基于模糊神經網絡的智能車輛循跡控制*

張 琨,崔勝民,王劍鋒

(1.哈爾濱工業大學汽車工程學院，威海 264209； 2.華晨汽車工程研究院，沈陽 110141)

?

2015007

基于模糊神經網絡的智能車輛循跡控制*

張 琨1,2,崔勝民1,王劍鋒1

(1.哈爾濱工業大學汽車工程學院，威海 264209； 2.華晨汽車工程研究院，沈陽 110141)

為提高智能車輛自主循跡控制的精度，提出了一種基于模糊神經網絡控制(FNNC)和神經網絡預測(NNP)的智能循跡控制策略。轉向控制器的輸入量有3個：預瞄點處的橫向循跡誤差、汽車橫擺角速度和側向加速度。車速控制器的輸入量有4個：預瞄點處的面積誤差、側向加速度、汽車側偏角和轉向盤轉角。網絡訓練采用誤差反向傳播法。仿真與試驗結果表明，所設計的循跡控制器通過對駕駛員操作樣本的訓練，能實現對車輛的車速與轉向控制，橫向循跡誤差和目標車速均比較理想。

智能車輛；循跡控制；模糊神經網絡

前言

智能車輛作為一個復雜的非線性系統，自主循跡控制一直是其控制的難點和核心技術。在以往的研究中，車速與轉向控制經常被解耦，是分開控制的。文獻[1]中提出一種由期望航向偏差生成器和反饋系統組成的智能車輛循跡橫向控制方法，試驗結果證明該方法在非結構化道路上具有較好的跟蹤效果。文獻[2]中分析了車輛在循跡時前后輪的幾何學關系，建立了一種簡單的橫向控制模型，在小角度跟蹤條件下這種方法取得了良好的控制效果。文獻[3]中研究了前后車輛的縱向運動學和動力學模型，采用PID控制實現了智能車輛循跡時的車速保持和安全車距控制。文獻[4]中設計了卡爾曼濾波器分別對幾種工況下的道路試驗數據進行預處理，基于最小二乘法對車輛縱向動力學參數進行辨識，最終得出的辨識模型與試驗結果吻合良好。文獻[5]中在分析非線性車輛縱向動力學模型的基礎上，采用一種簡化模型設計自適應油門控制器，并應用Lyapunov方法證明了控制系統的穩定性。文獻[6]中通過系統辨識的方法建立了智能車輛運動學和動力學狀態空間方程，通過最優控制方法實現了智能車輛的自主導航與循跡控制。文獻[7]中參照人工神經網絡的拓撲結構建立了基于預瞄優化人工神經網絡的轉向控制模型，控制器在復雜路面的應用中得到有效驗證。在大曲率弧線路徑的跟蹤過程中，由于存在大的角度偏差，車輛模型已經失去了線性條件，系統的狀態方程已不能準確描述被控系統的特性。

模糊神經網絡控制同時具有模糊控制知識表達容易和神經網絡自學習能力強的優點，不依賴于對象的深層次知識，非常適合復雜非線性系統控制問題的研究[8]。本文中將智能車輛的速度和轉向控制作為一個整體，考慮了輪胎側偏特性對整車系統動力學的影響，設計的循跡控制器由兩類模糊神經網絡組成：一類是神經網絡預測器NNP用于目標期望車速的預測；另一類是模糊神經網絡控制器FNNC用于轉向和車速的控制。

1 循跡控制原理

1.1 線性2自由度汽車模型

本文中所用的線性2自由度汽車模型如圖1所示。該模型忽略了汽車的俯仰與側傾運動，車身只做平行于地面的運動。

圖中：δf、δr為前、后輪轉向角；βf、βr為前、后輪側偏角；vf、vr為前、后輪速度；Fxf、Fxr為前、后輪縱向力；Fyf、Fyr為前、后輪側向力；a、b為車輛質心到前、后軸的距離；β為整車側偏角。

整車的動力學方程為

(1)

式中：m為汽車質量；Iz為轉動慣量；v為車速；γ為整車相對質心的橫擺角速度。

fx、fy和τz表示為

(2)

