基于BP神經網絡PID的四輪智能車循跡控制仿真研究

朱贏鵬，潘聰華，謝怡杰，張夏良，王健

(浙江水利水電學院機械與汽車工程學院，浙江杭州 310018)

?

基于BP神經網絡PID的四輪智能車循跡控制仿真研究

朱贏鵬，潘聰華，謝怡杰，張夏良，王健

(浙江水利水電學院機械與汽車工程學院，浙江杭州 310018)

四輪智能車在按既定路線循跡過程中，由于車輛受地面復雜因素的影響，導致車輛偏離或離開預定路線。利用神經網絡的良好自適應特性和PID控制策略容易實現的特點，提出神經網絡PID來控制四輪智能車循跡。通過MATLAB動態仿真，結果顯示該算法可以準確實現循跡控制。

智能車；神經網絡；PID；循跡

0 引言

具有循跡功能的四輪智能車是自動導引車輛AGV的一種類型，是按既定軌跡自動駕駛、從出發地到目的地完成給定任務的智能車輛[1]。在循跡車輛研究領域，目前主要集中在縱向跟蹤控制和側向跟蹤控制算法研究，1960年，PEFENTON等開始利用經典控制方法建立了車輛側向跟蹤控制系統模型；1981年，MACADAM等總結出駕駛員駕駛過程中的路徑預瞄特點；隨后，SESHTADOVER提出控制的參數要隨車速變化。EDWARD提出將縱向跟蹤控制和側向跟蹤控制聯動。在車輛自動駕駛控制方面，目前主流的方法是根據車輛運動學模型和動力學模型建立設計車輛循跡控制器[2-4]，但是由于實際路面情況復雜，車輛過彎不同、加減速不同以及貨物質量的不確定變化等因素的存在，循跡控制器更適合使用非線性控制策略，為此作者提出了基于BP神經網絡PID的四輪智能車循跡控制。

1 四輪智能車循跡預瞄模型建立

四輪智能車循跡工作模式是通過預瞄前方軌跡來判斷車與軌跡相對位置，循跡系統計算出被跟蹤軌跡F(x)與車輛實際位置偏差后實時調整車輛轉向實現循跡控制。具體的實現方式如圖1所示。車輛在xOy坐標系下，要跟蹤的軌跡F(x)是橫向行駛距離x的函數，軌跡沒有突變即F′(x)比較小，x軸方向速度約等于車輛速度。根據圖1所示，車輛當前位置(x0，y0，φ0)， 假設車輛縱向速度為v，車輛位置到預瞄前方軌跡時間為t，則預瞄點B的位置為(x0+vt，F(x0+vt)，F′(x0+vt))。 車輛以v行駛t時間達到B′，此時與預瞄點B的偏差可以表示為：

Δy=F(x0+vt)-y0-vyt

Δφ=F′(x0+vt)-φ0

控制器輸入誤差：

e=Δy+kΔφ

圖1 四輪智能車循跡預瞄原理圖

2 BP神經網絡PID控制模型建立

BP神經網絡PID控制器是利用神經網絡實時調節PID的3個參數，根據系統運行狀態自適應地實現性能指標達到最優。BP神經網絡的輸出神經元對應于PID的3個可調參數Kp、Ki、Kd，經過神經網絡的不斷學習和加權系數的調整可以得到最優的PID參數，再通過PID的閉環控制就可以實現自適應控制。控制器的控制過程如圖2所示。

圖2 基于BP神經網絡的自適應PID控制器的控制器結構

該控制器的算法如下：

(2)采樣得到當前時刻的輸入和輸出(yB(t)，φB(t))和(yB′(t-1)，φB′(t-1))， 此時刻的控制誤差e(t)=Δy+kΔφ；

(3)計算BP網絡各層神經元的輸入和輸出，BP的輸出為PID控制器的3個在線可調參數Kp、Ki、Kd；

(4)PID控制器的輸出：

u(t)=u(t-1)+Kp(e(t)-e(t-1))+Kie(t)+Kd(e(t)-2e(t-1)+e(t-2))

(6)置t=t+1，再進入步驟(1)進行循環。

3 四輪智能車循跡控制仿真

確定PID參數調節的BP神經網絡為3層結構網絡，其學習速度為0.25、慣性系數為0.05，加權系數初值取區間[-0.5,0.5]上的隨機數。

真實軌跡方程為：

y=sint+sintcost+1

神經網絡的初始權值設定為隨機值，等系統運行穩定后，將穩定權值自動設置為神經網絡權值。循跡結果和相應的曲線見圖3—5。

圖3 真實軌跡和計算軌跡對比

圖4 計算軌跡調整過程

系統在0～0.05s區間里，計算軌跡震蕩比較嚴重，在0～0.1s區間計算軌跡逐步趨于穩定。震蕩軌跡產生的主要原因是BP神經網絡在調整PID的3個參數，見圖5。t=0.1s之后計算軌跡和真實軌跡完全重合。在t=0.1s之后，PID的3個參數根據具體輸入和輸出繼續進行微調整。Kp在t=4～6s區間里調整明顯，主要原因是真實軌跡變化明顯，由凸變化為凹波形；Ki、Kd的變化比較平緩。

圖5 BP神經網絡調整PID的3個參數過程

4 總結

(1)BP神經網絡通過信號的正向和反向，不斷比較期望的PID參數和實際值，層層修正神經元權值，在0.1s內將Kp、Ki、Kd調整到穩定值，并隨著輸入輸出信號的變化能實時微調。

(2)通過MATLAB仿真計算，計算軌跡在0.1s內調整到和真實軌跡重合，這意味著控制系統能在極短時間內將Δy、Δφ控制在最小，可以保證循跡車快速初始化，隨后穩定沿著預定軌跡循跡前行。

【1】任柯燕,顧幸生,黃敬平,等.基于模糊PID對AGV的糾偏控制[J].控制工程,2006，13(9):54-57.

【2】肖文健,李永科.基于增量式PID控制算法的智能車設計[J].信息技術,2012(10):125-127．

【3】林煥新,胡躍明,陳安.基于自適應模糊控制的智能車控制系統研究[J].計算機測量與控制，2011，19(1):78-80．

【4】黃志強.基于CCD攝像頭智能車分段PID控制算法設計[J].電子設計工程,2011,19(2):55-57．

SimulationoftheFourWheelsIntelligentVehicleTrackingControlBasedonBPNNPID

ZHUYingpeng,PANConghua,XIEYijie,ZHANGXialiang,WANGJian

(MechanicalandAutomotiveEngineeringCollege,ZhejiangUniversityofWaterResourcesandElectricPower,HangzhouZhejiang310018,China)

Whenthesmartcarwithfourwheelstrackstheestablishedroute,duetocomplexfactorsoftheground,thevehicledeviatesfromthepredeterminedroute.UsingBPNNwithgoodadaptivecharacteristicsandPIDcontrolstrategyeasytoimplement,BPNNPIDwasputforwardtocontrolthefourwheeledintelligentvehicletracking.TheresultofMATLABsimulationshowsthattheproposedalgorithmcanachieveaccuratetrackingcontrol.

Intelligentvehicle;Neuralnetwork;PID;Tracking

2015-11-12

2014年浙江省新苗計劃資助項目(2014R432008)

朱贏鵬，男，本科，主要從事循跡車研究。E-mail：6787135@qq.com。

U

A