自適應神經模糊推理的方向駕駛員模型研究

曹艷玲，張 琦

（河南科技大學車輛與交通工程學院，河南 洛陽 471003）

1 引言

近年來隨著我國汽車保有量的增加，交通事故總量也逐年增加，汽車安全問題已經引起了人們高度重視。然而這些交通事故的背后實際上與駕駛員對車輛的操縱有直接的關系。研究結果表明，80%的交通事故是由駕駛員誤判造成的[1]。駕駛員對車輛的操縱實際上受到許多因素的影響。例如：駕駛技術水平、駕駛員對車況、路況的掌握情況、駕駛員生理、心理等因素。這些因素實際上是很難控制的。因此，針對駕駛員模型的應用是很有必要的，會降低人為原因引起的交通事故。

隨著控制理論及傳感器技術的發展，有效的推動了駕駛員模型的發展，將現代控制技術應用到駕駛員模型中是未來汽車行業的熱門研究方向。根據建模的方法分為經典控制理論、基于模糊邏輯、神經網絡等非線性控制理論及基于認知架構的駕駛員行為建模[2]。國內外很多學者均作出貢獻：文獻[3]建立的預瞄時間自適應的最優預瞄駕駛員模型，根據建立的優化函數，恰當的選取預瞄時間使得車輛穩定通過測試路徑。文獻[4]于1982 年提出了預瞄-跟隨系統理論，將決策部分為預瞄和補償跟隨兩個階段，并建立了預瞄最優曲率模型。MACADAM CC 用BP 神經網絡訓練建立駕駛員模型[5]。文獻[6]用遺傳算法優化BP 神經網絡，并建立了預瞄優化神經網絡駕駛員模型。文獻[7]基于遺傳算法離線整定和神經網絡在線整定的駕駛員模型，能夠對軌跡進行很好跟蹤。文獻[8]以車輛航向角和橫向位移偏差對車輛方向進行控制，并用遺傳算法優化駕駛員模型參數，仿真顯示所建立駕駛員模型能夠有效跟隨路徑。文獻[9]通過優化傳統增量式PID 控制算法，提出了一種新型增量式PID 控制算法對車輛進行控制，車輛能夠很好的對預期路徑進行跟蹤且響應速度較快。文獻[10]設計了二階自抗擾控制器對轉向系統進行控制并結合建立的七自由度非線性車輛模型進行仿真，仿真結果顯示二階自抗擾控制器具有較高的控制精度。文獻[11]提出了一種基于方向預瞄的內模駕駛員模型。仿真結果表明，所建立的內模駕駛員模型能夠有效地用于汽車轉向控制，并體現駕駛員對不確定參數的適應性。

駕駛員模型分為速度駕駛員模型和方向駕駛員模型，前者是通過節氣門及剎車系統對車輛縱向速度進行控制，后者是通過操縱轉向系統讓車輛沿著目標軌跡行駛。以方向駕駛員模型為研究對象，首先在車輛動力學仿真軟件Carsim 中采集道路參考線到預瞄點的橫向偏差及道路參考線和車輛X 軸之間面積偏差數據。在Matlab/Simulink 中用自適應神經模糊推理系統對采集的仿真數據進行訓練，將提取出的If-Then 規則讀取到Fuzzy 控制器中并與車輛動力學仿真軟件Carsim 中的車輛模型進行聯合仿真。仿真結果顯示跟蹤軌跡誤差較小且車輛的操縱穩定性較好，證明了基于自適應神經模糊推理系統建立的駕駛員模型具有良好的軌跡跟蹤能力和良好的車輛操縱穩定性能。

2 車輛整車模型建立

2.1 Carsim 軟件的簡介

CarSim 是專業的車輛動力學的仿真軟件其模型運算速度快，主要對車輛的操縱穩定性、制動性、平順性、動力性和經濟性進行仿真。近年來隨著無人駕駛汽車的推動，CarSim 也用于無人駕駛汽車控制系統的開發。CarSim 具有160 多個可導入的輸入變量560 多個輸出變量，可以靈活的和Matlab/Simulink、Labview等仿真軟件進行聯合仿真。在Carsim 的主界面，其中左側為車輛各組成部分的參數及仿真工況，中間部分是數學模型求解部分，最右側是仿真動畫和參數輸出。

