.基于模糊神經網絡的故障診斷方法研究[J].組合機床與自動化加工技術，2005（4）.

[4] 王宏濤，劉朝勇，鄭世杰.基于模糊RBF神經網絡的復合材料結構脫層損傷監測研究[J].兵器材料科學與工程，2011（1）.

[5] 王述彥，師宇，馮忠緒.基于模糊PID控制器的控制方法研究[J].機械科學與技術，2011（1）.endprint

摘 要：汽車經過一百多年的發展，已成為人們生活不可或缺的交通工具。駕駛員、道路、汽車構成一個完整的有機系統。駕駛員的地位在車輛操縱穩定性的閉環研究中和智能車的開發中非常的重要，現在研究駕駛員速度控制行為特性較少。神經網絡自適應PID控制理論應用于本文中，對汽車速度神經網絡自適應PID控制進行研究。

關鍵詞：汽車 神經網絡 PID控制 智能

中圖分類號：U46 文獻標識碼：A 文章編號：1672-3791（2014）05（c）-0073-02

汽車以有將近百年的發展，以成為人們生活不可或缺的交通工具，使人們出行變得方便，提高人們的生活質量。但隨著汽車技術的進步和人民物質水平的提高，道路上越來越多的汽車，交通越來越擁擠，駕駛員的非職業性等等。使得交通事故頻繁發生，造成巨大的人員傷亡和財產損失。汽車交通安全已成為一個社會問題。為了解決這個問題，首先，汽車必須有良好的安全。一些功能的設計，主要研究方向之一是汽車的主動安全性是否良好。

汽車操縱穩定性的研究，已經有七十多年的歷史。目前，研究汽車本身的問題已經相當深入。然而，人們使用智能汽車模型操縱穩定性評價時，有這樣一個問題：缺乏基本了解對駕駛員的特性。因此，人們只知道方向盤輸入對應汽車的具體響應，很難確定駕駛員對系統的性能影響。通過了解，一些研究人員開始研究駕駛員模型和駕駛員汽車閉環系統。

本文根據實踐經驗和方向控制驅動模型，研究基于智能車輛的需求和汽車操縱穩定性評價研究閉環駕駛模型。基于車輛速度單神經元自適應PID控制的駕駛員模型。

1 神經網絡和PID控制

1.1 PID控制原理

PID控制是最早的控制策略，比例、積分和微分組合控制，控制被控對象，稱為PID控制器。自從計算機進入控制領域以來，模擬控制器被數字計算機代替組成計算機控制系統，在軟件上實現PID控制算法，對PID控制使用更靈活，因其控制簡單、可靠性高和魯棒性好成為生產中常見的控制方法，過程控制和運動控制被廣泛應用。模擬PID控制系統原理如圖1所示。系統是由PID控制器和控制對象，根據給定的值和輸出值來控制時間偏差，PID控制規則是：

比例環節是偏差信號成比例被放大；積分環節是累加比例偏差；微分環節是根據差值的變化速率，提前調節動作。PID參數預置是互補的，應該根據實際情況進行微調：控制量在目標值附近震蕩，首先增加積分時間，如果有振動，可適當降低比例增益P。控制量變化后難以恢復，首先增加比例增益P，如果恢復相對較慢，還可以適當的減少積分時間，還可以增加微分時間。

1.2 神經網絡控制

大腦神經元組成大腦的神經系統最基本的單位，大腦皮層神經元數量在101110～10個數量級。神經由胞體和許多的的突起構成。細胞體內細胞核，突起的作用是傳遞信息。作為輸入信號的若干個過程，稱為樹突；作為輸出端的突起只有一個。即軸突，把許多神經元連接在一個神經網絡，通過樹突和軸突的對接。

神經網絡學習功能是主要特征之一，神經元之間的連接強度或加權系數算法是通過學習規則，學習知識來適應環境的變化。修正加權系數在學習的過程中被修正。在工作期間，加權系數參與計算神經元的輸出。