1.2 虛擬目標跟隨控制策略

智能車輛的循跡控制可視作對車輛行駛軌跡上前方某一虛擬目標車輛的預瞄和跟隨，即預瞄最優曲率模型和預瞄最優加速度模型[9-10]。在此基礎上，提出一種基于神經網絡預測的虛擬目標跟隨控制策略，如圖2所示。其對應的數學模型為

(3)

式中：vt為當前車速；vt+1為目標車速；βt+1為目標側偏角；γt+1為目標橫擺角速度；L為預瞄距離。

將式(3)轉換為狀態空間的形式，并解耦為橫向模型和縱向模型，橫向模型可表示為

(4)

其中x和ωi+1可表示為

(5)

a11、a12和a22可表示為

(6)

分析式(4)和式(6)，可知轉向控制的主要影響因素是預瞄點處的位置誤差、車輛側偏角和車輛橫擺角。

縱向模型可表示為

(7)

分析式(7)可知，車速控制的主要影響因素是目標期望車速vt+1和當前車速vt。考慮式(3)的解耦是以側偏角β足夠小為前提的，在大曲率轉彎時，車速和轉向控制還應充分考慮側偏角的影響。

2 控制器的設計

本文中設計的智能車輛循跡控制器的系統結構如圖3所示。NNP預測器通過當前車速vt預測預瞄點處的車速vt+1，并作為車速FNNC的訓練樣本。

2.1 車速NNP預測

神經網絡預測器NNP采用正向模型，網絡結構為4層BP網絡，如圖4所示。

圖中：ω1、ω2、ω3為各層的網絡權值。網絡的輸入為前兩個時刻的虛擬目標車速及其所對應的當前車速，輸入輸出關系為

yd(k)=f(y(k-1),y(k-2),x(k-1),x(k-2))

(8)

網絡以系統的實際輸出與預測器輸出的差值作為學習信號，定義誤差函數E1為

(9)

式中：ydi為網絡期望輸出；yi為系統實際輸出；m為樣本個數。

2.2 轉向與車速FNNC控制

轉向FNNC控制的網絡結構如圖5所示。網絡輸入量為預瞄點處的橫向循跡誤差e、汽車橫擺角γ和側向加速度Ay。神經網絡為5層結構，分別為輸入層、輸入隸屬函數層、模糊推理層、輸出隸屬函數層和輸出層。

FNNC控制訓練樣本選取2008年MSC公司在其Ann Arbor專業賽道上進行車輛測試時采集到的部分相關試驗數據[11]。經過篩選，共選取3 969組比較典型的試驗數據作為FNNC的訓練樣本，見表1。篇幅所限，這里只給出5組樣本數據，其中樣本輸入1為預瞄點處的橫向循跡誤差；樣本輸入2為汽車橫擺角；樣本輸入3為汽車的側向加速度；樣本輸出為轉向盤轉角δ。

表1 訓練樣本

模糊語言值共有5個：NB、NS、ZE、PS和PB，共產生模糊規則125條。

其中兩個輸入量Ay和e的訓練前后隸屬函數變化如圖6所示。圖中虛線代表訓練前的隸屬度函數，實線代表訓練后的隸屬度函數。二者對應的FIS(fuzzy inference surface)輸出曲面如圖7所示。

車速FNNC控制器的輸入為預瞄點處的面積誤差E，側向加速度Ay，汽車側偏角β和轉向盤轉角δ。樣本樣式、神經網絡結構、模糊規則和返傳誤差均與轉向FNNC相同。

3 仿真與試驗

在Matlab/Simulink與Carsim環境下進行了多彎道道路試驗。

多彎道道路試驗在如圖8所示的道路上進行。試驗道路全長2 235m，由不同曲率的11個主要彎道組成，如圖9所示。

在三維坐標系中給出了試驗道路和車輛軌跡的對比，如圖10所示。循跡控制器很好地完成了任務，且控制器受道路曲率變化的影響小，魯棒性強。

圖11為車輛循跡誤差。由圖可見，循跡誤差多集中于±0.5m之間。此誤差相對于控制標準(道路寬度與車輛寬度之差的一半)有足夠的余量，表明所設計的控制器精度較高，可以滿足期望的循跡要求。對比圖9還可發現，誤差的幾個峰值均處在道路曲率較大且相對變化率較高的位置，這與真實的駕駛經驗相符。