2.2 車輛模型建立

車輛整車模型包括：車體部分、空氣動力學部分、傳動系統、制動系統、轉向系統、前后懸架系統、車輪，如圖1 所示。仿真所用車輛參數均采用默認值。

圖1 車輛模型建立Fig.1 Vehicle Modeling

3 自適應神經模糊推理的結構

由于模糊技術不需要建立精準的數學模型，因此在工程領域當中應用十分廣泛。其實際上是將人們長時間工作的控制經驗轉化為相應的控制規則表，工作過程中根據需求輸出相應的規則對被控對象進行控制。但是模糊控制器規則的確定和隸屬度函數的調整通常需要長時間的工作經驗或者專家知識，這些通常具有一定的主觀性。因此模糊規則的確定及隸屬度函數的調整往往成為建立模糊控制器的主要難題。神經網絡是模擬人腦建立起來的數學模型，具有一定的人腦功能，如：模式分類、聯想記憶、信息處理、自學習。其中自學習功能是是神經網絡的最大優勢，從而使其具有一定處理信息及推理能力。綜上所述，如果將模糊控制技術及神經網絡控制技術融合在一起，就能有效降低人們在設計模糊控制器過程當中遇到的困難，例如：隸屬度函數的選取及調整、模糊規則的確定、人的主觀因素對模糊規則的影響等。

自適應神經模糊推理系統能夠有效解決上述問題，神經網絡技術能夠從大量的輸入輸出數據中自動建立模糊推理系統（FIS），其中模糊規則的提取和隸屬度函數的選取及優化是使用神經網絡技術計算得出，讓人們從建立模糊控制器的難題中脫離出來。

3.1 自適應神經模糊推理系統的結構

自適應神經模糊推理系統以Takagi-Sugeno 模型為基礎，ANFIS 結構圖，如圖2 所示。對于一階Takagi-Sugeno 模糊具有如下If-then 規則。

式中：x、y—系統兩個的輸入；fi—系統的唯一輸出；Ai、Bi—模糊集；pi，qi，ri—訓練過程中確定的參數，每層節點具有相同的函數。

圖2 ANFIS 系統結構Fig.2 ANFIS System Structure

第一層：對x 和y 兩個輸入變量進行模糊化。

式中：x、y—輸入；μAi-2、μBi-2—隸屬度函數。

第二層：本層的固定節點用于計算每條規則的適用度，將所有輸入信號相乘并輸出。

第三層：本層的固定節點對每條規則進行歸一化計算。

第四層：本層節點是自適應節點用于計算各條規則的輸出。

式中：ωi—激勵強度；｛pi，qi，ri｝—結論參數。

第五層：本層為一個固定節點，將上層所有輸入進行求和作為系統的總輸出。

4 基于ANFIS 的方向駕駛員模型

4.1 訓練數據采集

訓練數據通常通過試驗采集或者仿真采集，訓練數據由車輛在車輛動力學軟件Carsim 中進行典型路況的仿真來獲得。選取道路參考線到預瞄點的橫向偏差及道路參考線和車輛X 軸之間面積偏差兩個變量作為自適應神經模糊推理系統的訓練數據，仿真共獲得1200 組數據。

4.2 自適應神經模糊推理的方向駕駛員模型的訓練

4.2.1 調用Anfis 編輯器

以Matlab R2016b 版本來進行ANFIS 的設計及訓練。首先啟動Matlab 在主窗口輸入Fuzzy 點擊回車出現FIS 編輯界面，在FIS 的界面菜單中點擊File→New FIS→Sugeno 彈出FIS 編輯器（Sugenon）界面。因為輸入數據為兩組故需添加一個輸入變量使之成為雙輸入單輸出的結構，點擊菜單File→add Variable→Input。再點擊File→Export→To Work space 將控制器名字改為“jiashiyuanmoxing”，將兩個輸入變量的名字改為L 和A 輸出變量名字改為SW。