監督學習和無監督學習是學習算法的兩類：第一，監督學習，外部的教師信號，當結果和期望的輸出之間存在誤差，連接強度的調整由網絡自動完成按照自動調整機制，經過多次反復跳幀，減少誤差，最終結果符合要求；第二，無監督學習，沒有外部的教師信號，其性能表現為自適應輸入空間的測試規則，學習過程為系統提供動態輸入信號，使各單位以某種方式競爭，獲得神經元本身或其鄰近域增強，其他神經元從而進一步抑制信號空間分為多個區域是非常有用的。常用的集中規則如下：

（1）有監督學習規則Hebb，Hebb學習是一種相關的學習。基本思想是：如果兩個神經元激活的同時，加強他們之間的連接強度和他們的激勵的乘積直接成正比的關系。

（2）有監督的Delta學習規則在Hebb學習規則中把教師信號引入。

（3）監督Hebb學習規則，非監督學習規則和有監督學習規則兩個組合在一起構成有監督Hebb學習規則。

2 汽車速度單神經元自適應PID控制

駕駛員鞏通過改變剎車踏板的位置和油門踏板控制車輛的縱向加速度和速度。由于涉及的控制引擎和輪胎等強非線性環節，所以它是一個強非線性參數時變系統。為了正確地描述駕駛員輸入的關系以及縱向油門踏板的反應，我們做一個綜合分析，采用汽車速度控制強非線性系統的工作點附近的局部線性化方法，簡化局部非線性參考模型來描述動態響應特性的汽車速度控制。這樣控制存在靜差，所以我們要先進行動力學模型參數的辨識，才能進行速度控制。

單神經元網絡是以神經元為節點，使用一個網絡拓撲構成的活性網絡。理論上實現任意非線性映射和逼近復雜的非線性關系。單神經元的自學習和自適應能力，結構簡單，易于計算。傳統的PID控制器由于其算法簡單、魯棒性好和可靠性高的優點，廣泛應用于工業過程控制。但是其對運行工況適應性不好，參數整點不良等缺點。通過兩者結合解決PID控制的不足，提高系統的性能。汽車速度的控制流程圖如圖2所示。

3 閉環系統仿真分析

為了驗證速度控制駕駛員模型的合理性，驗證汽車速度的單神經元自適應PID控制駕駛員模型比簡單的PID控制駕駛員模型具有更好的適應性和魯棒性。在仿真中，參考的縱向速度積分的方法為縱向參考位移的輸入；方向盤角設置為零，即線性速度跟隨仿真實驗，對于方向盤角為非零值的速度時，跟隨工況下存在的耦合，我們在這里主要介紹在汽車直線行駛時，在減速跟隨工況下進行仿真，汽車在簡單PID控制和單神經元自適應PID控制下進行仿真所得到的縱向速度、縱向加速度等參量相比較而繪制的曲線示意圖。圖3和圖4所示。

4 結論

應用神經網絡和PID控制原理，針對車輛動力學控制的特點，建立了強非線性特征基于車輛速度的單神經元自適應PID控制駕駛員模型，駕駛員-汽車-道路閉環系統進行了仿真分析，仿真結果和簡單的PID控制仿真結果進行比較。車輛速度的單神經元PID控制驅動模型比簡單的PID控制驅動驅動具有更好的適應性。提高了系統的性能，為汽車的智能化提供參數。

參考文獻

[1] XuH G，WangC X，YangR Q.ExtendedKalman filterbasedmag-netic guidance for intelligent vehicles[C]// Tokyo，Japan：Intell-igentVehicles Symposium.2006.

[2] 沈吟東，曾西洋.公共交通駕駛員調度的復雜性及解決方法[C]//2004計算機應用技術交流會議論文集.2004.

[3] 李冬輝，葉利濤.基于模糊神經網絡的故障診斷方法研究[J].組合機床與自動化加工技術，2005（4）.

[4] 王宏濤，劉朝勇，鄭世杰.基于模糊RBF神經網絡的復合材料結構脫層損傷監測研究[J].兵器材料科學與工程，2011（1）.

[5] 王述彥，師宇，馮忠緒.基于模糊PID控制器的控制方法研究[J].機械科學與技術，2011（1）.endprint