圖12和圖13分別為轉向盤轉角和期望車速的對比。

由圖12和圖13可知，控制器輸出的轉向盤轉角和車速與駕駛員的操縱基本一致，驗證了神經網絡學習能力強的優點。由圖13可見，FNNC的輸出相比試驗樣本，變化更劇烈，原因是FNNC本身對輸入信號的變化比較敏感，這不利于控制器的實際應用。

為了解決這個問題，對FNNC輸出的信號進行傅里葉變換，濾掉高頻部分，并增加一個延遲環節。處理后的車速信號如圖14所示。由圖可見，處理后的信號更加平順，有利于實際應用。

4 結論

(1) 研究了智能車輛循跡控制系統動力學，分析了車速控制和轉向控制的影響因素，建立了基于NNP的期望車速預測器和基于FNNC的轉向與車速控制器，并采用誤差反向傳播法分別對所建立的神經網絡進行訓練。

(2) 多彎道道路仿真試驗結果表明，所設計的模糊神經網絡循跡控制器能夠實現對期望道路和車速的跟蹤，復雜道路的橫向循跡誤差控制在±0.5m之內，控制精度高，自適應性強。

(3) 控制器的輸出信號變化比較靈敏，仿真結果出現了一些尖銳的峰值，這不利于實際應用，使用傅里葉變換和濾波方法可使控制信號更加平順。

[1] 趙熙俊,陳慧巖.智能車輛路徑跟蹤橫向控制方法的研究[J].汽車工程,2011,33(5):382-387.

[2] Miguel Angel. Lateral Control Strategy for Autonomous Steering of Ackerman-like Vehicles[J]. Robotics and Autonomous Systems,2003,45(3-4):223-233.

[3] Packiaraj X. A Decentralized PID-based Approach for the Collaborative Driving of Automated Vehicles[D]. Halifax: Dalhousie University,2009.

[4] 劉佳熙,李升波,王建強,等.車輛智能巡航控制縱向動力學參數快速辨識方法[J].農業機械學報,2010,41(10):6-10.

[5] 高峰,李克強,王建強,等.車速控制系統自適應油門控制器設計[J].汽車工程,2005,27(4):418-422.

[6] 游峰,王榮本,張榮輝.智能車輛系統辨識與控制算法研究[J].中國公路學報,2008,21(4):111-116.

[7] 曹建永.復雜行駛工況下的駕駛員模型[D].長春:吉林大學,2007.

[8] 易繼鍇.智能控制技術[M].北京:北京工業大學出版社,2006:18-20.

[9] 李英.方向與速度綜合控制駕駛員模型及在ADAMS中的應用[D].長春:吉林大學,2007.

[10] 丁海濤,郭孔輝,李飛,等.基于加速度反饋的任意道路和車速跟隨控制駕駛員模型[J].機械工程學報,2010,46(10):116-120.

[11] Snider Jarrod M. Automatic Steering Methods for Autonomous Automobile Path Tracking[D]. Pennsylvania: Carnegie Mellon University,2009.

Path Tracking Control of Intelligent Vehicle Based on Fuzzy Neural Network

Zhang Kun1,2, Cui Shengmin1& Wang Jianfeng1

1.SchoolofAutomobileEngineering,HarbinInstituteofTechnology,Weihai264209; 2.BrillianceAutoR&DCenter,Shenyang110141

In order to improve the autonomous path tracking control accuracy of intelligent vehicle, an intelligent path tracking control strategy is proposed based on fuzzy neural network control and neural network prediction. The inputs of steering controller are the transverse path tracking error at preview points and the yaw rate and lateral acceleration of vehicle, while those for speed controller are the area error at preview points and the lateral acceleration, side slip angle and steering wheel angle of vehicle, and error back propagation technique is adopted for network training. The results of simulation and test show that through the training of driver operation samples, the path tracking controller designed can realize speed and steering control of intelligent vehicle with relatively desirable transverse path tracking error and target speed.

intelligent vehicle; path tracking control; fuzzy neuron network

*山東省自然科學基金(ZR2010FM008)資助。

原稿收到日期為2012年12月13日，修改稿收到日期為2013年5月15日。