4.2.2 導入仿真數據

在FIS 的界面菜單中點擊Edit→Anfis 彈出Anfis（jiashiyuanmoxing）界面，并載入1200 組仿真數據用于訓練，并選取偶數行數據作為測試數據并分別命名為“jiashiyuanxunlianData”“jiashiyuanceshiData”。

4.2.3 模糊推理系統初始化及訓練

在編輯窗口的Generate FIS 區域選取Grid partition，點擊Generate FIS 進行初始化設計，隸屬度函數選取三角函數（trimf）型并將隸屬度函數設置為（8 8）輸出類型選取linear。然后在Train一欄中將Optim.method 設置為hybrid，Error Tolerance 誤差精度設置為0，Epochs 設置為最大次數50 次。點擊Train Now 進行訓練，得到模糊規則，如圖3 所示。最后將自適應神經模糊推理得到的Fis 讀取到Fuzzy 控制器中，將其作為方向駕駛員模塊并命名為“jiashiyuanmoxing”。

圖3 規則查看器Fig.3 Rule Viewer

5 聯合仿真

方向駕駛員模型和整車動力學模型聯合仿真結構圖，如圖4所示。其中“jiashiyuanmoxing”為方向駕駛員模塊?！癈arSimS-Function”為第二章所建立的整車動力學模塊。其中“jiashiyuanmoxing”模塊根據道路參考線到預瞄點的橫向偏差及道路參考線和車輛X 軸之間面積偏差兩個輸入變量決策出最優的方向盤轉角SW，在輸入到CarSim S-Function 整車動力學模塊中對車輛轉向進行控制，Carsim 將求解出來的兩個車輛變量再輸入到“jiashiyuanmoxing”方向駕駛員模塊中以此循環對車輛實時控制。聯合仿真的優點是直接調用Carsim 中的車輛動力學模型省去了搭建物理樣機實驗的周期且仿真數據獲取方便。

圖4 聯合仿真結構圖Fig.4 Joint Simulation Structure Diagram

6 仿真結果分析

為了證明建立的自適應神經模糊推理的方向駕駛員模型的路徑跟蹤的有效性，設定在雙移線工況進行聯合仿真，路面附著系數設定為0.85，仿真位移設定為210m。由于進行單一方向仿真，故車速設定為恒速120km/h。仿真結果分析：方向駕駛員模型的輸出變量方向盤轉角，如圖5 所示。路徑跟蹤結果，如圖6 所示。根據仿真結果顯示：基于自適應神經模糊推理的方向駕駛員模型的橫向位移誤差在（-0.15～0.1）m 跟蹤誤差較小，我國公路規定的寬度為3.75m[12]，根據仿真輸出數據，所產生的跟蹤誤差小于道路單側寬度。綜上所述：基于自適應神經模糊推理的方向駕駛員模型具有良好的跟蹤性能。

圖5 方向盤轉角Fig.5 Steering Wheel Angle

圖6 路徑跟蹤Fig.6 Path Tracking

7 結論

為了提高方向駕駛員模型對目標路徑的跟蹤精度，進行了以下工作與創新：（1）在Carsim 中建立了整車模型，仿真出一臺較為真實的整車模型提高了被控對象的精度，使控制結果更加準確。（2）將自適應神經網絡的模糊推理系統用于方向駕駛員模型領域。仿真結果表明，將神經網絡技術能夠有效的用于完成模糊規則的提取、隸屬度函數的選取及優化，提高了方向駕駛員模型的建模精度。

綜上所述，建立了一種基于自適應神經模糊推理的方向駕駛員模型，根據道路參考線到預瞄點的橫向偏差及道路參考線和車輛X 軸之間面積偏差兩個變量，決策出最優的方向盤轉角對車輛進行轉向控制。根據仿真結果可得以下結論：所建立方向駕駛員模型具有良好的非線性能，能較好的對目標路徑進行跟蹤，能夠真實模擬駕駛員對車輛的操縱行為。